Szeregi czasowe to zbiory danych uporz\u0105dkowane chronologicznie, kt\u00f3re pozwalaj\u0105 na przewidywanie przysz\u0142ych zmian na podstawie wcze\u015bniejszych warto\u015bci. W kontek\u015bcie kryptowalut analiza szereg\u00f3w czasowych umo\u017cliwia wychwytywanie cyklicznych fluktuacji oraz zmian d\u0142ugoterminowych, co jest kluczowe na tak dynamicznych rynkach.<\/p>\n\n\n\n
W analizie kurs\u00f3w kryptowalut szczeg\u00f3lne znaczenie maj\u0105 modele zale\u017cno\u015bci czasowej, bazuj\u0105ce na analizie zale\u017cno\u015bci mi\u0119dzy przesz\u0142ymi i aktualnymi warto\u015bciami.<\/p>\n\n\n\n
Rodzaje modeli<\/strong><\/h3>\n\n\n\nDo najpopularniejszych modeli nale\u017c\u0105:<\/p>\n\n\n\n
\n- ARIMA<\/strong> (Autoregressive Integrated Moving Average) \u2013 model stosowany przy danych stacjonarnych, kt\u00f3re nie wykazuj\u0105 silnych trend\u00f3w wzrostowych ani sezonowo\u015bci. W przypadku niestacjonarnych trend\u00f3w w danych konieczne jest ich odpowiednie przekszta\u0142cenie.<\/li>\n\n\n\n
- SARIMA<\/strong> \u2013 wersja ARIMA uwzgl\u0119dniaj\u0105ca sezonowo\u015b\u0107, co sprawdza si\u0119 w analizie kryptowalut, gdzie sezonowe wahania kurs\u00f3w mog\u0105 by\u0107 zwi\u0105zane z wydarzeniami rynkowymi.<\/li>\n\n\n\n
- LSTM<\/strong> (Long Short-Term Memory) \u2013 rekurencyjna sie\u0107 neuronowa doskonale radz\u0105ca sobie z danymi niestacjonarnymi i du\u017cymi wahaniami kurs\u00f3w. LSTM, dzi\u0119ki pami\u0119ci d\u0142ugoterminowej, mo\u017ce uchwyci\u0107 z\u0142o\u017cone zale\u017cno\u015bci w danych, co jest szczeg\u00f3lnie u\u017cyteczne przy kryptowalutach, gdzie kursy mog\u0105 zmienia\u0107 si\u0119 gwa\u0142townie.<\/li>\n<\/ul>\n\n\n\n
Czym jest GAM?<\/strong><\/h3>\n\n\n\nOg\u00f3lny model addytywny<\/strong> (GAM<\/strong>) wykorzystuje og\u00f3lne trendy do prognozowania, zamiast polega\u0107 na korelacji mi\u0119dzy warto\u015bciami z podobnych znacznik\u00f3w czasu. Zasada dzia\u0142ania GAM jest podobna do modelu regresji, jednak nie u\u017cywa pojedynczego predyktora do przewidywania wyniku, a w zamian GAM opiera si\u0119 na sumie funkcji g\u0142adkich. Funkcje g\u0142adkie obejmuj\u0105 komponenty trendu, sezonowo\u015bci, \u015bwi\u0105teczne i inne.<\/p>\n\n\n\nGAM umo\u017cliwia izolacj\u0119 pojedynczej funkcji i ocen\u0119 jej wp\u0142ywu na prognozy, co czyni ten model bardziej interpretowalnym. Przyk\u0142adem GAM jest FbProphet<\/strong>, pot\u0119\u017cny pakiet do analizy szereg\u00f3w czasowych stworzony przez zesp\u00f3\u0142 Core Data Science w Facebooku. Prophet jest prostym i \u0142atwym w u\u017cyciu narz\u0119dziem do analizy szereg\u00f3w czasowych i prognozowania na du\u017c\u0105 skal\u0119.<\/p>\n\n\n\nKilka s\u0142\u00f3w o Prophet<\/strong><\/h2>\n\n\n\nDo kluczowych cech modelu Prophet nale\u017c\u0105:<\/p>\n\n\n\n
