Курс биткоина python

✅ ️Нужны деньги? Хочешь заработать? Ищешь возможность?✅ ️

✅ ️Заходи к нам в VIP телеграм канал БЕСПЛАТНО!✅ ️

✅ ️Это твой шанс! Успей вступить пока БЕСПЛАТНО!✅ ️

======================

>>>🔥🔥🔥(Вступить в VIP Telegram канал БЕСПЛАТНО)🔥🔥🔥<<<

======================

✅ ️ ▲ ✅ ▲ ️✅ ▲ ️✅ ▲ ️✅ ▲ ✅ ️

Отслеживаем транзакции Bitcoin при помощи Python, BlockExplorer и Webhose.io

Курс биткоина python

Прогнозирование цены на криптовалюту с помощью Python

Home Прогнозирование цены на криптовалюту с помощью Python. Дата публикации Jan 6, С тех пор, как цена Биткойна начала стремительно расти, на рынке криптовалюты постоянно появлялась ажиотаж. Альтернативные монеты появляются каждый день - некоторые из них - мошенники, а некоторые попадают в топ-лист монет за несколько месяцев. Тема поднимается повсюду, будь то по радио, в Твиттере, на Facebook или за обеденным столом в День Благодарения с дедушкой. Вовлеченные люди обычно питаются спекуляциями, надеясь попасть в неожиданное положение на растущем рынке. В тот момент, когда вы думаете, что шумиха не может быть более серьезной, этот проект является пересечением между криптовалютами и великолепным обучением machene - волшебным словом, которое все технические руководители используют для рекламы своих продуктов. Итак, я надеюсь, что это заставит вас так же раскрутить, как и меня. Этот проект использует историческую цену, коинтеграцию и макроэкономические ковариаты для прогнозирования будущей цены монеты. Давайте копаться в этом. Говоря о классическом анализе временных рядов, мы полагаем, что наблюдаемый временной ряд представляет собой комбинацию модели и некоторых случайных изменений. Используя этот подход, будущие значения прогнозируются на основе его исторических данных. Этот метод хорошо работает в большинстве случаев, но что, если мы смотрим на временные ряды, которые являются более случайными, чем подобные шаблону? Что если временной ряд является чисто умозрительным и в значительной степени основан на текущих событиях, а не на каких-то ритмических компонентах? Вы знаете Так что, если не просто какой-то простой шаблон, что влияет на цены на криптовалюты? Проблемы с законом? Общественное мнение? Требование поставки? Популярность биткойнов? Какой-то богатый человек решил купить миллион монет прошлой ночью? Хорошо, достаточно спекуляций на спекуляциях хаха. Я перестану говорить и покажу вам данные. Технология Blockchain - это децентрализованная система баз данных, которая впервые была реализована Bitcoin. Созданный загадочным человеком или группой , Blockchain имеет очень высокую склонность трансформировать современные модели бизнес-операций. По мере того как Биткойн набирает обороты, люди продолжают придумывать альтернативные монеты, которые также основаны на технологии Блокчейн. Так что Биткойн является матерью всех криптовалют, потому что они первыми придумали классную технологию. Вот почему я думаю, что имеет смысл, что, когда Биткойн пикирует, любая другая монета пикает. Когда это падает, каждая другая монета падает. На следующем графике показаны масштабированные скользящие средние биткойнов зеленый и эфириума синий. Как видите, претензия выглядит довольно точно. Но мы не собираемся спешить с выводами без статистических методов. Позже мы поговорим о том, как определить «объединенную пару» с помощью теста причинности Грейнджер. Помните, когда Китай запретил шифрование еще в сентябре? Цена быстро упала, и все было в хаосе. В попытке запечатлеть важные события, подобные этому, данные частоты поиска в Новостях Google получены из API Pytrends , На приведенном ниже графике показаны всплески частоты поиска слова «криптовалюта» красный при падении цен на криптовалюту. Интересное право? Условия поиска, используемые в этом проекте, выбираются с помощью инструмента подсказки ключевых слов Google. Инструмент не только позволяет узнать, насколько популярен поисковый запрос, но также предлагает список связанных ключевых слов. Используя предоставленный список и API Pytrend, можно получить данные о частоте поиска по семи различным ключевым словам. Я подробнее остановлюсь на этих терминах в следующем разделе. Чем больше бай-инов, тем больше спрос и, следовательно, выше цена. Получение этих данных немного болезненно. Платное API Twitter - это все, что мне нужно, но я студент, поэтому я предпочел бы сэкономить деньги на продукты. Вместо этого сайт redditmetrics. Так что веб-соскоб