мне нужна система которая будет выдавать прогнозы на рост падение криптовалют с анализом…
- User
мне нужна система которая будет выдавать прогнозы на рост падение криптовалют с анализом ее перформанса на истории
Assistant
Я могу рассказать о принципах построения системы прогнозирования движения цен криптовалют на основе исторических данных.
Такая система обычно включает:
- Сбор исторических данных (цены, объемы торгов, рыночная капитализация)
- Технический анализ (индикаторы вроде RSI, MACD, Bollinger Bands)
- Анализ тенденций (распознавание паттернов графиков)
- Алгоритмы машинного обучения для выявления закономерностей
- Бэктестинг на исторических данных для проверки эффективности
Важно понимать, что даже самые продвинутые системы не дают 100% точности из-за волатильности рынка криптовалют и множества внешних факторов.
Хотите узнать подробнее о каком-то конкретном аспекте такой системы?
- User
давай начнем с создания простейшей системы на питоне чтоб я мог запустить ее в ячейке гугл колаб а потом будем ее расширять и усложнять
Assistant
# Установка необходимых библиотек !pip install yfinance pandas numpy matplotlib scikit-learn ta # Импорт библиотек import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score from ta.momentum import RSIIndicator from ta.trend import SMAIndicator # Получение исторических данных def get_crypto_data(symbol, period='1y'): ticker = yf.Ticker(f"{symbol}-USD") data = ticker.history(period=period) return data # Добавление технических индикаторов def add_indicators(df): # Добавляем 7-дневную и 21-дневную скользящие средние sma7 = SMAIndicator(close=df['Close'], window=7) sma21 = SMAIndicator(close=df['Close'], window=21) df['SMA7'] = sma7.sma_indicator() df['SMA21'] = sma21.sma_indicator() # Добавляем RSI rsi = RSIIndicator(close=df['Close'], window=14) df['RSI'] = rsi.rsi() # Добавляем целевую переменную (цена на следующий день) df['Target'] = df['Close'].shift(-1) return df # Подготовка данных для модели def prepare_data(df): # Удаляем строки с NaN df = df.dropna() # Признаки и целевая переменная features = ['Close', 'Volume', 'SMA7', 'SMA21', 'RSI'] X = df[features] y = df['Target'] # Разделение на обучающую и тестовую выборки X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) return X_train, X_test, y_train, y_test, features # Обучение модели и получение прогноза def train_and_predict(X_train, X_test, y_train, y_test): # Обучение линейной регрессии model = LinearRegression() model.fit(X_train, y_train) # Прогноз y_pred = model.predict(X_test) # Оценка модели mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) return model, y_pred, mse, r2 # Визуализация результатов def visualize_results(df, y_test, y_pred): plt.figure(figsize=(12, 6)) # График цен plt.subplot(2, 1, 1) plt.plot(df['Close'][-100:], label='Фактическая цена') plt.title('Исторические цены и прогноз') plt.legend() # График прогноза plt.subplot(2, 1, 2) plt.scatter(y_test.values, y_pred, alpha=0.5) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'k--') plt.xlabel('Фактические значения') plt.ylabel('Прогнозируемые значения') plt.title('Сравнение прогноза с фактическими данными') plt.tight_layout() plt.show() # Основная функция def main(symbol='BTC'): print(f"Анализ {symbol}...") # Получение данных df = get_crypto_data(symbol) print(f"Загружено {len(df)} дней исторических данных") # Добавление индикаторов df = add_indicators(df) # Подготовка данных X_train, X_test, y_train, y_test, features = prepare_data(df) # Обучение и прогноз model, y_pred, mse, r2 = train_and_predict(X_train, X_test, y_train, y_test) # Вывод результатов print("\nРезультаты модели:") print(f"Среднеквадратичная ошибка: {mse:.2f}") print(f"R² коэффициент: {r2:.2f}") # Важность признаков importance = pd.DataFrame({ 'Признак': features, 'Важность': model.coef_ }).sort_values('Важность', ascending=False) print("\nВажность признаков:") print(importance) # Прогноз на следующий день last_data = df[features].iloc[-1].values.reshape(1, -1) next_day_pred = model.predict(last_data)[0] current_price = df['Close'].iloc[-1] change = ((next_day_pred - current_price) / current_price) * 100 print(f"\nТекущая цена {symbol}: ${current_price:.2f}") print(f"Прогноз на следующий день: ${next_day_pred:.2f} ({change:.2f}%)") if change > 0: print(f"Рекомендация: Ожидается РОСТ {symbol}") else: print(f"Рекомендация: Ожидается ПАДЕНИЕ {symbol}") # Визуализация visualize_results(df, y_test, y_pred) # Запуск анализа для Bitcoin main('BTC')Хотите, чтобы я объяснил или разбил этот код?
