Привет, сделай ИИ который предсказывает курс биткоина на час вперед Развернем все дело…
- 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
- 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.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.