6 подписчиков

Предсказание цены криптовалюты Python. LSTM Модель. TensorFlow.

2 апреля 20242 апр 2024

290

2 мин

So Deep Data В данной статье мы рассмотрим процесс предсказания цены криптовалюты с использованием модели долгой краткосрочной памяти (LSTM). Мы будем использовать исторические данные по цене биткоина (BTC-USD) для обучения модели и последующего прогнозирования цены на следующий день. Подготовка данных Мы начнем с загрузки исторических данных по цене биткоина с использованием библиотек pandas, yfinance и pandas_ta. Затем мы добавим несколько технических индикаторов, таких как RSI и скользящие средние, для улучшения прогнозов модели. Далее мы разделим данные на обучающий и тестовый наборы, а также масштабируем данные с помощью MinMaxScaler. Обучение LSTM модели Далее мы создадим и обучим LSTM модель с помощью библиотеки TensorFlow. Модель будет обучаться на исторических данных, чтобы предсказать цену закрытия биткоина. Мы используем функцию потерь mean squared error и оптимизатор Adam для обучения модели. Возьмем 10 нейронов. С этими значениями можно поиграться и выбрать более удачный

Оглавление

So Deep Data
Подготовка данных
Обучение LSTM модели

So Deep Data

В данной статье мы рассмотрим процесс предсказания цены криптовалюты с использованием модели долгой краткосрочной памяти (LSTM). Мы будем использовать исторические данные по цене биткоина (BTC-USD) для обучения модели и последующего прогнозирования цены на следующий день.

Подготовка данных

Мы начнем с загрузки исторических данных по цене биткоина с использованием библиотек pandas, yfinance и pandas_ta.

Затем мы добавим несколько технических индикаторов, таких как RSI и скользящие средние, для улучшения прогнозов модели. Далее мы разделим данные на обучающий и тестовый наборы, а также масштабируем данные с помощью MinMaxScaler.

Обучение LSTM модели

Далее мы создадим и обучим LSTM модель с помощью библиотеки TensorFlow. Модель будет обучаться на исторических данных, чтобы предсказать цену закрытия биткоина. Мы используем функцию потерь mean squared error и оптимизатор Adam для обучения модели. Возьмем 10 нейронов. С этими значениями можно поиграться и выбрать более удачный вариант.

Оценка модели

После обучения модели мы оценим ее производительность на тестовом наборе данных. Мы построим график функции потерь и сравним предсказанную цену с фактической ценой закрытия.

predicted = model.predict(X_test)

plt.plot(y_scaler.inverse_transform(y_test), color='green')

plt.plot(y_scaler.inverse_transform(predicted), color='black')

Получилось достаточно неплохо и точно. Черный - предсказанная цена. Зеленый - настоящая.

Предсказание цены на следующий день

Наконец, мы создадим функцию predict_today(), которая загружает последние данные по цене биткоина, вычисляет технические индикаторы, масштабирует данные и использует обученную модель LSTM для предсказания цены закрытия на следующий день.

Этот процесс позволяет нам использовать LSTM модель для прогнозирования цены криптовалюты на основе исторических данных и технических индикаторов.

Заключение

В данной статье мы рассмотрели процесс предсказания цены криптовалюты с использованием LSTM модели. Этот метод позволяет анализировать исторические данные и делать прогнозы, основанные на предыдущих трендах и паттернах. LSTM модели являются мощным инструментом для прогнозирования цен активов и могут быть применены в различных финансовых задачах.

Благодарим за внимание! Надеемся, что данная статья была полезной и познавательной. Если у вас есть какие-либо вопросы или комментарии, не стесняйтесь делиться ими. Спасибо за чтение! 🚀📈

Много подбного в телеграм канале https://t.me/sodeepdata. Подписывайтесь, рады видеть каждого.