比特币走势预测 那个方法比较好呢
- 分类
- 聚类
- 回归
- 关联分析
时间序列分析模型建立了观察结果与时间变化的关系 可以帮助我们预测未来一段时间内的结果变化
-
确定结果和变量之间的关系
-
时间序列分析得到的是目标变量
y
与时间的相关性 -
回归分析训练得到的是目标变量y 与 字段量 x( >=1 个) 的关联性
-
回归擅长的是多变量和目标结果之间的分析 5.时间序列分析建立在时间变化的基础上
- 趋势
- 周期
- 时期
- 不稳定因素
- 概念
- ARMA模型工具
- 比特币历史数据时间序列建模并预测未来6个月的走势
经典模型
- AR Auto Regressive 自回归模型
- MA
- ARMA
- ARIMA
思想
过去若干时刻的点通过线性组合 加上白噪声 即可预测未来某个时刻的点
白噪声
- 一个期望值为
0
方差为常数的纯随机过程
-
AR
模型还存在一个阶数,称为AR(p
)模型,p
阶自回归模型, 指定时刻 前 p 个点 通过线性组合加上白噪声来预测current
的值 -
MA
滑动平均模型 历史时序值的线性组合, MA 是通过历史白噪声进行线性组合来影响当前时刻点 -
ARMA
是AR
模型和MA
模型的混合 同样ARMA
模型存在p
和q
两个阶数,称为ARMA(p,q)
模型 -
ARIMA
差分自回归滑动平均模型 、 求合自回归滑动平均模型
相比于 ARMA
,ARIMA
多了一个差分的过程 不平稳数据进行差分平稳
平稳后建模
ARIMA
是一个三元组的阶数(p,d,q)
,ARIMA(p,d,q)
模型d
是差分阶数
引入
from statsmodels.tsa.arima_model import ARMA
代码实例
# coding:utf-8
# 用 ARMA 进行时间序列预测
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.tsa.arima_model import ARMA
from statsmodels.graphics.api import qqplot
# 创建数据
data = [5922, 5308, 5546, 5975, 2704, 1767, 4111, 5542, 4726, 5866, 6183, 3199, 1471, 1325, 6618, 6644, 5337, 7064, 2912, 1456, 4705, 4579, 4990, 4331, 4481, 1813, 1258, 4383, 5451, 5169, 5362, 6259, 3743, 2268, 5397, 5821, 6115, 6631, 6474, 4134, 2728, 5753, 7130, 7860, 6991, 7499, 5301, 2808, 6755, 6658, 7644, 6472, 8680, 6366, 5252, 8223, 8181, 10548, 11823, 14640, 9873, 6613, 14415, 13204, 14982, 9690, 10693, 8276, 4519, 7865, 8137, 10022, 7646, 8749, 5246, 4736, 9705, 7501, 9587, 10078, 9732, 6986, 4385, 8451, 9815, 10894, 10287, 9666, 6072, 5418]
data=pd.Series(data)
data_index = sm.tsa.datetools.dates_from_range('1901','1990')
# 绘制数据图
data.index = pd.Index(data_index)
data.plot(figsize=(12,8))
plt.show()
# 创建 ARMA 模型 # 创建 ARMA 模型
arma = ARMA(data,(7,0)).fit()
print('AIC: %0.4lf' %arma.aic)
# 模型预测
predict_y = arma.predict('1990', '2000')
# 预测结果绘制
fig, ax = plt.subplots(figsize=(12, 8))
ax = data.ix['1901':].plot(ax=ax)
predict_y.plot(ax=ax)
plt.show()
- 结果对比
AIC: 1619.6323
字段
流程
数据按月压缩
df_month = df.resample('M').mean()
# -*- coding: utf-8 -*-
# 比特币走势预测,使用时间序列ARMA
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima_model import ARMA
import warnings
from itertools import product
from datetime import datetime
warnings.filterwarnings('ignore')
# 数据加载
df = pd.read_csv('./bitcoin_2012-01-01_to_2018-10-31.csv')
# 将时间作为df的索引
df.Timestamp = pd.to_datetime(df.Timestamp)
df.index = df.Timestamp
# 数据探索
print(df.head())
# 按照月,季度,年来统计
df_month = df.resample('M').mean()
df_Q = df.resample('Q-DEC').mean()
df_year = df.resample('A-DEC').mean()
# 按照天,月,季度,年来显示比特币的走势
fig = plt.figure(figsize=[15, 7])
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.suptitle('比特币金额(美金)', fontsize=20)
plt.subplot(221)
plt.plot(df.Weighted_Price, '-', label='按天')
plt.legend()
plt.subplot(222)
plt.plot(df_month.Weighted_Price, '-', label='按月')
plt.legend()
plt.subplot(223)
plt.plot(df_Q.Weighted_Price, '-', label='按季度')
plt.legend()
plt.subplot(224)
plt.plot(df_year.Weighted_Price, '-', label='按年')
plt.legend()
plt.show()
# 设置参数范围
ps = range(0, 3)
qs = range(0, 3)
parameters = product(ps, qs)
parameters_list = list(parameters)
# 寻找最优ARMA模型参数,即best_aic最小
results = []
best_aic = float("inf") # 正无穷
for param in parameters_list:
try:
model = ARMA(df_month.Weighted_Price, order=(param[0], param[1])).fit()
except ValueError:
print('参数错误:', param)
continue
aic = model.aic
if aic < best_aic:
best_model = model
best_aic = aic
best_param = param
results.append([param, model.aic])
# 输出最优模型
result_table = pd.DataFrame(results)
result_table.columns = ['parameters', 'aic']
print('最优模型: ', best_model.summary())
# 比特币预测
df_month2 = df_month[['Weighted_Price']]
date_list = [datetime(2018, 11, 30), datetime(2018, 12, 31), datetime(2019, 1, 31), datetime(2019, 2, 28),
datetime(2019, 3, 31),
datetime(2019, 4, 30), datetime(2019, 5, 31), datetime(2019, 6, 30)]
future = pd.DataFrame(index=date_list, columns=df_month.columns)
df_month2 = pd.concat([df_month2, future])
df_month2['forecast'] = best_model.predict(start=0, end=91)
# 比特币预测结果显示
plt.figure(figsize=(20, 7))
df_month2.Weighted_Price.plot(label='实际金额')
df_month2.forecast.plot(color='r', ls='--', label='预测金额')
plt.legend()
plt.title('比特币金额(月)')
plt.xlabel('时间')
plt.ylabel('美金')
plt.show()
比特币金额
最优模型: ARMA Model Results
==============================================================================
Dep. Variable: Weighted_Price No. Observations: 83
Model: ARMA(1, 1) Log Likelihood -688.761
Method: css-mle S.D. of innovations 957.761
Date: Mon, 18 Mar 2019 AIC 1385.523
Time: 12:35:34 BIC 1395.198
Sample: 12-31-2011 HQIC 1389.410
- 10-31-2018
========================================================================================
coef std err z P>|z| [0.025 0.975]
----------------------------------------------------------------------------------------
const 2133.3881 1571.958 1.357 0.179 -947.592 5214.368
ar.L1.Weighted_Price 0.9252 0.042 22.031 0.000 0.843 1.008
ma.L1.Weighted_Price 0.2680 0.116 2.310 0.023 0.041 0.495
Roots
=============================================================================
Real Imaginary Modulus Frequency
-----------------------------------------------------------------------------
AR.1 1.0808 +0.0000j 1.0808 0.0000
MA.1 -3.7313 +0.0000j 3.7313 0.5000