这是一个围绕「三角洲行动」游戏内子弹物价的端到端分析系统。系统能够从 API 抓取与清洗价格时间序列，构建带外生变量的数据集，训练 TimeXer 预测模型，并提供 Web 服务展示趋势/预测，最终生成"倒卖计划"（买卖时机 + 仓位分配）。
- 持续采集与归一化：将分散、格式不一的子弹价格数据统一汇总为按小时对齐的时间序列 CSV。
- 可解释的预测与决策辅助：利用 TimeXer（支持外生变量）预测未来 7 天（168 小时）价格，并基于预测序列自动提取可执行的买卖区间。
- 可交付的可视化与接口：提供 Web 页面查看历史曲线、预测曲线与"倒卖计划"，并通过 HTTP API 供外部调用。
- 模型评估与版本管理：完整的实验管理工具链（指标收集、模型对比、外生变量贡献分析、最优模型筛选与微调）。
项目由三条主链路组成：数据更新链路、离线训练链路、在线服务链路。
┌────────────────────────────┐
│ 远端 API / 公告 / 外部信息 │
└──────────────┬─────────────┘
│
(抓取/解析/清洗)
│
┌──────────────────────────▼──────────────────────────────┐
│ 数据层：Datasets/ │
│ - Datasets/{子弹名}.csv（小时级单子弹 CSV） │
│ - Datasets with Exogenous/{口径}.csv（多变量+外生变量） │
│ - Exogenous/（节假日/赛季/品枪活动/公告预测等配置） │
│ - bullets information.csv（子弹元信息表） │
└──────────────┬──────────────────────────┬───────────────┘
│ │
(离线训练) (在线推理服务读取)
│ │
┌──────────────▼──────────────┐ ┌──────▼──────────────────────┐
│ TimeXer（PyTorch） │ │ Python 推理 Worker │
│ - run.py 训练/测试入口 │ │ - 加载 19 个口径 checkpoints │
│ - 数据预处理 → 训练 → 评估 │ │ - 构造多变量+外生变量输入 │
│ - 工具链：指标/对比/可视化等 │ │ - 输出 predPoints（168 小时） │
└──────────────┬──────────────┘ └──────┬──────────────────────┘
│ │ JSONL stdin/stdout
│ │
│ ┌─────▼──────────────────────────┐
│ │ Node.js (Express) Web 后端 │
│ │ - API：series/forecast/tradeplan │
│ │ - 静态页服务（Chart.js） │
│ └─────┬──────────────────────────┘
│ │
│ ┌─────▼───────────┐
└───────────────────►│ 浏览器前端页面 │
└─────────────────┘
-
web/：在线服务与页面server.js：Express 后端入口，负责 API 路由及管理 Python 推理子进程。dataParser.js：CSV 流式解析器，从Datasets/Datasets/读取价格数据。tradePlan.js：倒卖计划核心逻辑（DP 提取买卖区间 + 置信度映射 + 仓位分配）。technicalIndicators.js：技术指标计算模块（SMA/EMA/BOLL/RSI/MACD/KDJ，当前预留）。timexer_worker.py：Python 推理 Worker，加载 TimeXer 模型，通过 JSONL（stdin/stdout）与 Node 通信。public/：前端静态资源（index.html、trade-plan.html、CSS 主题体系）。docs/trade-plan-algo.md：倒卖计划算法详细说明文档。
-
TimeXer/：模型训练、评估与实验管理- 基于 TimeXer 官方实现，当前已训练 19 个口径模型（V17/V18，pred_len=168）。
run.py：训练/测试入口（支持 CLI +.env参数覆盖）。data_preprocess_all.py：外生变量合并与数据集构建。collect_metrics.py：汇总各实验指标。compare_metrics.py：新旧模型对比。exog_contrib.py：外生变量贡献度分析（逐一遮蔽法）。visualize_results.py：预测 vs 真实值可视化。tools/：实验管理工具集（模型备份、最优筛选、微调命令生成、指标重算/审计）。
-
Datasets/：数据与更新脚本update_and_process_ammo_data.py：核心数据更新脚本（API 抓取 → 合并历史 → 小时对齐 → 外生变量构建）。Datasets/：合并对齐后的单子弹小时级 CSV。Datasets with Exogenous/：带 7 列外生变量的品类级 CSV。Exogenous/：节假日、赛季、品枪活动、公告预测等外生变量配置文件。Exogenous/DSapi/：DeepSeek 公告趋势分析子模块（OCR + LLM）。
- Node.js：用于运行 Web 后端。
- Python 3.9+：用于数据处理与模型推理。
- PyTorch：如果需要 GPU 加速推理，请安装对应的 CUDA 版本。
Python 依赖：
pip install -r requirements.txtWeb 依赖：
npm run install:web在项目根目录创建 .env 文件，并配置以下密钥（请替换为实际 Key）：
DF_API_KEY=your_delta_force_api_key
DEEPSEEK_API_KEY=your_deepseek_api_key常用可选环境变量（均有默认值，可按需覆盖）：
| 变量 | 默认值 | 说明 |
|---|---|---|
PORT |
3000 |
Web 服务端口 |
PYTHON |
python |
Python 解释器路径 |
BULLET_DATA_DIR |
../Datasets/Datasets |
单子弹 CSV 目录 |
SLOTS_TOTAL |
1100 |
倒卖计划总仓位 |
SELL_FEE_RATE |
0.15 |
卖出手续费率 |
PLAN_STRATEGY |
aggressive |
策略档位 |
启动 Web 服务：
# 开发模式（nodemon 热重载）
npm run dev
# 生产模式
npm run start服务默认运行在 http://localhost:3000。
更新数据： 运行以下脚本抓取最新数据并生成模型所需的输入文件：
python Datasets/update_and_process_ammo_data.py运行自检：
npm --prefix web run selftest:trade-plan从 API 拉取近 30 天数据，合并历史记录，进行小时级对齐与线性插值补齐，最后结合节假日、赛季、品枪活动、公告预测等信息生成带 7 列外生变量的品类级 CSV 文件。
Web 后端通过 timexer_worker.py JSONL 子进程协议调用训练好的 TimeXer 模型，实时输出未来 168 小时（7天）的价格预测。当前覆盖 19 种子弹口径。
基于预测曲线，使用两状态动态规划提取最佳买卖区间，并结合模型误差（MAPE）计算置信度，自动生成买入/卖出建议与仓位分配（最大余数法）。支持 aggressive/balanced/conservative 三档策略。
TimeXer/tools/ 提供完整的实验管理工具链：训练命令生成、模型备份/筛选、最优模型自动替换、外生变量贡献度分析、指标重算与审计。
本项目基于 MIT License 开源。