\n- Wykorzystanie modelu addytywnego, kt\u00f3ry dostosowuje nieliniowe trendy do sezonowo\u015bci rocznej, tygodniowej, dziennej oraz efekt\u00f3w \u015bwi\u0105tecznych.<\/li>\n\n\n\n
- Silne efekty sezonowe \u2013 najlepiej sprawdza si\u0119 w szeregach czasowych, kt\u00f3re maj\u0105 wyra\u017ane efekty sezonowe i dost\u0119p do wielu sezon\u00f3w danych historycznych.<\/li>\n\n\n\n
- Odporno\u015b\u0107 na brakuj\u0105ce dane \u2013 model jest odporny na brakuj\u0105ce dane oraz zmiany trendu, a tak\u017ce dobrze radzi sobie z warto\u015bciami odstaj\u0105cymi.<\/li>\n\n\n\n
- Prosta dostosowalno\u015b\u0107 \u2013 analitycy bez do\u015bwiadczenia w zakresie analizy szereg\u00f3w czasowych mog\u0105 dostosowa\u0107 kilka interpretowalnych parametr\u00f3w, co pozwala na uzyskanie dobrego modelu prognostycznego.<\/li>\n<\/ul>\n\n\n\n
Zesp\u00f3\u0142 analityk\u00f3w danych w Facebooku odkry\u0142, \u017ce \u0142\u0105cz\u0105c automatyczne prognozowanie z prognozami analityk\u00f3w w p\u0119tli dla specyficznych przypadk\u00f3w, mo\u017cliwe jest obj\u0119cie szerokiego zakresu przypadk\u00f3w u\u017cycia w biznesie.<\/p>\n\n\n\n
Prognozowanie w modelu Prophet<\/strong><\/h2>\n\n\n\nPoni\u017cszy diagram ilustruje proces prognozowania wykorzystywany w modelu Prophet.<\/p>\n\n\n\n![\"Proces](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/image1-5.png\")
<\/a>Ryc. 1 Proces prognozowania wykorzystywany w modelu Prophet<\/a><\/figcaption><\/figure>\n\n\n\nProphet wykorzystuje rozk\u0142adalny model szereg\u00f3w czasowych sk\u0142adaj\u0105cy si\u0119 z trzech g\u0142\u00f3wnych komponent\u00f3w:<\/p>\n\n\n\n
\n- trendu,<\/li>\n\n\n\n
- sezonowo\u015bci,<\/li>\n\n\n\n
- efekt\u00f3w \u015bwi\u0105tecznych.<\/li>\n<\/ul>\n\n\n\n
R\u00f3wnanie modelu ma posta\u0107:<\/p>\n\n\n\n
y(t)=g(t)+s(t)+h(t)+e(t)<\/p>\n\n\n\n
\n- g(t) \u2013 funkcja trendu, kt\u00f3ra modeluje zmiany nieokresowe. Mo\u017ce mie\u0107 charakter liniowy lub logistyczny.<\/li>\n\n\n\n
- s(t) \u2013 oznacza sezonowe zmiany, takie jak tygodniowe, miesi\u0119czne i roczne. Roczny sk\u0142adnik sezonowy jest modelowany za pomoc\u0105 serii Fouriera, natomiast tygodniowy sk\u0142adnik sezonowy za pomoc\u0105 zmiennych pozorowanych.<\/li>\n\n\n\n
- h(t) \u2013 funkcja reprezentuj\u0105ca wp\u0142yw \u015bwi\u0105t, kt\u00f3re wyst\u0119puj\u0105 w nieregularnych harmonogramach (np. n \u2265 1)<\/li>\n\n\n\n
- e(t) \u2013 sk\u0142adnik reprezentuj\u0105cy zmiany b\u0142\u0119d\u00f3w, kt\u00f3re nie s\u0105 uwzgl\u0119dnione w modelu.<\/li>\n<\/ul>\n\n\n\n
![\"Prognoza](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/2-1024x657.png\")
<\/a>Ryc. 2 Prognoza cen zamkni\u0119cia (bez r\u00f3\u017cnic \u2013 niestacjonarna) \u2013 opracowanie w\u0142asne<\/figcaption><\/figure>\n\n\n\n![\"Prognoza](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/1-1024x657.png\")
