[[399626]]

本文轉(zhuǎn)載自微信公眾號(hào)「區(qū)塊鏈研究實(shí)驗(yàn)室」，作者鏈三豐。轉(zhuǎn)載本文請(qǐng)聯(lián)系區(qū)塊鏈研究實(shí)驗(yàn)室公眾號(hào)。

在本文中，我們將討論與比特幣價(jià)格預(yù)測(cè)有關(guān)的程序。

涉及的主題：

1.什么是比特幣

2.如何使用比特幣

3.使用深度學(xué)習(xí)預(yù)測(cè)比特幣價(jià)格

什么是比特幣?

比特幣是所有加密愛(ài)好者普遍使用的加密貨幣之一。即使有幾種突出的加密貨幣，如以太坊，Ripple，Litecoin等，比特幣也位居榜首。

加密貨幣通常用作我們貨幣的加密形式，廣泛用于購(gòu)物，交易，投資等。

它使用對(duì)等技術(shù)，該技術(shù)背后是，沒(méi)有驅(qū)動(dòng)力或任何第三方來(lái)干擾網(wǎng)絡(luò)內(nèi)完成的交易。此外，比特幣是“開(kāi)源的”，任何人都可以使用。

功能：

• 快速的點(diǎn)對(duì)點(diǎn)交易
• 全球支付
• 手續(xù)費(fèi)低

使用的原理-密碼學(xué)：

加密貨幣(比特幣)背后的工作原理是“加密”，他們使用此原理來(lái)保護(hù)和認(rèn)證協(xié)商，并控制加密貨幣新組件的建立。

如何使用比特幣?

• 保護(hù)錢(qián)包：應(yīng)該更安全地保護(hù)比特幣錢(qián)包，以便輕松順利地進(jìn)行交易
• 比特幣價(jià)格易變：比特幣價(jià)格可能會(huì)波動(dòng)。價(jià)格可以根據(jù)通貨膨脹率，數(shù)量等幾個(gè)因素而增加或減少。

使用深度學(xué)習(xí)預(yù)測(cè)比特幣價(jià)格

1. 數(shù)據(jù)收集：

導(dǎo)入CSV文件數(shù)據(jù)集。

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 

現(xiàn)在，使用pandas和numpy導(dǎo)入數(shù)據(jù)集。Numpy主要用于python中的科學(xué)計(jì)算，

coindata = pd.read_csv(‘Dataset.csv’) 
googledata = pd.read_csv(‘DS2.csv’) 

已加載的原始數(shù)據(jù)集已打印，

coindata = coindata.drop([‘#’], axis=1) 
coindata.columns = [‘Date’,’Open’,’High’,’Low’,’Close’,’Volume’] 
googledata = googledata.drop([‘Date’,’#’], axis=1) 

未使用的列將放在此處。

從硬幣數(shù)據(jù)和Google數(shù)據(jù)集中刪除兩列，因?yàn)樗鼈兪俏词褂玫牧小?/p>

從數(shù)據(jù)集中刪除未使用的列后，將為兩個(gè)數(shù)據(jù)集打印最終結(jié)果。

last = pd.concat([coindata,googledata], axis=1) 

將兩個(gè)數(shù)據(jù)集(硬幣數(shù)據(jù)和谷歌數(shù)據(jù))連接起來(lái)，并使用函數(shù)將其打印出來(lái)

last.to_csv(‘Bitcoin3D.csv’, index=False) 

2.一維RNN：

現(xiàn)在將兩個(gè)數(shù)據(jù)集串聯(lián)后，將導(dǎo)出最終數(shù)據(jù)集。

import pandas as pd 
import matplotlib.pyplot as plt 
import numpy as np 
import math 
from sklearn.preprocessing import MinMaxScaler 
from sklearn.metrics import mean_squared_error 
from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout 
from keras.layers import LSTM 

在這里使用Keras庫(kù)。Keras僅需幾行代碼即可使用有效的計(jì)算庫(kù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

MinMaxScaler會(huì)通過(guò)將每個(gè)特征映射到給定范圍來(lái)轉(zhuǎn)換特征。sklearn軟件包將提供該程序所需的一些實(shí)用程序功能。

