本文使用时间序列分析来研究比特币价格与基本经济变量,技术因素以及从Twitter提要获得的集体情绪的度量之间的关系。 通过使用最新的机器学习算法,即支持向量机(SVM),每天进行情感分析。 一系列短期回归显示,Twitter的情绪比率与比特币价格成正相关。 短期分析还显示,维基百科搜索查询的数量(显示公众对比特币的兴趣程度)和哈希率(衡量采矿难度)对比特币的价格产生积极影响。 相反,比特币的价值受到美元与欧元之间汇率(代表价格的一般水平)的负面影响。 向量误差校正模型用于研究协整变量之间长期关系的存在。 这种长期分析显示,比特币价格与流通中的比特币数量呈正相关(代表货币供应总量),而与标准普尔500股市指数则呈负相关(表明货币的总体状态)。全球经济)。
2022-04-10 19:11:33 483KB Bitcoins error correction machine
1
比特币价格预测 预测价格变化的“潜在源模型的贝叶斯回归”方法的实现。 您可以在了解有关该方法的更多信息。 要求 3.5 3.2 安装 确保已安装所有要求并为此项目(可选)。 然后按照安装说明进行操作: $ git clone https://github.com/stavros0/bitcoin-price-prediction.git $ cd bitcoin-price-prediction $ pip install -e . 用法 使用okcoin.py脚本每隔十秒钟从收集市场数据。 请记住,您至少需要721个数据点,以便 。 $ python okcoin.py 有关如何使用模块的信息,请参见 。 仅用于修补和实验,因此不会在屏幕上显示任何内容。 也就是说,您应该修改我的脚本或改为编写自己的脚本。 无论如何,您都必须使用Python。 执照 该项目根据MIT许可条款获得许可。 有关更多信息,请参见。
2022-03-24 13:24:09 8KB python machine-learning bitcoin trading
1
2022年美赛C题给出了两张表格,分别是历史每日比特币价格与黄金价格,但由于黄金有时不交易,两张表格的日期不能对齐。博主将两张表格合并,每一行显示当天的比特币价格与黄金价格。若当天黄金不交易,价格用0填充。
2022-02-22 19:08:09 46KB c语言 比特币 开发语言 后端
使用神经网络预测时间序列 :blue_circle: 联系人:对于Bitcoin的学习材料组织列表,请点击此 ,这等 介绍 不管比特币价格上的投机泡沫如何,该项目的目的都是暗示该加密货币的未来收盘价。 根据我的分析考虑了几个比特币指标,收集了情绪数据以及区块链,历史价格和金融指数数据以预测收盘价。 环境设定 要运行预测模型,应安装以下内容: Python 3+ Tensorflow = 1.10.1 Keras = 2.2.2 熊猫= 0.23.4 脾气暴躁= 1.15.1 Matplotlib = 2.2.3 sklearn = 0.19.2 ML实现的神经网络 LSTM
2021-11-19 14:54:15 134.55MB time-series tensorflow numpy scikit-learn
1
某论坛内部软件,无私共享! 解压密码btc321
2021-08-29 01:18:12 632KB 比特币 比特币价格 bitcoin 行情监控
1
比特币是当前流行的加密货币,前景光明。 这就像一个具有时间序列的股票市场,这些时间序列是一系列索引数据点。 我们研究了不同的深度学习网络和提高准确性的方法,包括最小-最大归一化,Adam优化器和窗口最小-最大归一化。 我们收集了有关每分钟比特币价格的数据,并对它们进行了重新排列以反映以小时计的比特币价格,总计56,832点。 我们以24小时的数据作为输入,并输出下一个小时的比特币价格。 我们比较了不同的模型,发现内存不足意味着多层感知器(MLP)不适合根据当前趋势预测价格的情况。 当模型中包含过去的内存和门控循环网络(GRU)时,长短期内存(LSTM)可以提供相对最佳的预测。
2021-07-09 14:30:31 2.78MB 行业研究
1
易语言门罗币比特币价格监控源码 17176qq
2021-06-29 19:21:58 191KB 网络相关源码
1
CryptoLeprechaun:一种机器学习模型,该模型可以预测每天的比特币价格,并附带可视化的获利能力
2021-06-16 19:28:55 479KB JupyterNotebook
1
比特币价值预测器 抽象: 该项目试图通过识别社交媒体情绪与市场情绪之间的相关性来预测比特币的未来价值。 我们将通过收集来自Twitter,Facebook和linkedin等社交媒体的用户供稿来实现这一目标。 有了语料库后,我们将使用IBM Watson的自然语言理解API来映射它们的关联情绪。 在将情感映射到我们的语料库时,我们尝试捕获粒度级别的类别,即欢乐,愤怒,幸福等。我们将这些类别用作ML / DL算法的特征向量。 然后,我们比较不同算法的结果,并选择精度最高的算法。 技术: 编程语言:Python,Java 大数据技术:Spark ML,Spark-SQL,Hadoop Mapreduce 图书馆:熊猫,Matplotlib,Scikit学习,TensorFlow,Keras 数据源: Twitter Api获得有关比特币/加密货币的推文。 LinkedIn Api可以在博客上获得语料库。 Web Scraping从新闻文章获取数据。 与数据的Dropbox链接: 参考文献: J. Bollen和H. Mao。 Twitter情绪是股市预测指标。 IEEE
2021-04-20 09:45:40 455KB machine-learning big-data bitcoin prediction
1
检查比特币价格的简单扩展。 一个简单的工具,让您只需点击一下就可以查看比特币的价格!价格每分钟更新一次,通过盘旋在变化指标上,您可以看到自从一天开始以来比特币的变化百分比。 支持语言:English (United States)
2021-03-24 12:08:55 106KB 生产工具
1