<\/a>Ryc. 3 Prognoza cen zamkni\u0119cia z r\u00f3\u017cnicami (stacjonarna) \u2013 opracowanie w\u0142asne<\/figcaption><\/figure>\n\n\n\nOstatnia sekcja bez czarnych kropek przedstawia prognoz\u0119 testu. Wida\u0107, \u017ce oba elementy znacznie si\u0119 rozchodz\u0105 pod koniec analizy, co wskazuje na s\u0142abo\u015b\u0107 modelu<\/strong>. Nawet stacjonarne szeregi czasowe wydaj\u0105 si\u0119 bardzo p\u0142askie.<\/p>\n\n\n\nJednym z powod\u00f3w tego stanu rzeczy mo\u017ce by\u0107 to, \u017ce r\u00f3\u017cnice obliczane codziennie usun\u0119\u0142y wszystkie tygodniowe, miesi\u0119czne i sezonowe trendy w danych. Ponadto, korzystanie jedynie z miesi\u0119cznych danych mo\u017ce nie dostarcza\u0107 wystarczaj\u0105cej ilo\u015bci informacji, aby model FBProphet skutecznie przeprowadza\u0142 analizy.<\/p>\n\n\n\n
Przedstawienie fragmentu kodu aplikacji umo\u017cliwiaj\u0105cej przewidywanie kursu<\/strong><\/h2>\n\n\n\nKod tworzy aplikacj\u0119 w Streamlit, kt\u00f3ra umo\u017cliwia u\u017cytkownikowi prognozowanie kurs\u00f3w kryptowalut. Importuje niezb\u0119dne biblioteki, takie jak yfinance, do pobierania danych finansowych oraz fbprophet do analizy szereg\u00f3w czasowych. Ustala dat\u0119 pocz\u0105tkow\u0105 analizy oraz aktualn\u0105 dat\u0119. Nast\u0119pnie wy\u015bwietla nag\u0142\u00f3wek aplikacji oraz pozwala u\u017cytkownikowi wybra\u0107 jedn\u0105 z trzech kryptowalut (ETH, DOGE, BTC) do prognozowania. U\u017cytkownik mo\u017ce tak\u017ce okre\u015bli\u0107 liczb\u0119 lat, na jakie chce prognozowa\u0107 kurs, przy u\u017cyciu suwaka, a program oblicza ca\u0142kowit\u0105 liczb\u0119 dni dla wybranego okresu.<\/p>\n\n\n
\nimport streamlit as st\nfrom datetime import date\nimport yfinance as yf\nfrom fbprophet import Prophet\nfrom fbprophet.plot import plot_plotly\nfrom plotly import graph_objs as go\n\nSTART = "2015-01-01"\nTODAY = date.today().strftime("%Y-%m-%d")\nst.title('Aplikacja prognozuj\u0105ca kurs')\nstocks = ('ETH-USD', 'DOGE-USD', 'BTC-USD')\nselected_stock = st.selectbox('Wybierz kurs do przewidzenia:', stocks)\nn_years = st.slider('Wybierz ilo\u015b\u0107 lat do przewidzenia:', 1, 4)\nperiod = n_years * 365\n<\/pre><\/div>\n\n\nAplikacja \u0142aduje dane historyczne dla wybranej kryptowaluty z Yahoo Finance. Funkcja load_data(ticker) u\u017cywa dekoratora @st.cache, co pozwala na przechowywanie danych w pami\u0119ci podr\u0119cznej, przyspieszaj\u0105c \u0142adowanie. Po za\u0142adowaniu danych, kod informuje u\u017cytkownika o stanie \u0142adowania i wy\u015bwietla dane w formie tabeli.<\/p>\n\n\n\n
