分析：数据挖掘：使用 ARMA 模型工具预测比特币趋势

数据挖掘：如何预测比特币趋势

什么？不知道比特币是什么！ ?

比特币的概念是由一位名叫中本聪的人在 2009 年提出的。比特币是一种虚拟数字货币。比特币与其他数字货币的最大区别在于比特币的数量是恒定的，比特币总量被限制在2100万。一个比特币是一个特解，特解是指可以从一个方程组中得到的一组有限解。比特币的价格会随着时间和不同的交易场所而波动。比特币是一种高风险的投资，价格涨跌不限。它可能一夜暴富，也可能一夜暴跌。至于比特币价值多少人民币的问题1分28比特币预测，大家可以通过各大交易平台看到比特币的实时价格。比特币的价格一直在波动。 4月16日，BCEX公布了最新的比特币价格。币价为34471.11元，Bibox公布的价格为33878.19元。从诞生到现在，比特币的价格也经历了多次涨跌。在 2009 年比特币诞生之初，1 美元可以购买 1300 个比特币。 2010 年，比特币的价格在 0. 大约是 003 美元一块。直到 2013 年 11 月，比特币的价格才经历了第一次保证。当时，一枚比特币的价格在 8000 元左右。 2017年，比特币再次创造了奇迹，其价格在2017年12月创造了当时的历史最高价。一个比特币的最高价值接近20,000美元。换算成人民币1分28比特币预测，​​一个比特币的价格接近13万元。币种，比特币经历暴涨后价格暴跌70%。

总结

1、通过一个比特币趋势预测的实际项目，可以实现，在预测一个数值时，如果考虑多个变量，可以通过回归分析来分析结果与结果之间的关系。如果考虑单个时间维度与结果的关系，可以使用时间序列分析。

2、根据比特币的历史数据，ARMA模型可以用来预测比特币未来8个月的走势，并将结果可视化。所以可以看出，虽然比特币的走势受到很多外部因素的影响，比如政策环境，ARMA工具还是很有用的。但是，当我们掌握了这些历史数据后，我们也可以利用时间序列模型进行分析和预测。

3、比特币趋势预测-时间序列预测-概念：由时间序列组成的数字序列，时间序列预测是一种回归预测方法，通过数据预测未来趋势-常用模型-AR(p)：自回归模型，认为过去某个时间的点可以通过线性组合加入白噪声来预测未来某个时间 - MA(p,q)：移动平均模型，通过历史白噪声为线性组合影响当前时刻 - generate(text)：生成词云，传入的参数 text 代表要分析的文本 - ARMA(p,q)：AR模型和MA模型的混合 - ARIMA(p, d,q)：差分自回归移动平均模型。与ARMA相比，多了一个区别流程-ARMA工具-参考：from statsmodels.tsa.arima_model import ARMA-构造：ARMA(endog,order,exorg=None)- endog：表示一个内生变量。由模型决定，不受策略影响，可以说我们要解析的变量——order：代表p和q的值。也就是说，ARMA 中的顺序 - exog: 表示一个外生变量，受外部因素影响，而不是我们模型要研究的变量。 - 函数函数 - fit()：拟合函数 - predict(start, end)：预测函数 - start：预测的开始时间 - end：预测的结束时间 - AIC 准则：也称为 Akaike 消息准则，它是一种统计量度模型 衡量好坏的标准，AIC 值越小，模型拟合越好 - 项目过程 - 数据加载： - 准备阶段：数据探索，数据可视化，特征选择 - 预测阶段：创建预测器，参数优化，结果可视化- 预测分析：未来8个比特币将大幅下跌，价格将接近4000美元

预测结果：

基于以上背景知识，从上图可以知道，按照天数显示比特币走势最准确，其次是月份，下图是预测逐月趋势，基本可以匹配实际趋势。在 2018 年 10 月之后的 8 个月内，比特币将触底反弹至 4,000 美元左右。事实上，比特币现阶段确实降到了 4000 美元，并且设置得更低。在时间尺度的选择上，搜门选择了月，降低了数据的维数，节省了ARMA的模型训练时间。我们可以看到，在比特币金额（美元）的图中，比特币按月划分的趋势与比特币按天划分的趋势并没有太大区别。它还可以在减少局部波动的同时反映比特币的走势。这样可以节省 ARMA 的模型训练时间。