Skip to content
The Chat Archive
o1-preview-2024-09-12· OpenAI WildChat-4.8M (AI2)

Привет, сделай ИИ который предсказывает курс биткоина на час вперед Развернем все дело…

  1. User

    Привет, сделай ИИ который предсказывает курс биткоина на час вперед Развернем все дело на кагл Данные парсим с yfinance После парса сохраняем в файл что б каждый раз все не загружать а подтягиваем только новое Явно задаем использование GPU/TPU если можем Модель LSTM Среди эпох выбираем с меньшей погрешностью Графиков выводи 3 За последний год сравнение предсказаний с реальностью За неделею Сутки где половина это реальность и прогноз половина только прогноз Выводим предсказание на следующий час Выводим текущее время машины

  2. Assistant

    Привет! Давай создадим модель на основе LSTM для предсказания курса биткоина на час вперед. Мы будем использовать данные из yfinance, сохраним их локально для оптимизации загрузки, и настроим использование GPU/TPU на Kaggle. Также построим необходимые графики и выведем текущее время машины.

    Вот полный код с комментариями:

    # Устанавливаем необходимую библиотеку
    !pip install yfinance --quiet
    
    # Импортируем необходимые библиотеки
    import yfinance as yf
    import pandas as pd
    import numpy as np
    import os
    from datetime import datetime, timedelta
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    from sklearn.preprocessing import MinMaxScaler
    from tensorflow.keras.models import Sequential
    from tensorflow.keras.layers import LSTM, Dense
    from tensorflow.keras.callbacks import EarlyStopping
    
    import tensorflow as tf
    
    # Проверяем возможность использования GPU
    device_name = tf.test.gpu_device_name()
    if device_name != '/device:GPU:0':
        print('GPU не найден, используется CPU.')
    else:
        print('Найден GPU: {}'.format(device_name))
    
    # Шаг 1: Загрузка данных
    # Задаем имя файла для хранения данных
    filename = 'btc_usd_data.csv'
    
    # Проверяем, существует ли файл с данными
    if os.path.exists(filename):
        # Загружаем существующие данные
        data = pd.read_csv(filename, index_col='Date', parse_dates=True)
        # Определяем последний доступный момент времени
        last_date = data.index[-1] + timedelta(minutes=1)
    else:
        # Если файла нет, загружаем данные за последний год
        last_date = datetime.now() - timedelta(days=365)
        data = pd.DataFrame()
    
    # Задаем конечную дату (текущий момент)
    end_date = datetime.now()
    
    # Загружаем новые данные с последней даты до текущего момента
    new_data = yf.download('BTC-USD', start=last_date, end=end_date, interval='1m')
    
    # Если есть новые данные, добавляем их к существующим
    if not new_data.empty:
        new_data = new_data[['Close']]
        new_data.index.name = 'Date'
        data = pd.concat([data, new_data])
        # Удаляем возможные дубликаты
        data = data[~data.index.duplicated(keep='first')]
        # Сохраняем обновленные данные
        data.to_csv(filename)
    
    # Шаг 2: Предобработка данных
    # Выбираем столбец 'Close' для модели
    df = data[['Close']]
    
    # Масштабируем данные в диапазон (0, 1)
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_data = scaler.fit_transform(df)
    
    # Функция для создания последовательностей
    def create_sequences(data, seq_length):
        X = []
        y = []
        for i in range(len(data) - seq_length - 1):
            X.append(data[i:(i + seq_length), 0])
            y.append(data[i + seq_length, 0])
        return np.array(X), np.array(y)
    
    # Определяем длину последовательности (например, 60 минут)
    seq_length = 60
    X, y = create_sequences(scaled_data, seq_length)
    
    # Разделяем данные на обучающий и тестовый наборы
    train_size = int(len(X) * 0.8)
    X_train = X[:train_size]
    y_train = y[:train_size]
    X_test = X[train_size:]
    y_test = y[train_size:]
    
    # Изменяем форму данных для LSTM [samples, time_steps, features]
    X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
    X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
    
    # Шаг 3: Создание и обучение модели LSTM
    # Создаем модель
    model = Sequential()
    model.add(LSTM(50, return_sequences=True, input_shape=(seq_length, 1)))
    model.add(LSTM(50))
    model.add(Dense(1))
    
