تنبؤ سعر البيتكوين باستخدام نموذج Keras Sequential

تنبؤ سعر البيتكوين باستخدام نموذج Keras Sequential

نظرة عامة:

يهدف هذا المشروع إلى بناء نموذج تعلم عميق باستخدام واجهة Keras Sequential لتنبؤ أسعار البيتكوين. يعتمد النموذج على بيانات أسعار البيتكوين خلال آخر 100 يوم لتحليل الاتجاهات وتوقع الأسعار المستقبلية، ويستخدم شبكة عصبية تعتمد على LSTM لاستخلاص الأنماط الزمنية في البيانات.

أهم الميزات:

جلب ومعالجة بيانات أسعار البيتكوين التاريخية

تطبيع البيانات وإعادة تشكيلها لتتناسب مع مدخلات نموذج LSTM

تدريب نموذج تعلم عميق باستخدام Keras Sequential

تقييم أداء النموذج باستخدام مقاييس مناسبة

تنبؤ أسعار البيتكوين المستقبلية استنادًا إلى الاتجاهات السابقة

البيانات المستخدمة:

تعتمد مجموعة البيانات على أسعار البيتكوين اليومية خلال آخر 100 يوم، وتشمل الخصائص التالية:

التاريخ

سعر الافتتاح

أعلى سعر

أدنى سعر

سعر الإغلاق (المتغير المستهدف)

حجم التداول

التقنيات المستخدمة:

Python

Keras / TensorFlow

Pandas

NumPy

Scikit-learn

Matplotlib / Seaborn

طريقة التثبيت والتشغيل:

استنساخ المستودع:

bash

Copy

Edit

git clone https://github.com/yourus...

cd bitcoin-price-prediction

تثبيت المتطلبات:

bash

Copy

Edit

pip install -r requirements.txt

بنية النموذج:

يعتمد النموذج على بنية Sequential ويشمل:

طبقة إدخال لمعالجة بيانات السلاسل الزمنية

طبقات LSTM لاستخلاص الأنماط الزمنية

طبقات Dense للتنبؤ

دوال تنشيط مثل ReLU وSigmoid

استخدام MSE كدالة خسارة

استخدام Adam كمُحسِّن أثناء التدريب

طريقة الاستخدام:

لتدريب النموذج:

bash

Copy

Edit

python train.py

لتوليد التنبؤات:

bash

Copy

Edit

python predict.py

لعرض النتائج بصريًا:

bash

Copy

Edit

python visualize.py

النتائج:

يحقق النموذج المدرب دقة مقبولة في توقع أسعار البيتكوين المستقبلية. تم تقييم الأداء باستخدام:

متوسط مربع الخطأ (MSE)

الجذر التربيعي لمتوسط مربع الخطأ (RMSE)

مقارنة مرئية بين القيم الحقيقية والمتوقعة

التحسينات المستقبلية:

إدخال ميزات إضافية مثل حجم التداول وتحليل المشاعر

تجربة نماذج بديلة مثل GRU أو Transformer

استخدام مجموعات بيانات أكبر لتحسين التعميم

ضبط المعاملات (Hyperparameter Tuning) لتحسين الأداء