比特币价格预测：用 R 和机器学习预测 2024 年比特币价格

大家好！今天我们来看看 如何使用 R 和机器学习分析比特币价格预测比特币的价格受市场上许多不同因素的影响。

비트코인 가격 전망 포스트 - 비트코인 상승 그림

为了分析这一点 处理时间序列数据的经典方法是 ARIMA 使用模型下面，我们将介绍从数据准备到可视化再到模型评估的各个步骤。

数据准备和预处理

第一步是导入和清理分析所需的数据。 雅虎财经获取比特币的每日价格数据，并将其转换为时间序列数据。

# 安装并加载所需的软件包
install.packages(c("forecast", "ggplot2", "quantmod"))
library(forecast) # 加载 ARIMA 建模软件包
library(ggplot2) # 数据可视化软件包
library(quantmod) # 金融数据收集软件包

获取 # 比特币数据
getSymbols("BTC-USD", src = "yahoo") # 从雅虎财经收集数据
btc_price <- Cl(get("BTC-USD"))       仅提取 # 收盘价数据

代码评注：

  1. install.packages(c("forecast", "ggplot2", "quantmod"))：安装所需的软件包。forecast 是一个 ARIMA 模型、 ggplot2用于可视化，quantmod 用于收集财务数据。
  2. library(forecast)：加载预测软件包。
  3. getSymbols("BTC-USD", src = "yahoo")：从雅虎财经获取比特币数据。
  4. Cl(get("BTC-USD"))：从导入的数据中只提取收盘价，并将其存储到 btc_price 变量中。

实施 ARIMA 模型

现在将数据拟合到一个 ARIMA 模型中，以预测比特币的未来价格。

转换为 # 时间序列数据
btc_ts <- ts(btc_price, frequency = 365) # 转换为每日数据

应用 # ARIMA 模型
model_fit <- auto.arima(btc_ts, seasonal = TRUE) # 自动选择最佳模型

# 30 天价格预测
forecast_result <- forecast(model_fit, h = 30) # 对未来 30 天进行预测

代码评注：

  1. ts(btc_price,频率 = 365)：将收盘价数据转换为日时间序列数据。频率 = 365 表示年周期。
  2. auto.arima(btc_ts, seasonal = TRUE)：自动设置 ARIMA 模型，以选择最佳参数。
  3. forecast(model_fit, h = 30)：使用 model_fit 所拟合的模型预测 30 天内比特币的价格。

预测结果可视化

我们将预测结果可视化，让您对比特币价格前景一目了然。下图右侧显示了预测结果的涨跌幅。

# 使用 ggplot2 将结果可视化
autoplot(forecast_result) +
  ggtitle("Bitcoin Price Forecast") +
  xlab("日期") +
  ylab("Price (USD)") + + +
  theme_minimal()

代码评注：

  1. autoplot(forecast_result)： 自动显示预测结果。
  2. ggtitle()： 设置图表标题。
  3. xlab() / ylab()：分别设置 x 轴和 y 轴的标签。
  4. theme_minimal()： 简化图表主题，使其更简洁。
비트코인 가격 전망 시계열 그림
(比特币价格前景可视化图表）

评估模型性能

为了评估 ARIMA 模型在预测比特币价格方面的性能，我们检查了准确性指标并分析了残差。

评估 # 的准确性
accuracy(forecast_result) 检查 # 预测精度

# 执行残差分析
checkresiduals(model_fit) # 验证模型拟合度

代码评注：

  1. accuracy(forecast_result): 评估预测结果的准确性，提供 RMSE、MAE 等各种指标。
  2. checkresiduals(model_fit)：执行残差分析，以验证模型是否很好地拟合了数据。这对于检查时间序列数据中的模式是否被很好地建模非常有用。
정확도 평가 확인 콘솔화면
(精度评估控制台屏幕）

以下是对上述比特币价格预测模型预测准确性数据的更详细解释。

准确度（预测结果） 让我们来解释一下函数的输出。 该函数提供了各种指标来评估预测模型的性能。下面是每个指标及其值的解释：

1. ME（平均误差）

  • 价值: 0.03430013
  • 意义预测值与实际值之差的平均值。 接近零的值表示没有预测偏差。
  • 口译由于：值接近于零，预测似乎没有太大偏差。

2.RMSE（均方根误差）

  • 价值: 915.6077
  • 意义预测值与实际值之间的误差被平方、平均并转换为平方根。它衡量误差的大小，数值越小，预测越准确。
  • 口译RMSE 值相对较高，这表明预测值和实际值之间存在很大差异。

3. MAE（平均绝对误差）

  • 价值: 449.3615
  • 意义预测值与实际值之间绝对误差的平均值。MAE 对异常值的敏感度低于 RMSE。
  • 口译MAE：449.36，该值低于 RMSE。这说明离群值是存在的，但总体而言，误差的平均值相对较低。

4. MPE（平均百分比误差）

  • 价值: -1.857804
  • 意义预测值与实际值之间相对误差的平均值，以百分比表示。负值表示预测值低于实际值。
  • 口译关于 -1.86%这往往会使预测值略低于实际值。

5. MAPE（平均绝对百分比误差）

  • 价值: 3.660335
  • 意义预测值与实际值之间相对误差的绝对值，以百分比平均。一般来说，10% 或更小的值被认为是非常好的预测值。
  • 口译：如果 MAPE 为 3.66%这表明模型总体预测准确。

6. MASE（平均绝对标度误差）

  • 价值: 0.03490917
  • 意义模型的 MAE 除以基准模型（如简单的天真模型）的 MAE。 数值小于 1 表示模型的性能优于基准模型。
  • 口译如果 MASE 是 0.035非常低，表明该模型的性能远远优于基准模型。

