Skip to content
The Chat Archive
claude-sonnet-4-20250514· Anthropic LMArena Human Preference 140K

اشتغل ع نموذج lstm للتنبؤ باسعتو العملات الرقميه

  1. User

    اشتغل ع نموذج lstm للتنبؤ باسعتو العملات الرقميه

  2. Assistant

    يمكنني مساعدتك في بناء نموذج LSTM للتنبؤ بأسعار العملات الرقمية. إليك دليل شامل:

    إعداد البيانات والمكتبات

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from sklearn.preprocessing import MinMaxScaler
    from sklearn.metrics import mean_squared_error, mean_absolute_error
    from tensorflow.keras.models import Sequential
    from tensorflow.keras.layers import LSTM, Dense, Dropout
    from tensorflow.keras.optimizers import Adam
    import yfinance as yf
    
    # تحميل بيانات العملة الرقمية (مثال: البيتكوين)
    def load_crypto_data(symbol, period="2y"):
        ticker = yf.Ticker(symbol)
        data = ticker.history(period=period)
        return data['Close'].values.reshape(-1, 1)
    
    # تحضير البيانات للتسلسل الزمني
    def create_sequences(data, seq_length):
        X, y = [], []
        for i in range(len(data) - seq_length):
            X.append(data[i:(i + seq_length)])
            y.append(data[i + seq_length])
        return np.array(X), np.array(y)
    

    معالجة البيانات

    # تحميل بيانات البيتكوين
    crypto_data = load_crypto_data("BTC-USD")
    
    # تطبيع البيانات
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_data = scaler.fit_transform(crypto_data)
    
    # تقسيم البيانات
    train_size = int(len(scaled_data) * 0.8)
    train_data = scaled_data[:train_size]
    test_data = scaled_data[train_size:]
    
    # إنشاء التسلسلات
    seq_length = 60  # استخدام 60 يوم للتنبؤ باليوم التالي
    X_train, y_train = create_sequences(train_data, seq_length)
    X_test, y_test = create_sequences(test_data, seq_length)
    
    print(f"شكل بيانات التدريب: {X_train.shape}")
    print(f"شكل بيانات الاختبار: {X_test.shape}")
    

    بناء نموذج LSTM

    def build_lstm_model(input_shape):
        model = Sequential([
            LSTM(50, return_sequences=True, input_shape=input_shape),
            Dropout(0.2),
            
            LSTM(50, return_sequences=True),
            Dropout(0.2),
            
            LSTM(50, return_sequences=False),
            Dropout(0.2),
            
            Dense(25),
            Dense(1)
        ])
        
        model.compile(
            optimizer=Adam(learning_rate=0.001),
            loss='mean_squared_error',
            metrics=['mae']
        )
        
        return model
    
    # بناء النموذج
    model = build_lstm_model((seq_length, 1))
    model.summary()
    

    تدريب النموذج

    # تدريب النموذج
    history = model.fit(
        X_train, y_train,
        batch_size=32,
        epochs=50,
        validation_data=(X_test, y_test),
        verbose=1,
        shuffle=False
    )
    
    # رسم منحنيات التدريب
    plt.figure(figsize=(12, 4))
    
    plt.subplot(1, 2, 1)
    plt.plot(history.history['loss'], label='Training Loss')
    plt.plot(history.history['val_loss'], label='Validation Loss')
    plt.title('Model Loss')
    plt.xlabel('Epoch')
    plt.ylabel('Loss')
    plt.legend()
    
    plt.subplot(1, 2, 2)
    plt.plot(history.history['mae'], label='Training MAE')
    plt.plot(history.history['val_mae'], label='Validation MAE')
    plt.title('Model MAE')
    plt.xlabel('Epoch')
    plt.ylabel('MAE')
    plt.legend()
    
    plt.tight_layout()
    plt.show()
    

