基于python深度学习聚类分析算法与LSTM模型的比特币价格分析与预测

基于python深度学习聚类分析算法与LSTM模型的比特币价格分析与预测。

本项目使用聚类分析算法和LSTM深度学习模型对比特币价格进行了分析与预测。
利用LSTM模型对时间序列数据预测的优势对比特币的未来价格走势进行预测。
核心步骤包括数据收集与预处理，数据可视化分析，聚类分析， 模型构建，模型评估，模型优化，模型预测。数据集包含2014-2024年的比特币美元价格数据。论文中包含对代码和生成图像的详细解释
项目内容:论文（12580字）(33页)+数据集+代码（ipynb）

以下文字及示例代码仅供参考

基于Python深度学习聚类分析算法与LSTM模型的比特币价格分析与预测

项目概述

本项目旨在通过深度学习技术，结合聚类分析和LSTM（长短期记忆）神经网络模型，对比特币价格进行分析和预测。我们将使用历史比特币价格数据，利用聚类算法识别市场状态，并使用LSTM模型对未来价格走势进行预测。

技术栈

• Python 3.x
• TensorFlow/Keras
• Scikit-learn
• Pandas
• NumPy
• Matplotlib
• Seaborn
• yfinance (获取金融数据)
  

数据准备

首先，我们需要获取比特币的历史价格数据。我们可以使用 yfinance 库来获取加密货币的数据。

import pandas as pd
import numpy as np
import yfinance as yf
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from sklearn.cluster import KMeans
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.metrics import mean_squared_error

# 获取比特币历史数据
btc_data = yf.download('BTC-USD', start='2017-01-01', end='2025-05-28')

print("数据集形状:", btc_data.shape)
print("\n前5行数据:")
print(btc_data.head())
print("\n数据统计信息:")
print(btc_data.describe())

# 绘制价格趋势图
plt.figure(figsize=(14, 6))
plt.plot(btc_data['Close'], label='比特币收盘价')
plt.title('比特币历史价格走势')
plt.xlabel('日期')
plt.ylabel('价格 (美元)')
plt.legend()
plt.show()

数据预处理

# 特征选择：我们只使用收盘价作为主要特征
data = btc_data[['Close']].copy()

# 归一化数据
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data.values)

# 创建训练序列
def create_sequences(data, seq_length):
    X, y = [], []
    for i in range(seq_length, len(data)):
        X.append(data[i-seq_length:i])
        y.append(data[i, 0])
    return np.array(X), np.array(y)

sequence_length = 60  # 使用过去60天的数据来预测下一天的价格
X, y = create_sequences(scaled_data, sequence_length)

# 划分训练集和测试集
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

print(f"训练集大小: {X_train.shape}, 测试集大小: {X_test.shape}")

聚类分析 - 市场状态识别

# 准备聚类数据
cluster_data = scaled_data.reshape(-1, 1)

# 使用K-Means聚类算法
kmeans = KMeans(n_clusters=4, random_state=42)
clusters = kmeans.fit_predict(cluster_data)

# 添加聚类标签到原始数据
data['Cluster'] = clusters

# 可视化聚类结果
plt.figure(figsize=(14, 6))
for cluster in range(4):
    plt.scatter(data.index[data['Cluster'] == cluster], 
                data['Close'][data['Cluster'] == cluster], 
                label=f'状态 {cluster}', s=10)

plt.title('基于K-Means聚类的比特币市场状态识别')
plt.xlabel('日期')
plt.ylabel('价格 (美元)')
plt.legend()
plt.show()

# 打印每个聚类的平均价格
cluster_means = scaler.inverse_transform(kmeans.cluster_centers_.reshape(-1, 1)).flatten()
print("\n各市场状态平均价格:")
for i, mean in enumerate(cluster_means):
    print(f"状态 {i} 平均价格: ${mean:.2f}")

构建LSTM模型进行价格预测

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=100, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=100, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(units=1))  # 预测下一个时间步的价格

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 打印模型结构
model.summary()

模型训练

# 训练模型
history = model.fit(X_train, y_train, epochs=50, batch_size=32, 
                    validation_data=(X_test, y_test), verbose=1)

# 绘制训练损失曲线
plt.figure(figsize=(10, 6))
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title('模型训练损失')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.show()