Funkcja plot_raw_data() generuje wykres, ilustruj\u0105c dane otwarcia i zamkni\u0119cia kryptowaluty. U\u017cywa Plotly do stworzenia figury, a nast\u0119pnie aktualizuje tytu\u0142 wykresu i dodaje suwak do osi x. Ostatecznie kod przygotowuje dane do prognozowania, tworz\u0105c zbi\u00f3r df_train, kt\u00f3ry zawiera kolumny z dat\u0105 i cen\u0105 zamkni\u0119cia, a nast\u0119pnie zmienia nazwy tych kolumn na wymagane przez model Prophet.<\/p>\n\n\n
\n@st.cache\ndef load_data(ticker):\n data = yf.download(ticker, START, TODAY)\n data.reset_index(inplace=True)\n return data\n\ndata_load_state = st.text('\u0141adowanie danych...')\ndata = load_data(selected_stock)\ndata_load_state.text('\u0141adowanie danych zako\u0144czone!')\nst.subheader('Pobrane dane')\nst.write(data.tail())\n\n# Plot raw data\ndef plot_raw_data():\n fig = go.Figure()\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Open'], name="stock_open"))\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Close'], name="stock_close"))\n fig.layout.update(title_text='Aktualne dane', xaxis_rangeslider_visible=True)\n st.plotly_chart(fig)\n\nplot_raw_data()\n\n# Predict forecast with Prophet\ndf_train = data[['Date', 'Close']]\ndf_train = df_train.rename(columns={"Date": "ds", "Close": "y"})\n<\/pre><\/div>\n\n\nProphet jest trenowany na przygotowanych danych. Po za\u0142adowaniu danych do df_train, aplikacja tworzy instancj\u0119 modelu Prophet, a nast\u0119pnie dopasowuje model do danych za pomoc\u0105 m.fit(df_train).<\/p>\n\n\n\n
Nast\u0119pnie aplikacja generuje ramk\u0119 danych dla przysz\u0142ych prognoz, korzystaj\u0105c z metody make_future_dataframe(periods=period), co umo\u017cliwia przewidywanie warto\u015bci na wybrany okres. Wyniki prognozy s\u0105 nast\u0119pnie obliczane i przechowywane w zmiennej forecast za pomoc\u0105 m.predict(future).<\/p>\n\n\n\n
Aplikacja prezentuje przewidywane kursy oraz odpowiedni komunikat w zale\u017cno\u015bci od liczby lat, kt\u00f3re u\u017cytkownik wybra\u0142. U\u017cywa funkcji st.write() do wy\u015bwietlenia ko\u0144cowych prognoz oraz wykresu przy u\u017cyciu plot_plotly, kt\u00f3ry wizualizuje prognozy w formacie Plotly. Dodatkowo, prezentowane s\u0105 komponenty prognozy, takie jak wp\u0142yw trend\u00f3w i sezonowo\u015bci.<\/p>\n\n\n
\nm = Prophet()\nm.fit(df_train)\nfuture = m.make_future_dataframe(periods=period)\nforecast = m.predict(future)\n\n# Show and plot forecast\nst.subheader('Przepowiedziany kurs')\nst.write(forecast.tail())\n\nif n_years == 1:\n st.write(f'Przepowiednia kursu na {n_years} rok')\nelse:\n st.write(f'Przepowiednia kursu na {n_years} lat')\n\nfigl = plot_plotly(m, forecast)\nst.plotly_chart(figl)\nst.write("Elementy przewidywania kursu")\nfig2 = m.plot_components(forecast)\nst.write(fig2)\n<\/pre><\/div>\n\n\nDzia\u0142anie aplikacji<\/strong><\/h2>\n\n\n\nUwaga!<\/strong> Aby uzyska\u0107 wnioski, celowo ograniczy\u0142em dane modelu do historycznych warto\u015bci, co umo\u017cliwia przeprowadzenie analizy.<\/p>\n\n\n\n![\"Aplikacja](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/3.png\")
