Python如何预测比特币价格？今天我们将讨论如何通过分析过去6年的定价信息来预测比特币的价格。请注意，我们已经确定我们的分析将只关注定价信息，而忽略任何可能影响比特币价格的因素，例如新闻，它可以起到非常重要的作用。为此，我说本文和相关项目仅用于教育目的，不应用于生产。这是一个过于简单的模型，它将帮助我们解释和理解使用 Python 和循环神经网络 (RNN) 进行的时间序列预测，更准确地说，我们将构建一个 LSTM（长短期记忆）模型。
如何使用LSTM预测比特币的价格？下面开始从最基本的谈起——
可以在此处找到本文的所有Python预测比特币价格示例代码 。
介绍性概念
什么是RNN？
回归神经网络（RNN）是一类神经网络，其中节点之间的连接形成沿着时间序列的有向图的。这使它能够表现出时间动态行为，并使它们非常适合时间序列分析、语音识别、语法学习、文字组合等。
什么是 LSTM？
长短期记忆 (LSTM)是一种 RNN，它不仅可以处理单个数据点（例如图像），还可以处理整个数据序列（例如语音或视频）。它们是时间序列预测的绝佳选择，也是我们今天将使用的架构类型。
数据探索
如何使用LSTM预测比特币的价格？在我们做任何事情之前，我们需要收集数据（我已经为你做过）并且我们需要了解数据。我们先用Python加载数据集，先看看：
data = pd.read_csv("data/bitcoin.csv")
data = data.sort_values('Date')
data.head()
Python预测比特币价格示例解析：该head()函数已经为我们提供了一些关于数据集列的有价值的信息，以及这些信息的外观。出于我们的目的，我们对Close包含该特定日期当天结束时比特币价格的列感兴趣。让我们看看我们是否可以使用我们的数据集构建一个图表，向我们显示比特币的价格随时间的变化。
price = data[['Close']]
plt.figure(figsize = (15,9))
plt.plot(price)
plt.xticks(range(0, data.shape[0],50), data['Date'].loc[::50],rotation=45)
plt.title("Bitcoin Price",fontsize=18, fontweight='bold')
plt.xlabel('Date',fontsize=18)
plt.ylabel('Close Price (USD)',fontsize=18)
plt.show()
还记得那些日子比特币将近 20k 吗？让我们不要分心，让我们看看我们的Close信息是否包含任何空值，空值对我们没有用，如果有的话，我们应该解决它们。
price.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 2001 entries, 2000 to 0
Data columns (total 1 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Close 2001 non-null float64
dtypes: float64(1)
memory usage: 31.3 KB
一个简单的 .info() 在我们的数据帧上为我们提供了一些有用的信息，比如条目的数量和非空条目的数量，在我们的例子中是相同的，所以这里不需要做其他事情。
数据准备
正常化
我们对数据采取的第一步是对其值进行标准化。归一化的目标是将数据集中数值列的值更改为通用标度，而不会扭曲值范围的差异。
对于我们而言，我们将使用MinMaxScaler来自sklearn库
from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler()
norm_data = min_max_scaler.fit_transform(price.values)
让我们尝试比较规范化前后的值：
Real: [370.], Normalized: [0.01280082]
Real: [426.1], Normalized: [0.01567332]
Real: [8259.99], Normalized: [0.41679416]
数据拆分
在这一步中，我们将实际解决 2 个问题，第一个是我们需要将数据集拆分为训练数据和测试数据。我们将使用训练数据来教授我们的模型，而我们将使用测试数据作为比较预测的基线。这非常重要，因为我们希望确保我们的预测有意义，但我们无法在训练网络的相同数据上进行测试，因为我们可能会遇到过度拟合的风险。
此外，我们还将在这里为 LSTM 网络准备我们的数据。这种特殊类型的网络要求我们以数据块的形式发送时间序列，将我们将用于训练的“历史”数据和我们的“目标”分开，这些数据表明模型需要学习预测多远的未来。
负责这第二部分的将是我们的univariate_data职能：
def univariate_data(dataset, start_index, end_index, history_size, target_size):
data = []
labels = []
start_index = start_index + history_size
if end_index is None:
end_index = len(dataset) - target_size
for i in range(start_index, end_index):
indices = range(i-history_size, i)
# Reshape data from (history_size,) to (history_size, 1)
data.append(np.reshape(dataset[indices], (history_size, 1)))
labels.append(dataset[i+target_size])
return np.array(data), np.array(labels)
分裂将在这里发生：
past_history = 5
future_target = 0
TRAIN_SPLIT = int(len(norm_data) * 0.8)
x_train, y_train = univariate_data(norm_data,
0,
TRAIN_SPLIT,
past_history,
future_target)
x_test, y_test = univariate_data(norm_data,
TRAIN_SPLIT,
None,
past_history,
future_target)
通过使用past_history，我们调用告诉我们的网络我们需要使用 5 天的数据来学习预测时间序列中的下一个点future_target。
Python如何预测比特币价格：构建模型
下一步是构建我们的模型架构。找到合适的模型是一门艺术，需要多次尝试和经验才能为每个模型找到合适的层和超参数。
