Прогнозирование цен криптовалют с помощью нейронных сетей
Использованные библиотеки:
● aiohttp: для сбора исторических данных с Binance API
● PyTorch и PyTorch Lightning: для построения и обучения модели
● pandas, numpy: для работы с временными рядами, подготовки и анализа данных
● seaborn, matplotlib: для визуализации данных
● DeepSpeed: для оптимизации обучения на больших объемах данных
Основные задачи:
● Сбор и нормализация данных, подготовка временных рядов для криптовалют
● Построение и обучение оптимизированной модели DeepAR
● Прогнозирование данных с помощью созданной модели
● Визуализация результатов для оценки качества модели
Процесс реализации:
1. Подготовка данных:
Функция get_klines_for_train получает исторические данные о изменении цен с интервалом во времени, а также вычисляет технические индикаторы, такие как RSI, EMA и другие. После этого данные сохраняются в CSV-файл для дальнейшего использования. Для обучения модели была выбрана валютная пара JUP/USDT с интервалом 1 час, а для тестирования — пары BTC/USDT, SOL/USDT и XRP/USDT. Хотя количество данных было ограничено, этого хватило для эффективного обучения.
В главном модуле данные загружаются из CSV-файла, а набор данных нормализуется с помощью специально реализованного метода MinMax.
2. Создание и обучение модели DeepAR:
Модель основана на кастомизированной версии DeepAREnhanced, которая является оптимизированным вариантом классической DeepAR. Для повышения точности на больших временных рядах введена специальная версия ScaledNormalLoss, которая улучшает функцию потерь. Обучение проходило с использованием DeepSpeed для ускорения процесса и EarlyStopping, чтобы избежать переобучения.
3. Прогнозирование и визуализация:
После обучения модель использовалась для прогнозирования цен на тестовом наборе данных. Результаты прогнозирования сравнивались с реальными значениями с помощью функции plot_comparison(), которая визуально демонстрирует точность модели и ее эффективность в предсказании будущих трендов.
Метки:
#python #pytorch #binance #binance.com #datascience #cryptocurrency #криптовалюты #ai
● aiohttp: для сбора исторических данных с Binance API
● PyTorch и PyTorch Lightning: для построения и обучения модели
● pandas, numpy: для работы с временными рядами, подготовки и анализа данных
● seaborn, matplotlib: для визуализации данных
● DeepSpeed: для оптимизации обучения на больших объемах данных
Основные задачи:
● Сбор и нормализация данных, подготовка временных рядов для криптовалют
● Построение и обучение оптимизированной модели DeepAR
● Прогнозирование данных с помощью созданной модели
● Визуализация результатов для оценки качества модели
Процесс реализации:
1. Подготовка данных:
Функция get_klines_for_train получает исторические данные о изменении цен с интервалом во времени, а также вычисляет технические индикаторы, такие как RSI, EMA и другие. После этого данные сохраняются в CSV-файл для дальнейшего использования. Для обучения модели была выбрана валютная пара JUP/USDT с интервалом 1 час, а для тестирования — пары BTC/USDT, SOL/USDT и XRP/USDT. Хотя количество данных было ограничено, этого хватило для эффективного обучения.
В главном модуле данные загружаются из CSV-файла, а набор данных нормализуется с помощью специально реализованного метода MinMax.
2. Создание и обучение модели DeepAR:
Модель основана на кастомизированной версии DeepAREnhanced, которая является оптимизированным вариантом классической DeepAR. Для повышения точности на больших временных рядах введена специальная версия ScaledNormalLoss, которая улучшает функцию потерь. Обучение проходило с использованием DeepSpeed для ускорения процесса и EarlyStopping, чтобы избежать переобучения.
3. Прогнозирование и визуализация:
После обучения модель использовалась для прогнозирования цен на тестовом наборе данных. Результаты прогнозирования сравнивались с реальными значениями с помощью функции plot_comparison(), которая визуально демонстрирует точность модели и ее эффективность в предсказании будущих трендов.
Метки:
#python #pytorch #binance #binance.com #datascience #cryptocurrency #криптовалюты #ai
Измаил 
Свободен для работы