    التنبؤ والتقييم

    # التنبؤ
    train_predictions = model.predict(X_train)
    test_predictions = model.predict(X_test)
    
    # إعادة تحويل البيانات للمقياس الأصلي
    train_predictions = scaler.inverse_transform(train_predictions)
    test_predictions = scaler.inverse_transform(test_predictions)
    y_train_actual = scaler.inverse_transform(y_train)
    y_test_actual = scaler.inverse_transform(y_test)
    
    # حساب المقاييس
    train_rmse = np.sqrt(mean_squared_error(y_train_actual, train_predictions))
    test_rmse = np.sqrt(mean_squared_error(y_test_actual, test_predictions))
    train_mae = mean_absolute_error(y_train_actual, train_predictions)
    test_mae = mean_absolute_error(y_test_actual, test_predictions)
    
    print(f"Training RMSE: {train_rmse:.2f}")
    print(f"Test RMSE: {test_rmse:.2f}")
    print(f"Training MAE: {train_mae:.2f}")
    print(f"Test MAE: {test_mae:.2f}")
    

    رسم النتائج

    # رسم النتائج
    plt.figure(figsize=(15, 8))
    
    # رسم البيانات الكاملة
    train_plot = np.empty_like(scaled_data)
    train_plot[:] = np.nan
    train_plot[seq_length:len(train_predictions)+seq_length] = train_predictions.flatten()
    
    test_plot = np.empty_like(scaled_data)
    test_plot[:] = np.nan
    test_plot[len(train_predictions)+(seq_length*2):len(scaled_data)] = test_predictions.flatten()
    
    plt.plot(scaler.inverse_transform(scaled_data), label='Actual Price', alpha=0.7)
    plt.plot(train_plot, label='Training Predictions', alpha=0.8)
    plt.plot(test_plot, label='Test Predictions', alpha=0.8)
    plt.title('Bitcoin Price Prediction using LSTM')
    plt.xlabel('Time')
    plt.ylabel('Price (USD)')
    plt.legend()
    plt.show()
    

    تحسينات إضافية

    # إضافة مؤشرات فنية كمدخلات إضافية
    def add_technical_indicators(data):
        df = pd.DataFrame(data, columns=['Close'])
        
        # المتوسط المتحرك
        df['MA_7'] = df['Close'].rolling(window=7).mean()
        df['MA_21'] = df['Close'].rolling(window=21).mean()
        
        # RSI
        delta = df['Close'].diff()
        gain = (delta.where(delta > 0, 0)).rolling(window=14).mean()
        loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
        rs = gain / loss
        df['RSI'] = 100 - (100 / (1 + rs))
        
        # إزالة القيم المفقودة
        df = df.dropna()
        
        return df.values
    
    # نموذج محسن مع مؤشرات فنية
    def build_enhanced_lstm_model(input_shape):
        model = Sequential([
            LSTM(100, return_sequences=True, input_shape=input_shape),
            Dropout(0.3),
            
            LSTM(100, return_sequences=True),
            Dropout(0.3),
            
            LSTM(50, return_sequences=False),
            Dropout(0.3),
            
            Dense(50, activation='relu'),
            Dropout(0.2),
            Dense(25, activation='relu'),
            Dense(1)
        ])
        
        model.compile(
            optimizer=Adam(learning_rate=0.001),
            loss='huber',  # أقل حساسية للقيم الشاذة
            metrics=['mae']
        )
        
        return model
    

    نصائح مهمة:

    1. جودة البيانات: تأكد من نظافة البيانات وعدم وجود قيم مفقودة
    2. طول التسلسل: جرب قيم مختلفة لـ seq_length (30, 60, 90 يوم)
    3. التطبيع: استخدم MinMaxScaler أو StandardScaler
    4. التحقق من الإفراط في التدريب: راقب validation loss
    5. المؤشرات الفنية: أضف مؤشرات مثل RSI، MACD، Bollinger Bands

    هل تريد التركيز على جانب معين من النموذج أو تحتاج مساعدة في تطبيق جزء محدد؟

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