Pythonを使用してCryptocurrencyで手っ取り早くお金を稼ぐ

プラトン再発行

フォロワー： 0

Facebook の機械学習モデルはどのように機能しますか?

Python PlatoBlockchain Data Intelligenceを使用して、暗号通貨ですばやくお金を稼ぎます。垂直検索。愛。 — による写真シャロン・マカチョン on Unsplash

FB のデータサイエンスチームは、データの時代が来ると考えていました。彼らは、データを予測するために Prophet を作成しました。その用途は株に限定されませんが、数字と動きを理解しようとする人にとっては便利なツールです。彼らによると、預言者は次のように作られました。
専門家もそうでない人も、需要に応じた高品質な予測を簡単に作成できるようになります。

預言者が輝く場所

すべてを決定する問題は、同様の手法で解決できるわけではありません。 Prophet は、Facebook で経験したビジネス見積もりの割り当てに対して改善されています。これには、一般的に付随する属性のいずれかがあります。

毎時間、毎日、または毎週のように認識され、約 XNUMX か月間 (理想的には長期間) の履歴があります
確実に異なる「ヒューマンスケール」の季節性: 曜日と季節
前もってわかっている散発的なストレッチで発生する重要なイベント (例: スーパーボウル)
かなりの数の欠落した認識または巨大な異常
記録されたパターンの変化 (アイテムの発送やロギングの変更など)
パターンが特徴的なカットオフに当たるか、または没入する、非直接展開ベンドであるパターン

プロフェットの機能

プロフェットの方法論は、その中心にある追加物質の再発モデルであり、次の XNUMX つの主要部分があります。

区分的な直接的または計算された展開ベンドパターン。その結果、Prophet は情報から変化点を選択することによってパターンの変化を識別します。
フーリエ級数を利用して表示される年に一度の不定期の部分。
偽の要素を利用した週ごとの不定期パート。
クライアントは、重要な機会の概要を説明しました。

y(t) = g(t) + s(t) + h(t) + ϵ

G (t) はパターンをモデル化します。これは、情報の引き出された増加または減少を表します。 Prophet は、XNUMX つのパターンモデル、没入型開発モデル、および部分的直接モデルを結合します。
s(t) はフーリエ級数を使用して不規則性をモデル化します。フーリエ級数は、季節などの時折の要因によって情報がどのように影響を受けるかを示します (たとえば、寒い時期にはエッグノッグを探す人が増えるなど)。
h(t) は、ビジネスの時系列を左右する機会または巨大な機会の影響をモデル化します ϵ。最後の間違いの用語に対処する

まず、必要なライブラリをすべてインポートします。 Prophet をまだインストールしていない場合は、pip を使用して簡単にインストールできます。

pip インストール fbprophet

Jupiter の使用中に次のエラーが発生した場合

コマンドを使用する

conda install -c conda-forge fbprophet

jsonをインポートする
インポート日時npとしてnumpyをインポートする
fbprophet から Prophet をインポート
パンダをpdとしてインポート
インポート要求
インポート import_ipynb
前処理として pre をインポート
matplotlib.pyplotをpltとしてインポートするfbprophet.plotインポートplot_cross_validation_metricから
数学をインポートする
エンドポイント = 'https://min-api.cryptocompare.com/data/histoday'
res = requests.get(エンドポイント + '?fsym=USDT&tsym=CAD&limit=500')hist = pd.DataFrame(json.loads(res.content)['Data'])
hist = hist.set_index('時間')
hist.index = pd.to_datetime(hist.index, unit='s')target_col = '閉じる'ヒスト.ヘッド(5)
hist['y']=(hist['high']+hist['low'])/2
hist['ds']=hist.indexモデル = 預言者()
model.fit(ヒスト);将来 = モデル.make_future_dataframe (期間 = 30)
#1年後予想 .予測 = モデル.予測(将来)figure=model.plot(予測)
fig2 = model.plot_components(予測)