密集層將執(zhí)行以下操作，并將返回輸出。

output = activation(dot(input, kernel) + bias) 
def new_dataset(dataset, step_size): 
    data_X, data_Y = [], [] 
    for i in range(len(dataset)-step_size-1): 
        a = dataset[i:(i+step_size), 0] 
        data_X.append(a) 
        data_Y.append(dataset[i + step_size, 0]) 
    return np.array(data_X), np.array(data_Y) 

將在數(shù)據(jù)預(yù)處理階段收集的一維數(shù)據(jù)分解為時(shí)間序列數(shù)據(jù)，

df = pd.read_csv(“Bitcoin1D.csv”) 
df[‘Date’] = pd.to_datetime(df[‘Date’]) 
df = df.reindex(index= df.index[::-1]) 

數(shù)據(jù)集已加載。該功能是從Bitcoin1D.csv文件中讀取的。另外，將“日期”列轉(zhuǎn)換為“日期時(shí)間”。通過(guò)“日期”列重新索引所有數(shù)據(jù)集。

zaman = np.arange(1, len(df) + 1, 1) 
OHCL_avg = df.mean(axis=1) 

直接分配一個(gè)新的索引數(shù)組。

OHCL_avg = np.reshape(OHCL_avg.values, (len(OHCL_avg),1)) #7288 data 
scaler = MinMaxScaler(feature_range=(0,1)) 
OHCL_avg = scaler.fit_transform(OHCL_avg) 

分配定標(biāo)器后規(guī)格化數(shù)據(jù)集，

#print(OHCL_avg) 
train_OHLC = int(len(OHCL_avg)*0.56) 
test_OHLC = len(OHCL_avg) — train_OHLC 
train_OHLC, test_OHLC = OHCL_avg[0:train_OHLC,:], OHCL_avg[train_OHLC:len(OHCL_avg),:] 
#Train the datasets and test it 
trainX, trainY = new_dataset(train_OHLC,1) 
testX, testY = new_dataset(test_OHLC,1) 

從平均OHLC(開(kāi)高低開(kāi))中創(chuàng)建一維維度數(shù)據(jù)集，

trainX = np.reshape(trainX, (trainX.shape[0],1,trainX.shape[1])) 
testX = np.reshape(testX, (testX.shape[0],1,testX.shape[1])) 
step_size = 1 

以3D維度重塑LSTM的數(shù)據(jù)集。將step_size分配給1。

model = Sequential() 
model.add(LSTM(128, input_shape=(1, step_size))) 
model.add(Dropout(0.1)) 
model.add(Dense(1)) 
model.add(Activation(‘linear’)) 

創(chuàng)建LSTM模型，

model.compile(loss=’mean_squared_error’, optimizer=’adam’) 
model.fit(trainX, trainY, epochs=10, batch_size=25, verbose=2) 

將紀(jì)元數(shù)定義為10，batch_size為25，

trainPredict = model.predict(trainX) 
testPredict = model.predict(testX) 
trainPredict = scaler.inverse_transform(trainPredict) 
trainY = scaler.inverse_transform([trainY]) 
testPredict = scaler.inverse_transform(testPredict) 
testY = scaler.inverse_transform([testY]) 

完成了歸一化以進(jìn)行繪圖，

trainScore = math.sqrt(mean_squared_error(trainY[0],  
                       trainPredict[:,0])) 
testScore = math.sqrt(mean_squared_error(testY[0],  
                       testPredict[:,0])) 

針對(duì)預(yù)測(cè)的測(cè)試數(shù)據(jù)集計(jì)算性能度量RMSE，

trainPredictPlot = np.empty_like(OHCL_avg) 
trainPredictPlot[:,:] = np.nan 
trainPredictPlot[step_size:len(trainPredict)+step_size,:] = 
                                                  trainPredict 

將轉(zhuǎn)換后的train數(shù)據(jù)集用于繪圖，

testPredictPlot = np.empty_like(OHCL_avg) 
testPredictPlot[:,:] = np.nan 
testPredictPlot[len(trainPredict)+(step_size*2)+1:len(OHCL_avg)-1,:] 
                    = testPredict 