<\/a>Ryc. 4 Aplikacja prognozuj\u0105ca kurs<\/figcaption><\/figure>\n\n\n\nPowy\u017cej znajduje si\u0119 interfejs aplikacji, w kt\u00f3rym u\u017cytkownik ma mo\u017cliwo\u015b\u0107 wyboru jednej z kryptowalut oraz okre\u015blenia okresu czasowego, dla kt\u00f3rego maj\u0105 zosta\u0107 wygenerowane dane. Aplikacja pobiera aktualne dane z ostatnich kilku dni, prezentuj\u0105c na przyk\u0142ad najni\u017csz\u0105 i najwy\u017csz\u0105 cen\u0119 w tych okresach dla ka\u017cdego z dni.<\/p>\n\n\n\n![\"Cena](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/4.png\")
<\/a>Ryc. 5 Cena kryptowalut w uj\u0119ciu czasowym<\/figcaption><\/figure>\n\n\n\n![\"Przepowiednia](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/6.png\")
<\/a>Ryc. 6 Przepowiednia kursu<\/figcaption><\/figure>\n\n\n\n![\"Wykres](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/5-1024x622.png\")
<\/a>Ryc. 7 Wykres d\u0142ugoterminowy dla ETH<\/figcaption><\/figure>\n\n\n\nPrzyk\u0142adowo wygenerowa\u0142em wykres d\u0142ugoterminowy dla jednej z kryptowalut (ETH). Czarna przerywana linia ilustruje dane pobrane bezpo\u015brednio z gie\u0142dy. Obszar prawdopodobnego kursu waluty na dany okres zosta\u0142 oznaczony jasno niebiesk\u0105 fal\u0105. Granatowa linia przedstawia najbardziej prawdopodobne prognozy notowa\u0144 danej kryptowaluty.<\/p>\n\n\n\n![\"oferty](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2024\/10\/praca-m.jpg\")
<\/a><\/figure>\n\n\n\nPodsumowanie<\/strong><\/h2>\n\n\n\nWykorzystanie nowoczesnych narz\u0119dzi analitycznych w kontek\u015bcie rynku kryptowalut mo\u017cna postrzega\u0107 jako interesuj\u0105cy aspekt technologiczny przydatny g\u0142\u00f3wnie w prognozach kr\u00f3tkoterminowych. Nale\u017cy jednak pami\u0119ta\u0107, \u017ce rynek ten charakteryzuje si\u0119 niezwyk\u0142\u0105 dynamik\u0105 i nieprzewidywalno\u015bci\u0105, co ogranicza mo\u017cliwo\u015bci skutecznego prognozowania przysz\u0142ych ruch\u00f3w cenowych.<\/p>\n\n\n\n
Istotnym czynnikiem wp\u0142ywaj\u0105cym na zmiany cen kryptowalut s\u0105 tzw. \u201ewieloryby\u201d \u2013 podmioty posiadaj\u0105ce znacz\u0105ce ilo\u015bci danej waluty. Ich decyzje dotycz\u0105ce zakupu lub sprzeda\u017cy mog\u0105 w spos\u00f3b drastyczny manipulowa\u0107 rynkiem, powoduj\u0105c gwa\u0142towne zmiany warto\u015bci. Ponadto, zjawiska takie jak promowanie okre\u015blonych kryptowalut przez znane osoby, jak w przypadku Elona Muska i Dogecoina, maj\u0105 ogromny wp\u0142yw na sentyment inwestor\u00f3w oraz dynamik\u0119 rynku.<\/p>\n\n\n\n