7. ACF1（残差的一阶自相关性）

  • 价值: 1.077496e-05 （即 0.00001077)
  • 意义表示残差一阶滞后期的自相关系数；数值越接近零，表示残差越独立（白噪声）。
  • 口译ACF1：ACF1 值接近于零，表明残差是独立的，ARIMA 模型很好地描述了数据的模式。

合成释义

  • 优点:
    • ME 值和 ACF1 值接近零，表明预测无偏，残差的独立性保持良好。
    • 它的 MAPE 非常低，仅为 3.66%，这意味着它具有很高的预测精度。
    • 与基准模型相比，MASE 的表现非常出色。
  • 局限性:
    • RMSE 值偏高，表明可能受到异常值的影响。
    • 预测性能高的数据箱和预测性能低的数据箱之间可能存在很大差异。

虽然比特币价格预测 ARIMA 模型的总体性能被评为良好，但通过更仔细地分析数据中的高波动性情况或通过移除/补充异常值来改善均方根误差可能是可取的。

(模型拟合验证分析图）

下文提供了对上图所示比特币价格预测模型拟合度分析图的更详细解释。

附图显示了 ARIMA（0,1,2）模型的残差分析结果。 每个面板的解释如下

顶部面板：随时间变化的残差

  • 虽然随着时间的推移，残差在零附近波动，但我们可以看到方差在增大。 这是因为 异质性(异方差），这违反了 ARIMA 模型的假设（方差恒定）。
  • 虽然我们没有看到一个清晰的模式，但这是积极的，我们需要解决方差增大的问题，以获得更好的模型拟合效果。

左下图：残差的自相关函数 (ACF)

  • ACF 图显示了残差的自相关性。
  • 理想情况下，所有点都应在蓝色置信区间内，表明残差是纯白噪声。
  • 然而，在这张图中，我们看到一些峰值超出了置信区间，这表明残差中仍然存在自相关性，表明模型可能没有完全考虑到数据的时间结构。

右下图：残差直方图

  • 直方图显示了残差的分布。中心有一个尖锐的峰值，但在两端的 极值（异常值） 可见。
  • 这表明残差不服从正态分布，违反了 ARIMA 模型的另一个假设（残差的正态性）。
  • 这些异常值会对模型性能产生负面影响。

ARIMA 模型结果的影响

解释 ARIMA 模型结果：预测结果显示了比特币价格前景的整体趋势。如果模型的拟合度和残差稳定，则可以认为预测结果是可靠的。需要注意的是，外部因素（市场新闻、经济变化等）并没有反映在模型中，只能作为参考。

总结

在这篇文章中，我们使用了 ARIMA 模型来分析比特币价格前景并将其可视化。使用 R 和机器学习进行数据驱动分析可以成为预测未来价格的有力工具，但请记住，在进行实际投资时，还有许多因素需要考虑。

#术语表

1. ARIMA（自回归综合移动平均法）
定义：用于分析时间序列数据和预测未来值的统计模型。
组成部分：
自回归（AR）：过去数据的值影响当前值。
I（迭代）：用于将数据转换为稳定形式的操作。
MA（移动平均）：利用过去的预测误差来解释当前值。
用例：通常用于预测按时间顺序观察到的数据，如股票价格、比特币价格、温度变化等。


2. 时间序列数据
定义：按时间顺序收集的数据。
特征：数据中随时间变化的模式（趋势、季节性等）。
例如比特币的日价格、月销售量、年气温变化。
目的：分析数据随时间变化的特征并预测未来。

3 均方根误差 (RMSE)
定义： 衡量预测值与实际值之间差异的指标。
计算方法： 预测误差（实际值-预测值）均方根的平方根。
含义： RMSE 值越小，预测模型越符合实际数据。
用例：用于评估模型的预测准确性。

4 平均绝对误差 (MAE)
定义：预测值与实际值绝对差值的平均值。
区别：RMSE 是误差的平方，因此对大误差敏感，而 MAE 对所有误差一视同仁。
意义： 了解预测模型工作准确度的有用指标。

5 残差分析
定义： 分析模型预测值与实际值之间的差异（残差）的过程。
目的： 了解模型对数据的解释程度，并检查模式。
如何分析：
残差的平均值应为零。
残差应随机分布，没有特定模式。
用例：您可以使用残差分析来评估模型的拟合程度，并找到需要改进的地方。

6 可视化
定义用图形表示数据的方法，帮助人们直观地理解复杂信息。
举例说明
时间序列图：直观显示数据随时间的变化。
散点图：显示两个变量之间的关系。
目的便于识别和交流数据中的模式、趋势和相关性。

7. auto.arima()
定义：R 中的一个函数，用于自动选择 ARIMA 模型的参数（P、D、Q）。
优点：自动设置最优模型，用户无需手动设置参数。
用例：当您想快速、轻松地分析时间序列数据时。

8. forecast()
定义：基于 ARIMA 模型预测未来值的 R 函数。
用法：通过指定预测期（h = n）生成 n 个未来数据。
结果返回包含预测值和置信区间的结果。
应用：比特币价格、股票价格、需求预测等。

9. autoplot()
定义：可轻松在 R 中创建可视化效果的函数。
特点自动以图表形式表示数据。
例如：autoplot(forecast_result) 以折线图的形式显示预测结果。
优点：直观、简单的编码即可实现可视化。

10 季节性
定义：数据中存在周期性重复出现的模式。
例如比特币价格可能会在某些时段（如周末、某些月份）重复出现某种模式。
分析目的：将这些模式纳入模型，以提高预测准确性。

类似文章