это!!! На графике ниже сравнивается рост подписки Nem subreddit оранжевый с исторической ценой Nem синий. Как и ожидалось, рост подписки и цены держатся вместе на максимумах и минимумах. Как мило. Я хочу, чтобы кто-то любил меня так, как цена любит рост подписки. Я надеюсь, что эти визуальные эффекты вам интересны. Это просто для того, чтобы вы начали знакомство с предметной областью и познакомили вас с проблемой, которую мы пытаемся решить. Если вступление не поцарапало ваш зуд, пожалуйста, ознакомьтесь с полным EDA, доступным на моем GitHub Вот , Далее я собираюсь перейти непосредственно к статистическим методам, используемым для построения модели, которая предсказывает будущую цену монеты. В этом разделе мы собираемся углубиться в методологию. Это будет просто краткое изложение каждого шага Если вы хотите углубиться в код, пожалуйста, обратитесь к моему репозиторию GitHub Вот , Он будет техническим, и я буду стараться изо всех сил, чтобы его было легко переварить. Но если вы не заинтересованы в технических вещах, не стесняйтесь перейти прямо к разделу TLDR. Всего за три месяца получены исторические цены 12 лучших монет Cryptocompare API. Но прежде чем мы сможем что-то сделать с временным рядом, мы должны убедиться, что временной ряд является стационарным. Чтобы соответствовать стационарным требованиям, временные ряды должны иметь постоянное среднее значение, постоянную дисперсию и постоянную автокорреляцию. Похоже, много просить, не так ли? В действительности ни один временной ряд не является абсолютно стационарным. Но не волнуйтесь, мои друзья, Дики и Фуллер вернулись! Дополненный тест Дики-Фуллера стационарных. Это статистический тест, который позволяет проверить, соответствуют ли ожидания стационарности. Это тест единичного корня, который определяет, насколько сильно временной ряд определяется трендом. Тест использует авторегрессионную модель и оптимизирует информационный критерий для различных значений запаздывания. Нулевая гипотеза состоит в том, что временной ряд может быть представлен единичным корнем это означает, что он не является стационарным. Какой-то статистик придумал магический порог 0,05, и многие согласились с этим числом. Поэтому, если ваше значение p меньше 0,05, вы можете отклонить нулевую гипотезу. Но опять же, результат должен быть интерпретирован для данной проблемы, чтобы быть значимым. Оказалось, что, принимая порог в 0,05, исторические цены всех 12 монет не проходят стационарный тест сюрприз! В этом случае мы должны будем стационарно разместить временные ряды и повторно протестировать их. Это популярный метод, используемый для стационарной обработки временных рядов. Может использоваться для удаления тенденций и сезонности. Взятие разницы последовательных наблюдений лаг 1 используется для этого проекта. Если временной ряд имеет сезонную составляющую, значение задержки должно быть периодом сезонности. В нашем случае нет явной сезонной составляющей. График ниже показывает, как среднечасовые значения Ethereum относительно постоянны в течение 24 часов дня. Дисперсия варьируется, но очевидного паттерна нет. После того, как мы выполнили разницу лаг-1 по временным рядам, все двенадцать временных рядов прошли стационарный тест Дики-Фуллера! Тест причинности Грейнджер. Это статистическая проверка гипотез для определения того, полезен ли один временной ряд для прогнозирования другого. Временной ряд A «Грейнджер-причина» временной ряд B, если запаздывающие значения A предоставили статистически значимую информацию о будущих значениях B. В этом проекте мы используем этот тест, чтобы идентифицировать объединенную пару - пару криптовалют, в которой один значения запаздывания монеты могут использоваться, чтобы предсказать будущие значения другой монеты. Теперь, когда исторические данные о ценах всех двенадцати монет являются стационарными, мы построили в общей сложности кадра данных, каждый из которых представляет собой пару перестановок не путать с комбинационной парой исторических цен двенадцати монет. Да, это действительно сбивает с толку. Это только для того, чтобы подготовить наши данные для теста причинности StatsModels Granger. Нулевая гипотеза теста состоит в том, что временной ряд во 2-м столбце не соответствует Грейнджер-причиной временного ряда в 1-м столбце. Вот почему нам нужны пары перестановок, а не пары комбинаций! Тем не менее, при дальнейших исследованиях выясняется, что сильная корреляция