模型预测与评估

# 进行预测
predictions = model.predict(X_test)

# 反归一化
test_prices = y_test.reshape(-1, 1)
predicted_prices = predictions.reshape(-1, 1)

# 反归一化转换
full_data = np.concatenate((test_prices, test_prices[:, :9]), axis=1)
test_prices_unscaled = scaler.inverse_transform(full_data)[:, 0]

full_data = np.concatenate((predicted_prices, predicted_prices[:, :9]), axis=1)
predicted_prices_unscaled = scaler.inverse_transform(full_data)[:, 0]

# 计算误差指标
mse = mean_squared_error(test_prices_unscaled, predicted_prices_unscaled)
rmse = np.sqrt(mse)

print(f"\n模型性能指标:")
print(f"MSE: {mse:.2f}")
print(f"RMSE: {rmse:.2f}")

# 绘制预测结果
plt.figure(figsize=(14, 6))
plt.plot(test_prices_unscaled, label='真实价格')
plt.plot(predicted_prices_unscaled, label='预测价格')
plt.title('比特币价格预测')
plt.xlabel('样本索引')
plt.ylabel('价格 (美元)')
plt.legend()
plt.show()

预测未来价格走势

# 预测未来30天的价格
future_days = 30
inputs = scaled_data[-sequence_length-1:].tolist()
future_predictions = []

for _ in range(future_days):
    current_input = np.array(inputs[-sequence_length:])
    current_input = np.reshape(current_input, (1, sequence_length, 1))
    
    prediction = model.predict(current_input)[0, 0]
    future_predictions.append(prediction)
    inputs.append([prediction])

# 反归一化未来预测
full_data = np.concatenate((np.array(future_predictions).reshape(-1, 1), 
                            np.zeros((len(future_predictions), 9))), axis=1)
future_predictions_unscaled = scaler.inverse_transform(full_data)[:, 0]

# 创建未来日期索引
last_date = data.index[-1]
future_dates = pd.date_range(start=last_date, periods=future_days+1, closed='right')

# 绘制完整价格预测
plt.figure(figsize=(14, 6))
plt.plot(data.index, scaler.inverse_transform(scaled_data)[:, 0], label='历史价格')
plt.plot(future_dates, future_predictions_unscaled, label='未来预测价格', color='red')
plt.title('比特币价格历史与未来30天预测')
plt.xlabel('日期')
plt.ylabel('价格 (美元)')
plt.legend()
plt.show()

# 打印未来价格预测
print("\n未来30天价格预测:")
for date, price in zip(future_dates, future_predictions_unscaled):
    print(f"{date.strftime('%Y-%m-%d')}: ${price:.2f}")

结论

通过对比特币价格的深度学习分析，我们可以得出以下结论：

1. 聚类分析：

   • K-Means算法成功将比特币市场划分为4种不同的状态
   • 每个状态对应不同的价格水平和市场行为
   • 这些状态可以帮助投资者理解当前市场处于何种阶段

2. LSTM模型表现：

   • LSTM模型能够有效捕捉比特币价格的时间序列模式
   • 在测试集上实现了相对准确的预测
   • 模型能够识别出主要的价格波动趋势

3. 价格预测能力：

   • 模型可以对未来30天的比特币价格进行合理的预测
   • 尽管加密货币市场高度波动，但模型在短期内具有一定的预测能力
   • 预测结果可为投资者提供参考，但不能保证完全准确

4. 业务建议：

   • 结合聚类分析的结果制定投资策略
   • 短期交易者可参考LSTM模型的预测进行买卖决策
   • 长期投资者应关注更广泛的技术和基本面因素
   • 需要结合风险管理策略控制加密货币投资的风险

5. 进一步研究方向：

   • 引入更多特征如成交量、市场情绪等提高预测准确性
   • 探索其他深度学习架构如GRU、Transformer等
   • 结合强化学习方法构建自动化交易系统
   • 研究多币种之间的相关性及其对预测的影响

这个项目展示了如何使用深度学习技术，结合聚类分析和LSTM神经网络模型对比特币价格进行分析和预测。虽然加密货币市场具有高度波动性和不确定性，但这些方法仍能为投资者提供有价值的洞察和参考。