-
Notifications
You must be signed in to change notification settings - Fork 0
/
predict_eth.py
38 lines (31 loc) · 1.58 KB
/
predict_eth.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
import asyncio
import yfinance as yf
import numpy as np
import matplotlib.pyplot as plt
from unifiedobserverlib import refined_predict_btc
from sklearn.metrics import mean_squared_error
async def predict_and_evaluate(symbol='ETH-USD', timeframe='1d', prediction_days=30):
# Загружаем данные за последние 3 месяца
data = yf.download(symbol, interval=timeframe, period='3mo')
# Разделяем данные на исторические и тестовые
train_data = data[:-prediction_days]
test_data = data[-prediction_days:]
# Строим предсказание на основе данных до последнего месяца
predictions = await refined_predict_btc(timeframe, prediction_days)
# Сравниваем предсказание с реальными данными
real_prices = test_data['Close'].values
predicted_prices = np.array(predictions)
mse = mean_squared_error(real_prices, predicted_prices)
print(f"Mean Squared Error of the prediction: {mse}")
# Визуализируем результаты
plt.figure(figsize=(14, 7))
plt.plot(data.index[-2*prediction_days:], data['Close'].values[-2*prediction_days:], label='Historical Prices')
plt.plot(test_data.index, predicted_prices, 'ro-', label='Predicted Prices')
plt.title(f'ETH Price Prediction Evaluation ({timeframe})')
plt.xlabel('Time')
plt.ylabel('Price (USD)')
plt.legend()
plt.grid(True)
plt.show()
# Запускаем предсказание и оценку
asyncio.run(predict_and_evaluate())