Python预测比特币价格示例：我们不会深入到每一层的细节，有足够的复杂性来为每一层写一篇文章。但我要强调的是，我们在这里构建的模型对于这类问题来说是相当简单和非常标准的，至少在使用的层类型方面是这样。
from keras.models import Sequential
from keras.optimizers import Adam
from keras.layers import Dense, LSTM, LeakyReLU, Dropout
num_units = 64
learning_rate = 0.0001
activation_function = 'sigmoid'
adam = Adam(lr=learning_rate)
loss_function = 'mse'
batch_size = 5
num_epochs = 50
# Initialize the RNN
model = Sequential()
model.add(LSTM(units = num_units, activation=activation_function, input_shape=(None, 1)))
model.add(LeakyReLU(alpha=0.5))
model.add(Dropout(0.1))
model.add(Dense(units = 1))
# Compiling the RNN
model.compile(optimizer=adam, loss=loss_function)
让我们看看我们的架构是什么样的：
Model: "sequential_13"
_______________________________________________________________
Layer (type) Output Shape Param #
===============================================================
lstm_6 (LSTM) (None, 64) 16896
_______________________________________________________________
leaky_re_lu_4 (LeakyReLU) (None, 64) 0
_______________________________________________________________
dropout_4 (Dropout) (None, 64) 0
_______________________________________________________________
dense_6 (Dense) (None, 1) 65
===============================================================
Total params: 16,961
Trainable params: 16,961
Non-trainable params: 0
_______________________________________________________________
训练模型
如何使用LSTM预测比特币的价格？现在我们已经准备好数据，并且编译了我们的模型，我们可以开始训练，使用 Keras 就像一行代码一样简单：
# Using the training set to train the model
history = model.fit(
x_train,
y_train,
validation_split=0.1,
batch_size=batch_size,
epochs=num_epochs,
shuffle=False
)
在这里找到正确的超参数也是艺术的一部分，但是，将参数shuffle设置为 非常重要False。我们的分析完全取决于信息的顺序，如果我们改变顺序，我们的结果将毫无意义。
训练这个模型是你可以做的，即使没有GPU，数据量也很低，网络架构也很简单。在更高级的模型上，如果有更精细的信息，这些模型可能需要数小时或数天的时间来训练。
培训结束后，重要的是我们评估培训的结果，我们做得好吗？我们的训练损失和验证损失函数是什么样的？如果有些地方看起来不对，那么你可能需要返回到前面的步骤并使用超参数，甚至可能修改你的模型架构。
这是一个很好的图表，你可以用来比较这两个函数：
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(loss))
plt.figure()
plt.plot(epochs, loss, 'b', label='Training loss')
plt.plot(epochs, val_loss, 'r', label='Validation loss')
plt.title("Training and Validation Loss")
plt.legend()
plt.show()
我的结果可能并不理想，但对于我们的目的来说已经足够了。有一篇有趣的文章解释了你可以在此图表中直观地看到的一些问题，我建议你看一看：https://machinelearningmastery.com/diagnose-overfit-underfitting-lstm-models/
预测
Python如何预测比特币价格？现在训练好我们的模型后，我们可以开始进行一些预测并评估这些预测到我们的测试数据，以了解我们的模型表现如何：
original = pd.DataFrame(min_max_scaler.inverse_transform(y_test))
predictions = pd.DataFrame(min_max_scaler.inverse_transform(model.predict(x_test)))
ax = sns.lineplot(x=original.index, y=original[0], label="Test Data", color='royalblue')
ax = sns.lineplot(x=predictions.index, y=predictions[0], label="Prediction", color='tomato')
ax.set_title('Bitcoin price', size = 14, fontweight='bold')
ax.set_xlabel("Days", size = 14)
ax.set_ylabel("Cost (USD)", size = 14)
ax.set_xticklabels('', size=10)
那个图表对我来说看起来很不错，对结果很满意，你觉得如何？
结论
如何使用LSTM预测比特币的价格？RNN 和 LSTM 是我们可以用来分析和预测时间序列信息的出色架构。在这篇文章中，我们更多地关注故事而不是实现的技术细节，但是如果你对该主题感兴趣，请进行研究，查看Python预测比特币价格示例代码 ，使用它，更改层，超参数，尝试不同的东西，使用不同的列，或规范化方法，阅读更详细的文章，以及关于该主题的论文。
