Julia for Cryptocurrencies — эластичность $EOS в линейной модели
Я новенькая в Юлии. Итак, дайте мне знать, что я должен попробовать в Jupyter Notebook. Пожалуйста, прокомментируйте этот текст. Какое-то время продолжайте двигаться в том же духе, что и я в Python: кодирование для отслеживания криптовалют. Если вы программируете на Python, попробуйте и Джулию. Вам понравится… Несколько дней назад я сделал это в JuliaBox (войдите в систему по модели бесплатной подписки, без установки, мало вычислений, но с очень хорошим мышлением) и нашел интересный факт о $EOS. У меня 48,45% моего криптофолио в $EOS. Вот почему я изучаю кодирование. Во-первых, я должен сказать, что это прекрасный проект, который выбрал смелый путь. Мне нравится мыслить по-другому и в соревновательной экосистеме. Ну а раз в Jupyter Notebook by JuliaBox (New — Notebook), давайте импортируем наши полезные пакеты и загружаем данные в Julia. Мы должны сделать что-то вроде:
Я выбрал способ с использованием Queryverse для загрузки данных $EOS в формате csv с CoinGecko.com и преобразования их в DataFrame (я только что прокомментировал способ, который тоже работает). Вы также можете попробовать использовать DataFrames, Requests, IterableTables, GLM, StatPlots. Без проблем. Нам нужен GLM для создания линейной модели (регрессии) и StatPlots для ее отображения. В Queryverse pkg также есть инструмент построения графиков, поэтому StatPlots излишен. Как я уже говорил, я здесь новичок. Разносторонность Юлии невероятна. Я знаю, что может быть лучший способ запустить его. Как бы то ни было, я понятия не имею, что говорит мне ПРЕДУПРЕЖДЕНИЕ. Просто проигнорировал. Вы можете увидеть гораздо больше здесь.
Запустите ячейку describe (df), чтобы увидеть сводную статистику всех столбцов. В Julia мы можем одновременно применить функцию к группе столбцов, используя colwise(). Например, я запускаю colwise(std, df[[:2, :3, :4]]), чтобы узнать стандартное отклонение столбцов цена, рыночная капитализация и общий_объем. См. введение в Julia/DataFrames здесь. Если вы можете купить больше вычислений, попробуйте df |› Voyager ( ), чтобы распечатать все графики ваших данных (только если вы загружаете наборы данных, я думаю). Мое приятное удивление началось, когда я запустил cor(df[:2], df[:3]), чтобы найти коэффициент корреляции между ценой и рыночной капитализацией. Я нашел 0,9749197610686224, очень сильную положительную корреляцию, которую я никогда раньше не видел в криптовалютах, которыми торговал. Итак, я хотел увидеть это в модели линейной регрессии.
Я думаю, это так забавно, когда эксперты-гики говорят о машинном обучении с таким количеством математики и статистики, что машинное обучение может дать вам все точные ответы, о которых вы мечтаете. Представьте здесь грустный смайлик. Нет, не может. Но мы обнаруживаем лучшие финансовые тенденции, когда кодируем модели машинного обучения для криптовалют. Действительно, я начал писать код на языке Python, чтобы отслеживать эти тенденции. А вот и Джулия. Линейная модель — готово. Резюме, предполагаемый перехват и предполагаемый наклон — видно. Я создал линейную функцию f(x), чтобы построить ее. Voir le jour dans cryptos…
Я хотел бы видеть здесь какие-либо контраргументы. Пожалуйста, прокомментируйте это. В противном случае я могу увидеть прекрасную ценовую эластичность $ EOS. Это не очень хорошая модель для прогнозов, потому что ценовые данные удаляются от линии ВВЕРХ. Вот и все. Цена растет так сильно, когда увеличивается рыночная капитализация. Сегодня (22 июня — 2018 г.) рыночная капитализация EOS в долларах США составляет почти 8 миллиардов долларов США. Биткойн, 106 миллиард долларов США. Цена EOS составляет 8,90 долларов США, но я пытаюсь сказать, что, несмотря на волнение Джулии, она может легко достичь 20 долларов США на бычьем рынке. Я так ошибаюсь?