將轉(zhuǎn)換后的預(yù)測(cè)測(cè)試數(shù)據(jù)集用于繪圖，

最終將預(yù)測(cè)值可視化。

OHCL_avg = scaler.inverse_transform(OHCL_avg) 
plt.plot(OHCL_avg, ‘g’, label=’Orginal Dataset’) 
plt.plot(trainPredictPlot, ‘r’, label=’Training Set’) 
plt.plot(testPredictPlot, ‘b’, label=’Predicted price/test set’) 
plt.title(“ Bitcoin Predicted Prices”) 
plt.xlabel(‘ Time’, fontsize=12) 
plt.ylabel(‘Close Price’, fontsize=12) 
plt.legend(loc=’upper right’) 
plt.show() 

3.多變量的RNN：

import pandas as pd 
from pandas import DataFrame 
from pandas import concat 
from math import sqrt 
from numpy import concatenate 
import matplotlib.pyplot as pyplot 
import numpy as np 
from sklearn.metrics import mean_squared_error 
from sklearn.preprocessing import MinMaxScaler 
from keras import Sequential 
from keras.layers import LSTM, Dense, Dropout, Activation 
from pandas import read_csv 

使用Keras庫(kù)。Keras僅需幾行代碼就可以使用有效的計(jì)算庫(kù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。sklearn軟件包將提供該程序所需的一些實(shí)用程序功能。

密集層將執(zhí)行以下操作，并將返回輸出。

dataset = read_csv(‘Bitcoin3D.csv’, header=0, index_col=0) 
print(dataset.head()) 
values = dataset.values 

使用Pandas庫(kù)加載數(shù)據(jù)集。在這里準(zhǔn)備了可視化的列。

groups = [0, 1, 2, 3, 5, 6,7,8,9] 
i = 1 

將系列轉(zhuǎn)換為監(jiān)督學(xué)習(xí)。

def series_to_supervised(data, n_in=1, n_out=1, dropnan=True): 
    n_vars = 1 if type(data) is list else data.shape[1] 
    df = DataFrame(data) 
    cols, names = list(), list() 
    # Here is created input columns which are (t-n, … t-1) 
    for i in range(n_in, 0, -1): 
        cols.append(df.shift(i)) 
        names += [(‘var%d(t-%d)’ % (j+1, i)) for j in range(n_vars)] 
#Here, we had created output/forecast column which are (t, t+1, … t+n) 
    for i in range(0, n_out): 
        cols.append(df.shift(-i)) 
        if i == 0: 
            names += [(‘var%d(t)’ % (j+1)) for j in range(n_vars)] 
        else: 
            names += [(‘var%d(t+%d)’ % (j+1, i)) for j in 
                                             range(n_vars)] 
    agg = concat(cols, axis=1) 
    agg.columns = names 
    # drop rows with NaN values  
    if dropnan: 
        agg.dropna(inplace=True) 
    return agg 

檢查值是否為數(shù)字格式，

values = values.astype(‘float32’) 

數(shù)據(jù)集值通過(guò)使用MinMax方法進(jìn)行歸一化，

scaler = MinMaxScaler(feature_range=(0,1)) 
scaled = scaler.fit_transform(values) 

將規(guī)范化的值轉(zhuǎn)換為監(jiān)督學(xué)習(xí)，

reframed = series_to_supervised(scaled,1,1) 
#reframed.drop(reframed.columns[[9,10,11,12,13,14,15]], axis=1, inplace=True) 

數(shù)據(jù)集分為兩組，分別是訓(xùn)練集和測(cè)試集，

values = reframed.values 
train_size = int(len(values)*0.70) 
train = values[:train_size,:] 
test = values[train_size:,:] 

拆分的數(shù)據(jù)集被拆分為trainX，trainY，testX和testY，

trainX, trainY = train[:,:-1], train[:,13] 
testX, testY = test[:,:-1], test[:,13] 