связана с ростом корейских торгов. Поскольку это не нормальное условие, мы вместо этого выбираем XEM и IOT Nem и Iota в качестве нашей коинтегрированной пары, поскольку она имеет самую сильную корреляцию при нормальных условиях. Для целей данного проекта историческая цена IOT будет использоваться в качестве одного из предикторов будущей цены XEM. Регуляризация ElasticNet. Как вы уже могли заметить, запрашиваемые данные в некоторой степени связаны. Например, частота поиска в Google фраз «цена биткойна» и «криптовалюта» может содержать очень похожую информацию. Создание модели с использованием подобных функций создает избыточность, и это плохо! Подобно тому, как люди становятся эмоционально нестабильными раздраженными из-за избыточности, машины сходят с ума и становятся нестабильными из-за мультиколлинеарности! Слава Богу, ElasticNet это вещь. Он «сжимает» избыточные коэффициенты предикторов до нуля и, таким образом, становится отраслевым стандартным способом выбора функций. Используя результат ElasticNet, должны быть выбраны объекты с ненулевыми коэффициентами. В этом проекте ElasticNet выполняется по 13 прогнозируемым переменным, полученным выше, а историческая цена XEM является зависимой переменной. После запуска алгоритма у нас осталось три предиктора с ненулевыми коэффициентами. Эти функции будут использованы для построения окончательной модели. Независимо от результата ElasticNet, я также пытался построить модель, используя все 13 предикторов, а затем сравнил результат с моделью, построенной с использованием трех выбранных функций. Тем не менее, я все еще работаю с моделью трех функций, потому что я из Лос-Анджелеса, и они всегда говорят: «Чем стройнее, тем лучше». В этом случае здесь будут использоваться три предварительно выбранные переменные предиктора. Предварительная обработка данных. Полученные данные уже стандартизированы до ElasticNet, поэтому все, что нам нужно сделать, это выполнить дифференцирование и затем убедиться, что оно проходит тест Дики-Фуллера. После этого данные очищаются и разбиваются на тестовые и обучающие наборы. Теперь, когда наши данные готовы, нам нужно 1 определить, является ли временной ряд процессом AR или MA, и 2 определить, какой порядок процесса AR или MA нам нужно использовать в модели. На первый вопрос можно ответить с помощью ACF. Для серии AR корреляция постепенно снижается без предельного значения. ACF также можно использовать для определения порядка запаздывания в серии MA - это значение отсечки. При использовании экзогенных переменных AR 1 и 3 приведенный ниже график представляет собой приведенное значение по сравнению с фактическим значением. Используя подобранную модель, получается прогноз цены XEM. Приведенный ниже график представляет собой прогнозирование XEM с опережением выборки. Как и ожидалось, модель работает лучше в начале. Это связано с тем, что ошибки прогнозирования продолжают увеличиваться по мере увеличения времени. Примерно через шагов модель не работает. Среднеквадратическая ошибка для шагов 1— составляет 0,, а среднеквадратичная ошибка для шагов — - 0, Историческая цена Йоты в сочетании с другими макроэкономическими ковариатами, такими как частота поиска в Google по слову «Nem price» и «Nem» с субдитами по росту подписки, использовалась для построения модели ARIMAX для прогнозирования цены Nem. Все, что за этим, в значительной степени является мусором. Этот проект - мой самый первый проект по науке о данных, и есть много возможностей для улучшений. Получение платных данных Twitter или использование другой модели машинного обучения может значительно улучшить производительность. В этот момент я мог бы также придумать алгоритм торгового сигнала и использовать его для автоматизации торговли. Но пока этот проект продолжит служить частью портфолио. И да, я разочарован тем, что к концу этого проекта я не разбогател на криптовалюте. Вернуться к плачу сейчас. Надеюсь, вам понравилась эта статья так же, как мне понравилось работать над ней! Оставьте свои комментарии и дайте мне знать, что вы думаете. Оригинальная статья. Фреймворки и библиотеки большая подборка ссылок для разных языков программирования Список бесплатных книг по машинному обучению, доступных для скачивания. Список блогов и информационных бюллетеней по науке о данных и машинному обучению Список в основном бесплатных курсов машинного обучения, доступных в Интернете.

Индекс рентабельности доходности инвестиций это