W zwi\u0105zku z powy\u017cszym, mimo \u017ce narz\u0119dzia analityczne mog\u0105 dostarcza\u0107 cennych informacji, inwestorzy powinni podej\u015b\u0107 do nich z ostro\u017cno\u015bci\u0105 i \u015bwiadomo\u015bci\u0105, \u017ce wiele czynnik\u00f3w zewn\u0119trznych, w tym emocje rynku i nieprzewidywalne wydarzenia, mog\u0105 znacz\u0105co wp\u0142yn\u0105\u0107 na wyniki inwestycyjne.<\/p>\n\n\n\n
\u0179r\u00f3d\u0142a<\/strong><\/h2>\n\n\n\n\n- Forecasting at scale<\/a><\/li>\n\n\n\n
- Prophet, Python API, Quick Start<\/a><\/li>\n\n\n\n
- Aktualny kurs kryptowalut<\/a><\/li>\n<\/ol>\n\n\n\n
***<\/p>\n\n\n\n
Je\u015bli interesuj\u0105 Ci\u0119 kryptowaluty, zajrzyj r\u00f3wnie\u017c do artyku\u0142u naszego specjalisty: Cyfrowe waluty a rozw\u00f3j technologii Blockchain<\/a><\/p>\n\n\n
Czym jest GAM?<\/strong><\/h3>\n\n\n\nOg\u00f3lny model addytywny<\/strong> (GAM<\/strong>) wykorzystuje og\u00f3lne trendy do prognozowania, zamiast polega\u0107 na korelacji mi\u0119dzy warto\u015bciami z podobnych znacznik\u00f3w czasu. Zasada dzia\u0142ania GAM jest podobna do modelu regresji, jednak nie u\u017cywa pojedynczego predyktora do przewidywania wyniku, a w zamian GAM opiera si\u0119 na sumie funkcji g\u0142adkich. Funkcje g\u0142adkie obejmuj\u0105 komponenty trendu, sezonowo\u015bci, \u015bwi\u0105teczne i inne.<\/p>\n\n\n\nGAM umo\u017cliwia izolacj\u0119 pojedynczej funkcji i ocen\u0119 jej wp\u0142ywu na prognozy, co czyni ten model bardziej interpretowalnym. Przyk\u0142adem GAM jest FbProphet<\/strong>, pot\u0119\u017cny pakiet do analizy szereg\u00f3w czasowych stworzony przez zesp\u00f3\u0142 Core Data Science w Facebooku. Prophet jest prostym i \u0142atwym w u\u017cyciu narz\u0119dziem do analizy szereg\u00f3w czasowych i prognozowania na du\u017c\u0105 skal\u0119.<\/p>\n\n\n\nKilka s\u0142\u00f3w o Prophet<\/strong><\/h2>\n\n\n\nDo kluczowych cech modelu Prophet nale\u017c\u0105:<\/p>\n\n\n\n
\n- Wykorzystanie modelu addytywnego, kt\u00f3ry dostosowuje nieliniowe trendy do sezonowo\u015bci rocznej, tygodniowej, dziennej oraz efekt\u00f3w \u015bwi\u0105tecznych.<\/li>\n\n\n\n
- Silne efekty sezonowe \u2013 najlepiej sprawdza si\u0119 w szeregach czasowych, kt\u00f3re maj\u0105 wyra\u017ane efekty sezonowe i dost\u0119p do wielu sezon\u00f3w danych historycznych.<\/li>\n\n\n\n
- Odporno\u015b\u0107 na brakuj\u0105ce dane \u2013 model jest odporny na brakuj\u0105ce dane oraz zmiany trendu, a tak\u017ce dobrze radzi sobie z warto\u015bciami odstaj\u0105cymi.<\/li>\n\n\n\n
- Prosta dostosowalno\u015b\u0107 \u2013 analitycy bez do\u015bwiadczenia w zakresie analizy szereg\u00f3w czasowych mog\u0105 dostosowa\u0107 kilka interpretowalnych parametr\u00f3w, co pozwala na uzyskanie dobrego modelu prognostycznego.<\/li>\n<\/ul>\n\n\n\n
Zesp\u00f3\u0142 analityk\u00f3w danych w Facebooku odkry\u0142, \u017ce \u0142\u0105cz\u0105c automatyczne prognozowanie z prognozami analityk\u00f3w w p\u0119tli dla specyficznych przypadk\u00f3w, mo\u017cliwe jest obj\u0119cie szerokiego zakresu przypadk\u00f3w u\u017cycia w biznesie.<\/p>\n\n\n\n
