Chan-Distill：缠论蒸馏模型

将缠论（Chan Theory）蒸馏进时序金字塔 CNN，输入 1m K 线、输出交易信号。推理时一个 ONNX 文件搞定，零外部依赖。

定位

上游项目: chan-xgb（同目录上级项目）
          └── 缠论 + XGBoost → 信号评分，AUC 0.94
              依赖 chan.py 侧车算特征

本项目: chan-distill
          └── 时序金字塔 CNN → 端到端信号，AUPRC 0.086（当前）
              推理时零依赖，一个 ONNX 文件

架构

flowchart LR
    K["1m K线流"] --> BUF["rolling buffer<br/>10080根 (7天)"]
    BUF --> ONNX["chan_distill.onnx<br/>(67KB)"]
    ONNX --> OUT["{direction, confidence, is_bsp}"]

Loading

模型内部：7 级时序金字塔（Conv1d + stride 降采样）

输入 10080 根 1m K 线 (7天)
  │ stride=5   → 5m 分辨率 (2016 位置)
  │ stride=3   → 15m 分辨率 (672 位置)
  │ stride=2   → 30m 分辨率 (336 位置)
  │ stride=2   → 1h 分辨率 (168 位置)
  │ stride=4   → 4h 分辨率 (42 位置)
  │ stride=6   → 1d 分辨率 (7 位置)
  │ stride=7   → 1w 分辨率 (1 位置)
  │ GAP → 128 维向量
  │
  ├── 7 个输出头（涨跌 + Level-1 分型/笔 + BSP）
  └── 4 个输出头（Level-2 区间套分型/笔）

快速开始

1. 拉取数据

# Go 版本（需要安装 Go）
go run scripts/fetch_1m.go

# 或 Python 版本（需要 ccxt）
python scripts/fetch_1m.py

产出：data/processed/{BTC,ETH,BNB,SOL,XRP}USDT_1m.csv

2. 生成标注数据

python scripts/generate_labels.py \
  --symbols BTCUSDT ETHUSDT BNBUSDT SOLUSDT XRPUSDT \
  --timeframes 1m \
  --seq-len 10080 --stride 1008

产出：data/labels/*_1m.parquet

3. 训练

python train.py --seq-len 10080 --d-model 128 --batch-size 8 --epochs 20

产出：checkpoints/best.pt

4. 导出 ONNX

python export_onnx.py \
  --checkpoint checkpoints/best.pt \
  --output chan_distill.onnx \
  --seq-len 10080 --d-model 128 --in-channels 5

产出：chan_distill.onnx（67KB）

5. 推理

# Python
from infer import ChanDistillInference

engine = ChanDistillInference("chan_distill.onnx", seq_len=10080)
for ohlcv in kline_stream():
    signal = engine.update(ohlcv)  # 内部自动滚动 buffer
    if signal:
        print(f"{signal['direction']} 置信度 {signal['confidence']}")

// Go (examples/go/inference/main.go)
engine := NewEngine("chan_distill.onnx")
for kline := range klineStream {
    signal := engine.Update(kline)
    if signal != nil {
        fmt.Printf("%s %s confidence=%.4f\n", kline.Timestamp, signal.Direction, signal.Confidence)
    }
}

项目结构

├── scripts/
│   ├── generate_labels.py    # 缠论标注管线
│   └── fetch_1m.go           # 币安 1m 数据拉取
├── model/
│   └── chandistill.py        # 时序金字塔 CNN + 11 输出头
├── train.py                  # 多任务训练
├── infer.py                  # Python 推理
├── export_onnx.py            # ONNX 导出
├── examples/go/inference/    # Go 推理示例
├── docs/
│   └── architecture.md       # 架构图
├── data/
│   ├── processed/            # 1m K 线 CSV（gitignored）
│   └── labels/               # 标注 parquet（gitignored）
├── checkpoints/              # 模型权重（gitignored）
└── requirements.txt

模型输出

输出头	维度	含义
return_logits	3	未来涨跌（跌/平/涨）
top_fractal	1	Level-1 顶分型
bottom_fractal	1	Level-1 底分型
bi_direction_logits	3	笔方向
bi_strength	1	笔强度（回归）
is_bsp	1	买卖点检测
bsp_direction_logits	3	BSP 方向
top_fractal_L2	1	Level-2 顶分型（区间套）
bottom_fractal_L2	1	Level-2 底分型
bi_direction_logits_L2	3	Level-2 笔方向
bi_strength_L2	1	Level-2 笔强度

最终信号：buy_score = is_bsp × softmax(bsp_dir)[买]，取最大值方向 + 置信度。

与 chan-xgb 的关系

维度	chan-xgb	chan-distill
模型	XGBoost + 7 模型 Ensemble	金字塔 CNN × 1
推理依赖	chan.py 侧车	ONNX Runtime 就够了
输入	61 维人工特征	原始 1m OHLCV
数据	~8000 BSP 样本	~9000 样本（5 币种）
AUPRC	0.94（AUC）	0.086（AUPRC）
状态	✅ 可上线	🔄 研发中

同行是战友不是敌人，同道中人砥砺前行，苟富贵莫相忘。 相关文章链接：https://www.meowsite.cn/zh/blog/%e9%a1%b9%e7%9b%ae%e5%ae%9e%e8%b7%b5/%e7%bc%a0%e8%ae%ba%e9%87%8f%e5%8c%96%e4%ba%a4%e6%98%93%e7%b3%bb%e7%bb%9f%e8%bf%9b%e5%ba%a6%e6%8a%a5%e5%91%8a/