    # Компилируем модель
    model.compile(optimizer='adam', loss='mean_squared_error')
    
    # Используем EarlyStopping для выбора лучшей эпохи
    early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
    
    # Обучаем модель
    history = model.fit(X_train, y_train, epochs=20, batch_size=64, validation_data=(X_test, y_test), callbacks=[early_stop], verbose=1)
    
    # Шаг 4: Предсказание и визуализация результатов
    # Делаем предсказание на тестовом наборе
    predictions = model.predict(X_test)
    predictions = scaler.inverse_transform(predictions)
    y_test_scaled = scaler.inverse_transform(y_test.reshape(-1, 1))
    
    # Создаем датафрейм с реальными и предсказанными значениями
    df_pred = pd.DataFrame({
        'Actual': y_test_scaled.flatten(),
        'Predicted': predictions.flatten()
    }, index=df.index[-len(y_test):])
    
    # График за последний год
    plt.figure(figsize=(14,5))
    plt.plot(df.index[-len(y_test):], y_test_scaled, label='Реальное значение')
    plt.plot(df.index[-len(y_test):], predictions, label='Предсказание')
    plt.title('Предсказание цены Биткоина за последний год')
    plt.xlabel('Дата')
    plt.ylabel('Цена USD')
    plt.legend()
    plt.show()
    
    # График за последнюю неделю
    df_week = df_pred.last('7D')
    plt.figure(figsize=(14,5))
    plt.plot(df_week.index, df_week['Actual'], label='Реальное значение')
    plt.plot(df_week.index, df_week['Predicted'], label='Предсказание')
    plt.title('Предсказание цены Биткоина за последнюю неделю')
    plt.xlabel('Дата')
    plt.ylabel('Цена USD')
    plt.legend()
    plt.show()
    
    # График за последние сутки (половина реальность, половина прогноз)
    df_day = df_pred.last('1D')
    half = len(df_day) // 2
    plt.figure(figsize=(14,5))
    plt.plot(df_day.index[:half], df_day['Actual'][:half], label='Реальное значение')
    plt.plot(df_day.index[half:], df_day['Predicted'][half:], label='Предсказание')
    plt.title('Предсказание цены Биткоина за последние сутки')
    plt.xlabel('Дата')
    plt.ylabel('Цена USD')
    plt.legend()
    plt.show()
    
    # Шаг 5: Предсказание на следующий час
    # Берем последнюю последовательность данных
    last_sequence = scaled_data[-seq_length:]
    last_sequence = np.reshape(last_sequence, (1, seq_length, 1))
    
    # Делаем предсказание
    next_hour_pred = model.predict(last_sequence)
    next_hour_price = scaler.inverse_transform(next_hour_pred)
    
    print('Предсказание цены Биткоина на следующий час: ${:.2f}'.format(next_hour_price[0][0]))
    
    # Выводим текущее время машины
    current_time = datetime.now()
    print('Текущее время машины:', current_time.strftime('%Y-%m-%d %H:%M:%S'))
    

    Объяснение:

    • Загрузка и обновление данных: Мы проверяем, существует ли локальный файл с данными. Если да, загружаем его и добавляем новые данные за последние минуты. Если нет, загружаем данные за последний год.
    • Предобработка данных: Масштабируем данные для улучшения работы модели и создаем последовательности длительностью 60 минут для обучения модели.
    • Создание и обучение модели: Создаем модель LSTM с двумя слоями и используем раннюю остановку (EarlyStopping), чтобы выбрать лучшую эпоху с наименьшей ошибкой.
    • Визуализация результатов: Строим графики, сравнивающие реальные и предсказанные значения за последний год, неделю и сутки.
    • Предсказание на следующий час: Используем последнюю последовательность данных для предсказания цены на следующий час.
    • Вывод времени: Выводим текущее время машины.

    Примечания:

    • Использование GPU/TPU: Код автоматически использует GPU, если он доступен на Kaggle. Мы проверяем наличие GPU и выводим информацию.
    • Период обновления данных: При каждом запуске кода данные обновляются до текущего момента, сохраняя при этом исторические данные в локальном файле.
    • Валидация модели: Мы используем 20% данных для тестирования модели и оценки ее производительности.

    Важно: Предсказание цен на финансовых рынках является сложной задачей и не может гарантировать точных результатов. Данный код предназначен для образовательных целей и не должен использоваться для принятия инвестиционных решений.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.