Prognozowanie w modelu Prophet<\/strong><\/h2>\n\n\n\nPoni\u017cszy diagram ilustruje proces prognozowania wykorzystywany w modelu Prophet.<\/p>\n\n\n\n<\/a>Ryc. 1 Proces prognozowania wykorzystywany w modelu Prophet<\/a><\/figcaption><\/figure>\n\n\n\nProphet wykorzystuje rozk\u0142adalny model szereg\u00f3w czasowych sk\u0142adaj\u0105cy si\u0119 z trzech g\u0142\u00f3wnych komponent\u00f3w:<\/p>\n\n\n\n
\n- trendu,<\/li>\n\n\n\n
- sezonowo\u015bci,<\/li>\n\n\n\n
- efekt\u00f3w \u015bwi\u0105tecznych.<\/li>\n<\/ul>\n\n\n\n
R\u00f3wnanie modelu ma posta\u0107:<\/p>\n\n\n\n
y(t)=g(t)+s(t)+h(t)+e(t)<\/p>\n\n\n\n
\n- g(t) \u2013 funkcja trendu, kt\u00f3ra modeluje zmiany nieokresowe. Mo\u017ce mie\u0107 charakter liniowy lub logistyczny.<\/li>\n\n\n\n
- s(t) \u2013 oznacza sezonowe zmiany, takie jak tygodniowe, miesi\u0119czne i roczne. Roczny sk\u0142adnik sezonowy jest modelowany za pomoc\u0105 serii Fouriera, natomiast tygodniowy sk\u0142adnik sezonowy za pomoc\u0105 zmiennych pozorowanych.<\/li>\n\n\n\n
- h(t) \u2013 funkcja reprezentuj\u0105ca wp\u0142yw \u015bwi\u0105t, kt\u00f3re wyst\u0119puj\u0105 w nieregularnych harmonogramach (np. n \u2265 1)<\/li>\n\n\n\n
- e(t) \u2013 sk\u0142adnik reprezentuj\u0105cy zmiany b\u0142\u0119d\u00f3w, kt\u00f3re nie s\u0105 uwzgl\u0119dnione w modelu.<\/li>\n<\/ul>\n\n\n\n
<\/a>Ryc. 2 Prognoza cen zamkni\u0119cia (bez r\u00f3\u017cnic \u2013 niestacjonarna) \u2013 opracowanie w\u0142asne<\/figcaption><\/figure>\n\n\n\n<\/a>Ryc. 3 Prognoza cen zamkni\u0119cia z r\u00f3\u017cnicami (stacjonarna) \u2013 opracowanie w\u0142asne<\/figcaption><\/figure>\n\n\n\nOstatnia sekcja bez czarnych kropek przedstawia prognoz\u0119 testu. Wida\u0107, \u017ce oba elementy znacznie si\u0119 rozchodz\u0105 pod koniec analizy, co wskazuje na s\u0142abo\u015b\u0107 modelu<\/strong>. Nawet stacjonarne szeregi czasowe wydaj\u0105 si\u0119 bardzo p\u0142askie.<\/p>\n\n\n\nJednym z powod\u00f3w tego stanu rzeczy mo\u017ce by\u0107 to, \u017ce r\u00f3\u017cnice obliczane codziennie usun\u0119\u0142y wszystkie tygodniowe, miesi\u0119czne i sezonowe trendy w danych. Ponadto, korzystanie jedynie z miesi\u0119cznych danych mo\u017ce nie dostarcza\u0107 wystarczaj\u0105cej ilo\u015bci informacji, aby model FBProphet skutecznie przeprowadza\u0142 analizy.<\/p>\n\n\n\n
Przedstawienie fragmentu kodu aplikacji umo\u017cliwiaj\u0105cej przewidywanie kursu<\/strong><\/h2>\n\n\n\nKod tworzy aplikacj\u0119 w Streamlit, kt\u00f3ra umo\u017cliwia u\u017cytkownikowi prognozowanie kurs\u00f3w kryptowalut. Importuje niezb\u0119dne biblioteki, takie jak yfinance, do pobierania danych finansowych oraz fbprophet do analizy szereg\u00f3w czasowych. Ustala dat\u0119 pocz\u0105tkow\u0105 analizy oraz aktualn\u0105 dat\u0119. Nast\u0119pnie wy\u015bwietla nag\u0142\u00f3wek aplikacji oraz pozwala u\u017cytkownikowi wybra\u0107 jedn\u0105 z trzech kryptowalut (ETH, DOGE, BTC) do prognozowania. U\u017cytkownik mo\u017ce tak\u017ce okre\u015bli\u0107 liczb\u0119 lat, na jakie chce prognozowa\u0107 kurs, przy u\u017cyciu suwaka, a program oblicza ca\u0142kowit\u0105 liczb\u0119 dni dla wybranego okresu.<\/p>\n\n\n
