AI Trading Predict — LSTM (PyTorch & Streamlit)

[

Dieses Projekt dient ausschließlich Studien-, Forschungs- und Demonstrationszwecken. Es handelt sich nicht um ein Finanzwerkzeug, darf nicht als solches verstanden oder verwendet werden und bietet keinerlei finanzielle, steuerliche oder rechtliche Beratung. Jegliche Nutzung erfolgt auf eigene Verantwortung. Der Autor übernimmt keine Haftung für Schäden oder Verluste, die aus der Anwendung des Programms entstehen.

---

Projektbeschreibung

AI Trading Predict ist eine Anwendung zur Vorhersage von Kursen (Aktien, Währungen, Kryptowährungen) auf Basis von Long Short-Term Memory (LSTM)-Netzwerken. Die App lädt historische Daten aus Yahoo Finance (yfinance) oder Stooq und erstellt darauf Prognosen.

Einsatzmöglichkeiten

• Aktienkurse (z. B. AAPL, TSLA)
• Währungspaare (z. B. EURUSD=X, USDJPY=X)
• Kryptowährungen (z. B. BTC-USD, ETH-USD, BTC-ETH)

Die App unterstützt alle Symbole, die in yfinance oder Stooq verfügbar sind.

---

Repository klonen (öffentlich)

Direkt (empfohlen):

# HTTPS
git clone https://github.com/danutmatinca/ai_trading_predict.git
cd ai_trading_predict

# (Alternative) SSH – setzt eingerichteten SSH-Key bei GitHub voraus
git clone git@github.com:danutmatinca/ai_trading_predict.git
cd ai_trading_predict

# (Alternative) GitHub CLI
gh repo clone danutmatinca/ai_trading_predict
cd ai_trading_predict

Fork & Beitrag (optional):

# 1) Auf GitHub "Fork" klicken, dann deinen Fork klonen:
git clone https://github.com/<dein-github-name>/ai_trading_predict.git
cd ai_trading_predict

# 2) Original als upstream eintragen (um Updates zu holen):
git remote add upstream https://github.com/danutmatinca/ai_trading_predict.git
git fetch upstream
git checkout main
git merge upstream/main   # oder: git rebase upstream/main

Hinweis: Das Repo ist öffentlich. Forken/Klonen ist jedem eingeloggten GitHub-Nutzer möglich.
Lizenz: Nicht-kommerziell (siehe weiter unten).

---

Schnellstart

Wenn Python-Umgebung und Abhängigkeiten bereits installiert sind:

streamlit run streamlit_app.py
# Browser: http://localhost:8501

---

Installation und Nutzung

Voraussetzungen

• Python ≥ 3.10 (empfohlen: 3.11)
• Git installiert
• Conda oder venv (empfohlen)

Linux / macOS

# (im Projektordner)
# Conda-Umgebung
conda env create -f environment.yml
conda activate ai_trading_py311

# oder mit venv/pip
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -U pip
pip install -r requirements.txt

Windows (PowerShell)

# (im Projektordner)
# Conda-Umgebung
conda env create -f environment.yml
conda activate ai_trading_py311

# oder mit venv/pip
py -m venv .venv
.venv\Scripts\Activate.ps1
python -m pip install -U pip
pip install -r requirements.txt

Anwendung starten

Training (CLI):

python src/train.py --config configs/default.yaml

Vorhersage (CLI):

python src/predict.py --config configs/default.yaml

Streamlit-App (UI):

streamlit run streamlit_app.py
# Browser: http://localhost:8501

---

Konzept und Technologien

• Backend: Python 3.11, PyTorch (LSTM)
• Frontend: Streamlit für die interaktive Weboberfläche
• Datenquellen: yfinance, Stooq (via pandas-datareader)
• Konfiguration: YAML, Logging, CSV-Export

---

Projektstruktur

ai_trading_predict/
│
├── configs/                # Konfigurationsdateien
│   └── default.yaml
│
├── models/                 # Gespeicherte Modelle (.pth) – Artefakte
│   └── .gitkeep
│
├── outputs/                # Trainings-Logs, Vorhersagen, CSVs – Artefakte
│   └── .gitkeep
│
├── src/
│   ├── data/               # Datenhandling
│   │   └── datasets.py
│   ├── models/             # ML-Modelle
│   │   └── lstm.py
│   ├── utils/              # Hilfsfunktionen
│   │   └── config.py
│   ├── train.py            # Training des Modells
│   └── predict.py          # Vorhersagen
│
├── streamlit_app.py        # Web-App (Streamlit)
├── requirements.txt        # Python-Dependencies
├── environment.yml         # Conda-Umgebung
├── .gitignore
├── LICENSE
└── README.md

---

Funktionen

• Datenimport aus Yahoo Finance & Stooq
• Wahl des Tickers/Intervalls/Spalte
• LSTM-Training (Fenstergröße, Epochen, Batch-Größe einstellbar)
• Prognose zukünftiger Werte
• Visualisierung (Historie + Forecast)
• CSV-Export
• Streamlit-Interface mit Fortschrittsanzeige

---

LSTM – Kurz erklärt

Long Short-Term Memory (LSTM) ist ein spezielles rekurrentes neuronales Netzwerk (RNN) für Zeitreihen. Durch interne Speicher- und Gate-Mechanismen kann ein LSTM sowohl kurzfristige Schwankungen als auch längerfristige Trends erfassen und ist damit gut für Finanzzeitreihen geeignet.

---

Skripte

• src/train.py – Trainiert ein LSTM auf historischen Daten
• src/predict.py – Führt Vorhersagen mit trainiertem Modell aus
• streamlit_app.py – Interaktive Oberfläche für Training & Prognosen
• setup.sh / setup.ps1 – Optionale Setup-Skripte zum Einrichten/Starten

---

Screenshots

Beispiele der Streamlit-Anwendung:

Urheberrecht und Lizenz

© 2025 Danut Matinca. Alle Rechte vorbehalten.

Lizenz: PolyForm Noncommercial 1.0.0 (Volltext siehe LICENSE).
Nicht-kommerzielle Nutzung ist erlaubt; kommerzielle Nutzung ist untersagt, sofern nicht schriftlich genehmigt. SPDX-Identifier: Polyform-Noncommercial-1.0.0.