-
Notifications
You must be signed in to change notification settings - Fork 3
/
regressao-linear-v0.3-2-PT.py
194 lines (182 loc) · 9.66 KB
/
regressao-linear-v0.3-2-PT.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
@author: Felipe Soares
"""
import requests
import json
import random
import talib
import pandas as pd
import datetime as dt
from matplotlib import pyplot as plt
import pyfiglet
ascii_banner = pyfiglet.figlet_format("DataCrypto Analytics")
print(ascii_banner)
#########################################################################################
#========= Esolhe a Criptomoedas e valores de negociação
########################################################################################
criptomoeda = input(' | Algoritmo: Regressão Linear '
'\n | Versão: v0.3-2-PT '
'\n\n | Twitter @DataCryptoML '
'\n | Github @datacrypto-analytics '
'\n | https://datacryptoanalytics.com/ '
'\n \nDigite o par de criptomoedas listada na Binance: ')
print('O par de criptomoeda informada foi: %s' %(criptomoeda))
#######################################################################################
#======== Cria URL da API Binance
#######################################################################################
root_url = 'https://api.binance.com/api/v1/klines'
symbol = criptomoeda
interval = input('Digite o Timeframe (Exemplo: 15m, 30m, 1h, 1d, 1M): ')
url = root_url + '?symbol=' + symbol + '&interval=' + interval
#print(url)
#######################################################################################
#======== Monta URL e o Gráfico e DataFrame
#######################################################################################
def get_bars(symbol, interval = interval):
url = root_url + '?symbol=' + symbol + '&interval=' + interval
data = json.loads(requests.get(url).text)
df = pd.DataFrame(data)
df.columns = ['open_time',
'o', 'h', 'l', 'c', 'v',
'close_time', 'qav', 'num_trades',
'taker_base_vol', 'taker_quote_vol', 'ignore']
df.index = [dt.datetime.fromtimestamp(x/1000.0) for x in df.close_time]
return df
#######################################################################################
#======== Organizando Variaveis
#######################################################################################
criptomoeda = get_bars(criptomoeda)
criptomoeda_fechamento = criptomoeda['c'].astype('float').values
criptomoeda_close = criptomoeda['c'].astype('float')
criptomoeda_abertura = criptomoeda['o'].astype('float').values
criptomoeda_num_trades = criptomoeda['num_trades'].astype('float')
criptomoeda_maxima = criptomoeda['h'].astype('float')
criptomoeda_minima = criptomoeda['l'].astype('float')
criptomoeda_volume = criptomoeda['v'].astype('float')
criptomoeda_datas_fechamento = criptomoeda['close_time'].astype('float')
criptomoeda_datas_abertura = criptomoeda['open_time'].astype('float')
taker_base_vol = criptomoeda['taker_base_vol'].astype('float')
taker_quote_vol = criptomoeda['taker_quote_vol'].astype('float')
closeprice = criptomoeda_close.iloc[-1]
cci = talib.CCI(criptomoeda_maxima, criptomoeda_minima, criptomoeda_close, timeperiod=14)
atr = talib.ATR(criptomoeda_maxima, criptomoeda_minima, criptomoeda_close, timeperiod=14)
midpoint = talib.MIDPOINT(criptomoeda_close, timeperiod=30)
sma6 = talib.SMA(criptomoeda_close, timeperiod=6)
sma9 = talib.SMA(criptomoeda_close, timeperiod=9)
real = talib.T3(criptomoeda_close, timeperiod=14)
print('________________________________________________________________________________')
print('\n \n Preço de Fechamento: $%.2f'%(closeprice))
from tqdm import tqdm
from time import sleep
for i in tqdm(range(0, 100), desc =" DataCrypto Analytics recuperando dados"):
sleep(.1)
#print('\n \n DataCrypto Analytics buscando dados...'
