AI-XAUUSD-Trading

AI-XAUUSD-Trading

用三个强化学习模型、市场状态识别和风险规则来交易黄金兑美元。这是给研究交易算法的人用的研究项目，不是投资建议。

由 JonusNattapong 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个项目是一个 XAUUSD 的交易系统，XAUUSD 就是以美元计价的黄金。它把 PPO、TD3 和 SAC 三个强化学习模型组合成一个集成。它还加入了市场状态识别、按模型置信度确定仓位，以及分批止盈和追踪止损等风险规则。

适合谁：它适合想研究强化学习在交易中的应用、想在可运行的例子上继续开发、或者想对比自己方法的学生、研究者和开发者。

行业 | 谁在用 | 怎么用 | 例子
金融研究 | 量化研究者 | 在价格数据上研究强化学习智能体的集成 | 把集成和单个模型做对比
教育 | 学生 | 学习状态识别和风险规则如何配合 | 阅读按置信度确定仓位的代码
软件 | 算法开发者 | 把代码当作交易系统的基础 | 换上你自己的风险管理器
风险分析 | 风险分析师 | 考察自适应止损和退出 | 在不同市场状态下测试追踪止损

如果你想要真实交易的建议，可以跳过它，因为卡片说它不是投资建议。

用在哪里：

• Windows、macOS 或 Linux 上的 Python 脚本和笔记本
• 用你自己的 XAUUSD 历史价格数据做回测
• 研究以及和其他交易算法做对比

使用场景 | 适合谁 | 能得到什么
策略研究 | 研究者 | 每个市场状态下的信号和置信度数值
仓位确定 | 开发者 | 随模型置信度变化的仓位大小
基准对比 | 分析师 | 用来与其他算法对比的指标

如何设置：你需要装有 pip 的 Python 和一份 XAUUSD 的历史价格数据。

• Python 和 pip
• stable-baselines3、gymnasium、pandas、numpy、scikit-learn 和 yfinance 这几个库
• 项目 GitHub 仓库里的代码，以及三个训练好的模型文件
• 一份市场数据 CSV，示例会读取它

1. 用 pip 安装 Hugging Face 客户端，并用 hf 命令下载这个仓库。
2. 安装 Python 库。
3. 从项目仓库获取代码。
4. 把你的市场数据文件放在脚本旁边。

pip install -U huggingface_hub
hf download JonusNattapong/AI-XAUUSD-Trading

# Install dependencies
pip install stable-baselines3 gymnasium pandas numpy scikit-learn yfinance

如何使用：在卡片的基本示例里，你把三个模型载入集成，根据你的数据识别市场状态，预测带置信度的信号，并确定仓位。卡片还描述了一个实盘交易模式，它会下真实订单，所以请先把一切验证清楚。

from ensemble_trader import EnsembleTrader
from market_regime_detector import MarketRegimeDetector

# Initialize components
ensemble = EnsembleTrader(model_paths=['ppo_model.zip', 'td3_model.zip', 'sac_model.zip'])
regime_detector = MarketRegimeDetector()

# Load market data
market_data = pd.read_csv('xauusd_data.csv')

# Detect market regime
regime, params = regime_detector.detect_regime(market_data)

# Make trading decision
state = preprocess_market_data(market_data)
signal, confidence = ensemble.predict(state)

# Apply confidence-based sizing
position_size = calculate_position_size(confidence, risk_per_trade=0.02)

工具 | 作用
EnsembleTrader | 把三个强化学习模型合成一个信号
MarketRegimeDetector | 给市场状态分类，并返回自适应参数
calculate_position_size | 随模型置信度缩放仓位
live_trading_interface | 在实盘模式下发送真实订单

示例：你输入一份黄金价格的 CSV。脚本会打印识别出的市场状态、一个带置信度数字的交易信号，以及按每笔交易 2% 风险算出的仓位大小。你先审阅这些，再决定任何事。

新手与专家：强化学习就是让程序在模拟市场里通过试错和奖励学会交易规则。第一件可以试的小事，是在历史数据上运行基本示例，不做实盘交易。

卡片描述了 Gym 环境里 PPO、TD3 和 SAC 的集成，六种市场状态各用自己的参数。风险管理包括分批止盈、保本止损和追踪止损。作者报告了 2015 到 2025 年的回测，但历史并不能预测未来的结果。

市场数据
状态识别器选择参数
PPO、TD3 和 SAC 集成
置信度决定仓位
风险管理器处理退出

注意事项：

• Reported backtest: 作者列出 2015 到 2025 年的胜率 58.3%、平均盈利 $49.45、平均亏损 $106.18。这些是作者的数字，这里没有核实。

Title: 报告的各市场状态胜率，百分比
强势牛市: 65.2%
牛市趋势: 61.8%
震荡: 52.1%
高波动: 48.9%

• Limits: 卡片说，没有充分验证就不能用于真实交易，结果基于历史数据，而且市场有亏损风险。
• Live mode: 示例里有一个实盘交易类，它接收资金、杠杆和每笔交易的风险，所以可以下真实订单。
• License: MIT，许可证一行就是这样写的。
• Cost to run: 没有提到 API 密钥或付费服务。实盘交易需要你自己的交易账户。
• Data it reaches: 你提供的市场数据文件、用于价格数据的 yfinance，以及实盘模式里你连接的任何交易账户。
• Not for: 投资建议或未经验证的真实交易，卡片就是这样说明的。

Hugging Face 上的数据（2026年11月13日）

• 任务：reinforcement learning
• 最近 30 天下载：0
• 点赞：58
• 许可证：mit
• 语言：en
• 标签：reinforcement-learning, trading, finance, algorithmic-trading, forex, gold, xauusd, ensemble-learning, market-regime, risk-management, model-index

链接

• 模型：https://huggingface.co/JonusNattapong/AI-XAUUSD-Trading
• 文件：https://huggingface.co/JonusNattapong/AI-XAUUSD-Trading/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download JonusNattapong/AI-XAUUSD-Trading

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。