訓(xùn)練和測(cè)試數(shù)據(jù)集以3D尺寸重塑以用于LSTM，

trainX = trainX.reshape((trainX.shape[0],1,trainX.shape[1])) 
testX = testX.reshape((testX.shape[0],1,testX.shape[1])) 

創(chuàng)建LSTM模型并調(diào)整神經(jīng)元結(jié)構(gòu)，

model = Sequential() 
model.add(LSTM(128, input_shape=(trainX.shape[1], trainX.shape[2]))) 
model.add(Dropout(0.05)) 
model.add(Dense(1)) 
model.add(Activation(‘linear’)) 
model.compile(loss=’mae’, optimizer=’adam’) 

通過(guò)使用trainX和trainY訓(xùn)練數(shù)據(jù)集，

history = model.fit(trainX, trainY, epochs=10, batch_size=25, validation_data=(testX, testY), verbose=2, shuffle=False) 

計(jì)算每個(gè)訓(xùn)練時(shí)期的損耗值，并將其可視化，

pyplot.plot(history.history[‘loss’], label=’train’) 
pyplot.plot(history.history[‘val_loss’], label=’test’) 
pyplot.title(“Test and Train set Loss Value Rate”) 
pyplot.xlabel(‘Epochs Number’, fontsize=12) 
pyplot.ylabel(‘Loss Value’, fontsize=12) 
pyplot.legend() 
pyplot.show() 

對(duì)訓(xùn)練數(shù)據(jù)集執(zhí)行預(yù)測(cè)過(guò)程，

trainPredict = model.predict(trainX) 
trainX = trainX.reshape((trainX.shape[0], trainX.shape[2])) 

對(duì)測(cè)試數(shù)據(jù)集執(zhí)行預(yù)測(cè)過(guò)程，

testPredict = model.predict(testX) 
testX = testX.reshape((testX.shape[0], testX.shape[2])) 

訓(xùn)練數(shù)據(jù)集反轉(zhuǎn)縮放比例以進(jìn)行訓(xùn)練，

testPredict = model.predict(testX) 
testX = testX.reshape((testX.shape[0], testX.shape[2])) 

測(cè)試數(shù)據(jù)集反轉(zhuǎn)縮放以進(jìn)行預(yù)測(cè)，

testPredict = concatenate((testPredict, testX[:, -9:]), axis=1) 
testPredict = scaler.inverse_transform(testPredict) 
testPredict = testPredict[:,0] 
# invert scaling for actual 
testY = testY.reshape((len(testY), 1)) 
inv_y = concatenate((testY, testX[:, -9:]), axis=1) 
inv_y = scaler.inverse_transform(inv_y) 
inv_y = inv_y[:,0] 

通過(guò)將mean_squared_error用于train和測(cè)試預(yù)測(cè)來(lái)計(jì)算性能指標(biāo)，

rmse2 = sqrt(mean_squared_error(trainY, trainPredict)) 
rmse = sqrt(mean_squared_error(inv_y, testPredict)) 

訓(xùn)練和測(cè)試的預(yù)測(cè)集串聯(lián)在一起

final = np.append(trainPredict, testPredict) 
final = pd.DataFrame(data=final, columns=[‘Close’]) 
actual = dataset.Close 
actual = actual.values 
actual = pd.DataFrame(data=actual, columns=[‘Close’]) 

最后，將訓(xùn)練和預(yù)測(cè)結(jié)果可視化。

pyplot.plot(actual.Close, ‘b’, label=’Original Set’) 
pyplot.plot(final.Close[0:16781], ‘r’ , label=’Training set’) 
pyplot.plot(final.Close[16781:len(final)], ‘g’, 
            label=’Predicted/Test set’) 
pyplot.title(“ Bitcoin Predicted Prices”) 
pyplot.xlabel(‘ Time’, fontsize=12) 
pyplot.ylabel(‘Close Price’, fontsize=12) 
pyplot.legend(loc=’best’) 
pyplot.show() 

目前為止，我們使用歷史比特幣價(jià)格數(shù)據(jù)集開(kāi)發(fā)價(jià)格預(yù)測(cè)模型，通過(guò)使用Python中的RNN和LSTM算法來(lái)找到價(jià)格預(yù)測(cè)。