FilesExpand file tree

master

/

test_ml_training_with_real_dates.py

Copy path

Blame

More file actions

Blame

More file actions

Latest commit

 

History

History

History

105 lines (85 loc) · 4 KB

master

/

test_ml_training_with_real_dates.py

Copy path

Top

File metadata and controls

• Code
• Blame

105 lines (85 loc) · 4 KB

Raw

Copy raw file

Download raw file

Open symbols panel

Edit and raw actions

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

使用实际可用的日期范围测试机器学习训练

"""

import sys

import os

sys.path.append(os.path.dirname(os.path.abspath(__file__)))

from app import create_app

from app.extensions import db

from app.models import FactorValues, MLModelDefinition

from app.services.ml_models import MLModelManager

from sqlalchemy import text

def test_ml_training_with_real_dates():

"""使用实际日期测试机器学习训练"""

app = create_app()

with app.app_context():

print("🧪 使用实际日期测试机器学习训练")

print("=" * 60)

try:

# 1. 获取实际的日期范围

result = db.session.execute(text('''

SELECT

MIN(trade_date) as min_date,

MAX(trade_date) as max_date

FROM factor_values

'''))

date_range = result.fetchone()

min_date, max_date = date_range

print(f"📅 实际数据日期范围: {min_date} 至 {max_date}")

# 2. 获取可用的模型

models = MLModelDefinition.query.all()

print(f"🤖 找到 {len(models)} 个模型")

# 使用第二个模型（working_demo_model），因为它有2个因子

if len(models) >= 2:

model = models[1] # working_demo_model

else:

model = models[0]

print(f"🎯 测试模型: {model.model_id} - {model.model_name}")

print(f"📋 使用因子: {model.factor_list}")

# 3. 创建ML管理器并尝试训练

ml_manager = MLModelManager()

print(f"\n🚀 开始训练模型...")

print(f" 训练日期范围: {min_date} 至 {max_date}")

# 由于只有一天的数据，我们需要特殊处理

# 先检查是否有足够的数据进行训练

factor_query = FactorValues.query.filter(

FactorValues.factor_id.in_(model.factor_list),

FactorValues.trade_date >= min_date,

FactorValues.trade_date <= max_date

)

factor_count = factor_query.count()

print(f"📊 可用因子数据: {factor_count} 条记录")

if factor_count < 100:

print("⚠️ 数据量太少，无法进行有效的机器学习训练")

print("💡 建议:")

print(" 1. 计算更多历史日期的因子数据")

print(" 2. 或者使用演示模型（final_demo_ml_model.py）")

return

# 尝试训练

result = ml_manager.train_model(model.model_id, str(min_date), str(max_date))

if result['success']:

print("✅ 模型训练成功！")

print("📊 训练指标:")

for key, value in result['metrics'].items():

if isinstance(value, (int, float)):

print(f" {key}: {value:.4f}")

else:

print(f" {key}: {value}")

else:

print(f"❌ 模型训练失败: {result['error']}")

# 提供详细的错误分析

print("\n🔍 错误分析:")

if "训练数据为空" in result['error']:

print(" 原因: 数据准备阶段失败")

print(" 可能的问题:")

print(" 1. 因子数据和价格数据日期不匹配")

print(" 2. 目标变量计算失败")

print(" 3. 数据清洗后为空")

except Exception as e:

print(f"❌ 测试过程中出现错误: {e}")

import traceback

traceback.print_exc()

if __name__ == "__main__":

test_ml_training_with_real_dates()