CRYPTO-AI-AGENT：融合机器学习与大语言模型的个人金融分析助手

这是一个将13种机器学习模型、59种技术指标、FinBERT情感分析与多LLM级联策略相结合的开源金融分析系统，为加密货币和股票市场提供智能化决策支持。

• 原作者/维护者：Чередняк Юрій Володимирович（Yurii Cheredniak）
• 来源平台：GitHub
• 原始标题：CRYPTO-AI-AGENT
• 原始链接：https://github.com/yuriieight/CRYPTO-AI-AGENT
• 发布时间：2026年5月25日（v1.0.0 首个正式版本）

CRYPTO-AI-AGENT 最初是作为乌克兰国立技术大学（Kyiv Polytechnic Institute）的毕业设计项目而开发的。作者 Чередняк Юрій Володимирович 在导师 Мисюк Ірина Володимирівна 的指导下，将学术理论与工程实践相结合，打造了这个面向个人投资者的开源工具。

该项目的核心设计理念是模块化与可扩展性。传统的金融分析工具往往功能单一，要么专注于技术分析图表，要么仅提供简单的价格预测。而 CRYPTO-AI-AGENT 试图打破这种割裂，将数据获取、特征工程、模型训练、预测生成、情绪分析、智能问答和投资组合管理整合到一个统一的架构中。这种设计思路不仅提升了用户体验的连贯性，也为后续的功能扩展预留了充足的空间。

项目采用经典的前后端分离架构，后端基于 Python FastAPI 构建高性能异步 API，前端使用 React + TypeScript + Vite 实现现代化的单页应用。整个系统支持 Docker Compose 一键部署，极大地降低了部署门槛。

• Web 框架：FastAPI 0.109 + Uvicorn，提供异步高性能 API 服务
• ORM 层：SQLAlchemy 2.0 异步版本，支持 PostgreSQL 主数据库和 SQLite 研究数据库
• 机器学习：Scikit-learn、XGBoost、LightGBM 等主流框架
• 自然语言处理：HuggingFace Transformers 加载 FinBERT 模型进行金融情感分析
• 大语言模型：支持 Claude 3.5、GPT-4o、Gemini、Llama 3 的多级级联 fallback 策略
• 数据缓存：Redis 7 用于会话管理和结果缓存
• 数据源：CryptoCompare API 获取实时加密货币数据，yfinance 获取股票数据

• 框架：React 18.2 + TypeScript
• 构建工具：Vite
• 样式：Tailwind CSS 3.4
• 图表：Recharts 2.10 实现交互式数据可视化

这种技术选型兼顾了开发效率与运行性能。FastAPI 的异步特性能够高效处理 I/O 密集型任务（如调用外部 API、数据库查询），而 React 的组件化架构使得界面开发更加灵活可控。

这是系统最具技术含量的模块之一。作者没有采用单一模型，而是构建了一个包含 13 种机器学习模型的集成预测系统。这些模型涵盖了不同的算法范式：

• 树模型：Random Forest、XGBoost、LightGBM、CatBoost、Extra Trees
• 线性模型：Ridge、Lasso、Elastic Net
• 支持向量机：SVR
• 近邻算法：KNeighbors
• 神经网络：MLPRegressor

在训练过程中，系统使用 TimeSeriesSplit 进行时间序列交叉验证，确保模型不会出现过拟合。预测时，系统可以输出单一模型的预测结果，也可以输出集成模型的综合预测，后者通过加权平均或投票机制融合多个模型的输出，通常能获得更稳定的预测效果。

模型评估指标包括 MAE（平均绝对误差）、RMSE（均方根误差）、R²（决定系数）和 MAPE（平均绝对百分比误差），用户可以直观地了解模型的预测准确度。

系统内置了 59 种技术分析指标，覆盖了趋势跟踪、动量分析、波动率测量和成交量分析等多个维度：

• 趋势指标：EMA（指数移动平均）、SMA（简单移动平均）、MACD（异同移动平均线）
• 动量指标：RSI（相对强弱指数）、Stochastic Oscillator（随机震荡指标）
• 波动率指标：Bollinger Bands（布林带）、ATR（真实波动幅度均值）
• 成交量指标：OBV（能量潮）、Volume EMA

这些指标不仅用于图表展示，更重要的是作为机器学习模型的输入特征。系统会自动计算这些指标值，并将其纳入预测模型的训练数据中，从而提升预测精度。