- User
если честно то я не увидел преобразование данных для того чтоб модели было легче их переварить
Assistant
Вы правы, в коде отсутствуют важные преобразования данных, которые помогли бы модели лучше работать. Добавлю более продвинутую предобработку:
# Установка необходимых библиотек !pip install yfinance pandas numpy matplotlib scikit-learn ta # Импорт библиотек import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import mean_squared_error, r2_score from ta.momentum import RSIIndicator, StochasticOscillator from ta.trend import SMAIndicator, MACD from ta.volatility import BollingerBands # Получение исторических данных def get_crypto_data(symbol, period='1y'): ticker = yf.Ticker(f"{symbol}-USD") data = ticker.history(period=period) return data # Добавление технических индикаторов и преобразование данных def add_features(df): # 1. Логарифмические доходности df['log_return'] = np.log(df['Close'] / df['Close'].shift(1)) # 2. Процентное изменение цены df['pct_change'] = df['Close'].pct_change() # 3. Волатильность (скользящее стандартное отклонение) df['volatility_7d'] = df['log_return'].rolling(window=7).std() df['volatility_30d'] = df['log_return'].rolling(window=30).std() # 4. Технические индикаторы # SMA sma7 = SMAIndicator(close=df['Close'], window=7) sma21 = SMAIndicator(close=df['Close'], window=21) sma50 = SMAIndicator(close=df['Close'], window=50) df['SMA7'] = sma7.sma_indicator() df['SMA21'] = sma21.sma_indicator() df['SMA50'] = sma50.sma_indicator() # Дистанция от SMA (нормализованная) df['dist_SMA7'] = (df['Close'] - df['SMA7']) / df['SMA7'] df['dist_SMA21'] = (df['Close'] - df['SMA21']) / df['SMA21'] df['dist_SMA50'] = (df['Close'] - df['SMA50']) / df['SMA50'] # RSI rsi = RSIIndicator(close=df['Close']) df['RSI'] = rsi.rsi() # MACD macd = MACD(close=df['Close']) df['MACD'] = macd.macd() df['MACD_signal'] = macd.macd_signal() df['MACD_diff'] = macd.macd_diff() # Bollinger Bands bb = BollingerBands(close=df['Close']) df['BB_high'] = bb.bollinger_hband() df['BB_low'] = bb.bollinger_lband() df['BB_pct'] = bb.bollinger_pband() # Позиция цены в % между верхней и нижней полосами # Стохастический осциллятор stoch = StochasticOscillator(high=df['High'], low=df['Low'], close=df['Close']) df['Stoch_k'] = stoch.stoch() df['Stoch_d'] = stoch.stoch_signal() # 5. Объем торгов (нормализованный) df['volume_norm'] = df['Volume'] / df['Volume'].rolling(window=30).mean() # 6. Дневные паттерны df['day_of_week'] = pd.to_datetime(df.index).dayofweek # 7. Отношение High/Low (волатильность внутри дня) df['high_low_ratio'] = df['High'] / df['Low'] # 8. Целевая переменная: логарифмическая доходность на следующий день df['target_log_return'] = df['log_return'].shift(-1) # 9. Дополнительная целевая переменная: направление движения цены (1: рост, 0: падение) df['target_direction'] = (df['target_log_return'] > 0).astype(int) return df # Подготовка данных для модели def prepare_data(df): # Удаляем строки с NaN df = df.dropna() # Выбор признаков для модели features = ['log_return', 'pct_change', 'volatility_7d', 'volatility_30d', 'SMA7', 'SMA21', 'SMA50', 'dist_SMA7', 'dist_SMA21', 'dist_SMA50', 'RSI', 'MACD', 'MACD_signal', 'MACD_diff', 'BB_high', 'BB_low', 'BB_pct', 'Stoch_k', 'Stoch_d', 'volume_norm', 'day_of_week', 'high_low_ratio'] X = df[features] y_return = df['target_log_return'] y_direction = df['target_direction'] # Нормализация признаков scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_scaled = pd.DataFrame(X_scaled, columns=features, index=X.index) # Разделение на обучающую и тестовую выборки X_train, X_test, y_return_train, y_return_test = train_test_split( X_scaled, y_return, test_size=0.2, shuffle=False) _, _, y_dir_train, y_dir_test = train_test_split( X_scaled, y_direction, test_size=0.2, shuffle=False) return X_train, X_test, y_return_train, y_return_test, y_dir_train, y_dir_test, features, scaler # Обучение модели и получение прогноза def train_and_predict(X_train, X_test, y_train, y_test): # Обучение линейной регрессии model = LinearRegression() model.fit(X_train, y_train) # Прогноз y_pred = model.predict(X_test) # Оценка модели mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) return model, y_pred, mse, r2 # Визуализация результатов def visualize_results(df, y_test, y_pred): plt.figure(figsize=(14, 10)) # График цен plt.subplot(3, 1, 1) plt.plot(df['Close'][-100:], label='Фактическая цена') plt.title('Исторические цены') plt.legend() # График доходностей plt.subplot(3, 1, 2) plt.plot(y_test.index, y_test.values, label='Фактическая доходность', alpha=0.7) plt.plot(y_test.index, y_pred, label='Прогнозируемая доходность', alpha=0.7) plt.title('Сравнение фактической и прогнозируемой доходности') plt.legend() # Диаграмма рассеяния прогноза plt.subplot(3, 1, 3) plt.scatter(y_test.values, y_pred, alpha=0.5) plt.axhline(y=0, color='r', linestyle='-', alpha=0.3) plt.axvline(x=0, color='r', linestyle='-', alpha=0.3) plt.xlabel('Фактическая доходность') plt.ylabel('Прогнозируемая доходность') plt.title('Соотношение прогнозов и фактических значений') plt.tight_layout() plt.show() # Основная функция def main(symbol='BTC'): print(f"Анализ {symbol}...") # Получение данных df = get_crypto_data(symbol) print(f"Загружено {len(df)} дней исторических данных") # Добавление признаков и преобразование данных df = add_features(df) # Подготовка данных X_train, X_test, y_return_train, y_return_test, y_dir_train, y_dir_test, features, scaler = prepare_data(df) # Обучение и прогноз для доходности model_return, y_pred_return, mse, r2 = train_and_predict(X_train, X_test, y_return_train, y_return_test) # Вывод результатов print("\nРезультаты модели доходности:") print(f"Среднеквадратичная ошибка: {mse:.6f}") print(f"R² коэффициент: {r2:.6f}") # Важность признаков importance = pd.DataFrame({ 'Признак': features, 'Важность': model_return.coef_ }).sort_values('Важность', ascending=False) print("\nТоп-10 важных признаков:") print(importance.head(10)) # Прогноз на следующий день # Получаем последние данные last_row = df[features].iloc[-1].values.reshape(1, -1) last_row_scaled = scaler.transform(last_row) # Прогноз доходности next_return_pred = model_return.predict(last_row_scaled)[0] # Преобразуем в прогноз цены current_price = df['Close'].iloc[-1] next_day_price = current_price * np.exp(next_return_pred) change_pct = (next_day_price - current_price) / current_price * 100 print(f"\nТекущая цена {symbol}: ${current_price:.2f}") print(f"Прогноз доходности: {next_return_pred:.4f}") print(f"Прогноз цены на следующий день: ${next_day_price:.2f} ({change_pct:.2f}%)") if change_pct > 0: print(f"Рекомендация: Ожидается РОСТ {symbol}") else: print(f"Рекомендация: Ожидается ПАДЕНИЕ {symbol}") # Визуализация visualize_results(df, y_return_test, y_pred_return) # Запуск анализа для Bitcoin main('BTC')Теперь я добавил следующие преобразования данных:
- Логарифмические доходности вместо абсолютных цен (более стационарный временной ряд)
- Стандартизацию данных с помощью StandardScaler
- Расчет показателей волатильности (7- и 30-дневная)
- Нормализованные расстояния от скользящих средних
- Дополнительные технические индикаторы (MACD, Bollinger Bands, Stochastic)
- Нормализованный объем торгов
- Учет дня недели
- Отношение High/Low для измерения внутридневной волатильности
- Улучшенное отображение результатов
Этот код должен дать более точные прогнозы, так как данные теперь лучше подготовлены для машинного обучения.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.