續上一篇機器學習 挑戰 - Day 8

我想使用最後一篇文章來回顧我在第0天的原始計劃以及實際所做的事情。

回報時間框架：

• 日內交易（每日）- 我主要關注每日到小時價格平均值作為我的樣本數據，因為比特幣的波動太大了，如果用大長的時間點的數據，每一個預測(model)都會變得更不準確。

1-確定目標和範圍： 我最初想模擬實際的買賣活動和潛在回報。因為研究模型花很多時間導致我無法達到這一點。

2-數據收集： 我能夠使用yfinance（Yahoo Finance）非常輕鬆地導入數據。盡管我認為對於比特幣來說，數據可以更精細。回顧一下，我可能會選擇股票。

3-股票指數（或稱股市指數、股價指數）是衡量交易所一組股票價格表現的指標：
我將用以下指數：

• 移動平均（SMA）：我能夠利用ARIMA來計算移動平均並生成預測模型。
• On-Balance-Volume（OBV）：我嘗試用了多項式回歸來評估交易量和收盤價之間以及人氣指數和收盤價之間的關係。我驚訝的發現另外兩個變數與收盤價之間並沒有相關性。

蠟燭圖監控：我無法直接使用蠟燭圖，但我相信使用tensorflow.keras.sequential模塊實現的方法與蠟燭圖方法是一致的。

比較上面所有的模型，我認為使用tensorflow.keras.sequential模塊能夠生成更準確的預測。

4-模擬加密平台選擇Roostoo

我無法嘗試Roostoo，因為我發現要用它的API要向該平台Email這請求，而從頭開始設置API則超出了我的能力範圍。

5-要使用的模型

我將主要使用Python，我想要試試以下模型來做我的model:

• ARIMA / SARIME 使用移動平均訓練和預測股票走勢 --> 我用了ARIMA
  scikit-learn - 用於構建分類器的最基本的機器學習算法 --> 我用了scikit-learn提供的多項式回歸模型

完賽感想:

過去的30天是一場漫長的學習和探索之旅，但我確實學習到了更多關於數據科學和機器學習的知識。如果我任何一篇文章對你們有所幫助，我會很開心。

對 dbt 或 data 有興趣？歡迎加入 dbt community 到 #local-taipei 找我們，也有實體 Meetup 請到 dbt Taipei Meetup 報名參加
Ref:

https://levelup.gitconnected.com/20-pandas-functions-for-80-of-your-data-science-tasks-b610c8bfe63c