# '\n Aguarde alguns segundos, algoritmo treinando e fazendo previsões!')
for i in tqdm(range(0, 100), desc =" Algoritmo treinando com dados recuperados"):
sleep(.2)
for i in tqdm(range(0, 100), desc =" Aguarde mais alguns segundos. Algoritmo fazendo previsões"):
sleep(.5)
#######################################################################################
# Média movel de 14 dias do Fechamento
#######################################################################################
criptomoeda_fechamento_mediamovel = criptomoeda['c'].rolling(30).mean()
#######################################################################################
# Média movel de 30 dias do Fechamento
#######################################################################################
criptomoeda_fechamento_mediamovel100 = criptomoeda['c'].rolling(100).mean()
#######################################################################################
#======== Importar biblioteca SKLEARN
#######################################################################################
import numpy as np
from sklearn import linear_model
from sklearn.metrics import mean_squared_error, r2_score
from matplotlib import rcParams
#=========
criptomoeda_regressao = criptomoeda_abertura
#========= Treinar X
criptomoeda_X_train = criptomoeda_abertura
criptomoeda_X_test = criptomoeda_abertura
X_train = np.reshape(criptomoeda_X_train, (-1,1))
X_test = np.reshape(criptomoeda_X_test, (-1,1))
#========== Treinar Y
criptomoeda_y_train = criptomoeda_fechamento
criptomoeda_y_test = criptomoeda_fechamento
y_train = np.reshape(criptomoeda_y_train, (-1,1))
y_test = np.reshape(criptomoeda_y_test, (-1,1))
#######################################################################################
#========= Criar modelo de regressão linear
#######################################################################################
regr = linear_model.LinearRegression(fit_intercept=True, normalize=True, copy_X=True, n_jobs=15, positive=False)
#######################################################################################
#========= Treine o modelo usando os conjuntos de treinamento
#######################################################################################
regr.fit(X_train, y_train)
#######################################################################################
#======== Faça previsões usando o conjunto de teste
#######################################################################################
criptomoeda_y_pred = regr.predict(X_test)
#######################################################################################
#======== The coefficients
#######################################################################################
print('________________________________________________________________________________')
print('________________________________Resultados______________________________________')
print('\n Coefficients: ', regr.coef_)
print('________________________________________________________________________________')
#######################################################################################
#======== The mean squared error
#######################################################################################
print("\n Mean squared error (MSE): %.2f"
% mean_squared_error(y_test, criptomoeda_y_pred))
print('________________________________________________________________________________')
#######################################################################################
# ======== Explained variance score: 1 is perfect prediction
#######################################################################################
print('\n Score de variância (próximo de 1.0 bom > ruim): %.2f'
% r2_score(y_test, criptomoeda_y_pred))
print('________________________________________________________________________________')
print('\n Média previsões:', criptomoeda_y_pred.mean())
print('________________________________________________________________________________')
media = criptomoeda_y_pred.mean()
#######################################################################################
#============ Criar Gráfico
#######################################################################################
plt.style.use('bmh')
plt.rcParams['figure.figsize'] = (12,7)
plt.rcParams['font.family'] = 'serif'
plt.subplot(2, 1, 1)
plt.plot(criptomoeda_close, '-', color="black", linewidth=1)
plt.plot(criptomoeda_fechamento_mediamovel, '-', color="red", linewidth=1)
plt.plot(criptomoeda_fechamento_mediamovel100, '-', color="black", linewidth=1)
plt.plot(midpoint, '--', color="red", linewidth=1, alpha=0.4)
#plt.text(10000, 3000, "@DataCryptoML", family="serif")
plt.legend(['Close $%.2f'%(closeprice), 'MA30', 'MA100', 'Midpoint'], loc=0)
plt.title('DataCrypto Analytics (@DataCryptoML)')
#plt.xlabel('DataCrypto Analytics (@DataCryptoML)', labelpad=1)
plt.ylabel('Price')
plt.subplot(2, 1, 2)
plt.scatter(X_test, y_test, color="black", linewidth=2, alpha=0.5, s=.8)
plt.scatter(media, media,color="red", linewidth=3, alpha=0.6)
plt.plot(X_test, criptomoeda_y_pred, color='blue', linewidth=1)
plt.legend(['Linear Regression', 'Close', 'Prediction Price $%.2f'%(media)], loc=0)
plt.xlabel('GitHub: @datacrypto-analytics', fontsize=9)
plt.ylabel('Linear Regression')
plt.show()
#######################################################################################
#------ Salvando o modelo -----------------
#######################################################################################
# importa o pickle
import pickle
# Define o nome do arquivo em disco que irá
# guardar o nosso modelo
filename='regressor_model.sav'
# salva o modelo no disco
pickle.dump(regr, open(filename, 'wb'))
# Carregando o modelo do disco
loaded_model = pickle.load(open(filename, 'rb'))
# Atribui a variável result o score do modelo
result = loaded_model.score(X_test, y_test)
#Imprime o resultado
print('\n Score do modelo salvo:', result)
print('________________________________________________________________________________')