📈 Model Predykcyjny Kursu Akcji

Ten projekt implementuje model predykcyjny kursu akcji oparty na danych giełdowych, wykorzystujący Temporal Fusion Transformer (TFT). Zawiera również aplikację webową zbudowaną w Streamlit, która umożliwia wizualizację prognoz, porównanie predykcji z danymi historycznymi oraz ocenę skuteczności modelu poprzez benchmark.

---

🚀 Funkcjonalności

• Trening modelu: Skrypt start_training.py pozwala na pobranie danych giełdowych, trening modelu i zapis wyników.
• Predykcje przyszłości: Aplikacja Streamlit generuje prognozy cen akcji dla wybranych tickerów (np. CDR.WA).
• Porównanie z historią: Możliwość porównania predykcji z rzeczywistymi danymi historycznymi.
• Benchmark: Ocena skuteczności modelu na zestawie tickerów z metrykami takimi jak Dokładność i Dokładność kierunkowa.

---

🖥️ Uruchomienie projektu

Trening modelu

Aby rozpocząć trening modelu, uruchom:

python start_training.py

Skrypt pobiera dane giełdowe (za pomocą yfinance), trenuje model TFT i zapisuje wyniki w folderze models.

Aplikacja webowa

Aby uruchomić aplikację Streamlit:

streamlit run app/app.py

Aplikacja umożliwia:

• Generowanie predykcji dla wybranego tickera.
• Porównanie predykcji z danymi historycznymi.
• Wyświetlenie wyników benchmarku dla zestawu tickerów.

---

📊 Przykłady wyników

Predykcje dla CDR.WA

Poniżej przedstawiono przykład predykcji cen zamknięcia dla tickera CDR.WA na kolejne dni, z kwantylami 10% i 90%.

Porównanie predykcji z historią dla CDR.WA

Wykres porównuje przewidywane ceny zamknięcia z rzeczywistymi danymi historycznymi dla CDR.WA.

Benchmark

Wykres benchmarku

Wykres porównuje predykcje z danymi historycznymi dla tickerów zdefiniowanych w pliku config/benchmark_tickers.yaml (unikalne tickery, różne od tych użytych w treningu).

Tabela metryk benchmarku

Tabela przedstawia metryki skuteczności modelu dla tickerów w benchmarku, takie jak Accuracy, MAPE, MAE i Directional Accuracy.

---

⚠️ Ograniczenia danych

Biblioteka yfinance używana do pobierania danych giełdowych nie dostarcza historycznych wartości wskaźników fundamentalnych, takich jak:

• PE ratio (Price to Earnings)
• PB ratio (Price to Book)

Dostępne są jedynie aktualne wartości tych wskaźników poprzez metodę Ticker().info.

---

📁 Struktura projektu

├── app/
│   ├── app.py                 # Streamlit app — UI do wyboru tickerów, wyświetlania predykcji i benchmarku
│   ├── benchmark_utils.py     # Funkcje do wykonywania benchmarku i obliczania metryk
│   ├── config_loader.py       # Ładowanie konfiguracji aplikacji i list tickerów
│   └── plot_utils.py          # Funkcje generujące wykresy i wizualizacje
├── scripts/
│   ├── config_manager.py      # Zarządzanie konfiguracją, zapisywanie/odczyt normalizerów i modeli
│   ├── data_fetcher.py        # Pobieranie danych giełdowych (yfinance), zapis surowych plików
│   ├── model.py               # Definicja architektury modelu (TFT) i utilities do tworzenia modelu
│   ├── prediction_engine.py   # Logika generowania predykcji przy użyciu wytrenowanego modelu
│   ├── preprocessor.py        # DataPreprocessor — przygotowanie cech, normalizacja, budowa TimeSeriesDataSet
│   ├── train.py               # Skrypt treningowy — uczenie modelu, checkpointing, logowanie metryk
│   ├── utils/
│   │   ├── feature_engineer.py        # Funkcje tworzące cechy techniczne i czasowe (MA, RSI, itd)
│   │   ├── model_config.py            # Helpery do walidacji i budowy konfiguracji modelu
│   │   ├── transfer_weights.py        # Narzędzia do przenoszenia wag między checkpointami
│   │   └── validation_utils.py        # Metryki i funkcje walidacyjne 
│   └── debug/
│       ├── debug_dataset.py    # Skrypty pomocnicze do debugowania TimeSeriesDataSet i danych
│       ├── feature_importance.py # Eksperymenty / skrypty analizy ważności cech
│       └── transfer_weights.py  # Narzędzia do przenoszenia wag między modelami
├── config/
│   ├── config.yaml            # Główne ustawienia projektu (ścieżki, parametry modelu)
│   ├── tickers.yaml           # Lista tickerów
│   └── benchmark_tickers.yaml # Lista tickerów używanych w benchmarku (inne niż w treningu)
├── data/                   # Dane surowe i przetworzone
├── models/                 # Zapisane modele oraz normalizery
├── docs/                   # Materiały pomocnicze (obrazy, wykresy do README)
├── start_training.py       # Wygodny wrapper uruchamiający pełny pipeline treningowy
├── README.md               # Dokumentacja projektu
└── requirements.txt        # Lista zależności

---

🛠️ Wymagania

Projekt wymaga Pythona 3.9+ oraz zależności wymienionych w pliku requirements.txt. Aby zainstalować zależności, wykonaj:

pip install -r requirements.txt

Uwaga: Pełna lista bibliotek (np. streamlit, yfinance, pytorch, pandas) znajduje się w requirements.txt. Upewnij się, że środowisko wirtualne jest aktywne przed instalacją.

---

📚 Modele

Porównanie modeli:

Model	Opis	Dokładność	Długość predykcji	Szybkość treningu	Total Params
gen3	Pierwszy użyteczny model	88.9%	90 dni	60 min/epoka, 30 próbek/s	-
gen3mini	Lżejsza wersja do szybkich testów	87.8%	90 dni	20 min/epoka, 90 próbek/s	2.7M
gen4mini	Zmniejszona liczba cech	88.0%	90 dni	20 min/epoka, 90 próbek/s	2.7M
gen6	Wersja z małą liczbą parametrów	-	60 dni	10 min/epoka, 192 próbek/s	1.7M
gen6_1	Wersja gdzie model nie oczekuje parametrów z przyszłości, zbliżone do rzeczywistych warunków. Wymaga długiego treningu	92%	60 dni	6 min/epoka, 300 próbek/s	1.4M

Uwaga: Wartość Szybkość treningu jest względna i będzie się różnić w zależności od posiadanego sprzętu (CPU/GPU, ilości pamięci, sterowników i konfiguracji). Rzeczywiste czasy mogą się od niej różnić.