\nimport streamlit as st\nfrom datetime import date\nimport yfinance as yf\nfrom fbprophet import Prophet\nfrom fbprophet.plot import plot_plotly\nfrom plotly import graph_objs as go\n\nSTART = "2015-01-01"\nTODAY = date.today().strftime("%Y-%m-%d")\nst.title('Aplikacja prognozuj\u0105ca kurs')\nstocks = ('ETH-USD', 'DOGE-USD', 'BTC-USD')\nselected_stock = st.selectbox('Wybierz kurs do przewidzenia:', stocks)\nn_years = st.slider('Wybierz ilo\u015b\u0107 lat do przewidzenia:', 1, 4)\nperiod = n_years * 365\n<\/pre><\/div>\n\n\nAplikacja \u0142aduje dane historyczne dla wybranej kryptowaluty z Yahoo Finance. Funkcja load_data(ticker) u\u017cywa dekoratora @st.cache, co pozwala na przechowywanie danych w pami\u0119ci podr\u0119cznej, przyspieszaj\u0105c \u0142adowanie. Po za\u0142adowaniu danych, kod informuje u\u017cytkownika o stanie \u0142adowania i wy\u015bwietla dane w formie tabeli.<\/p>\n\n\n\n
Funkcja plot_raw_data() generuje wykres, ilustruj\u0105c dane otwarcia i zamkni\u0119cia kryptowaluty. U\u017cywa Plotly do stworzenia figury, a nast\u0119pnie aktualizuje tytu\u0142 wykresu i dodaje suwak do osi x. Ostatecznie kod przygotowuje dane do prognozowania, tworz\u0105c zbi\u00f3r df_train, kt\u00f3ry zawiera kolumny z dat\u0105 i cen\u0105 zamkni\u0119cia, a nast\u0119pnie zmienia nazwy tych kolumn na wymagane przez model Prophet.<\/p>\n\n\n
\n@st.cache\ndef load_data(ticker):\n data = yf.download(ticker, START, TODAY)\n data.reset_index(inplace=True)\n return data\n\ndata_load_state = st.text('\u0141adowanie danych...')\ndata = load_data(selected_stock)\ndata_load_state.text('\u0141adowanie danych zako\u0144czone!')\nst.subheader('Pobrane dane')\nst.write(data.tail())\n\n# Plot raw data\ndef plot_raw_data():\n fig = go.Figure()\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Open'], name="stock_open"))\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Close'], name="stock_close"))\n fig.layout.update(title_text='Aktualne dane', xaxis_rangeslider_visible=True)\n st.plotly_chart(fig)\n\nplot_raw_data()\n\n# Predict forecast with Prophet\ndf_train = data[['Date', 'Close']]\ndf_train = df_train.rename(columns={"Date": "ds", "Close": "y"})\n<\/pre><\/div>\n\n\nProphet jest trenowany na przygotowanych danych. Po za\u0142adowaniu danych do df_train, aplikacja tworzy instancj\u0119 modelu Prophet, a nast\u0119pnie dopasowuje model do danych za pomoc\u0105 m.fit(df_train).<\/p>\n\n\n\n
Nast\u0119pnie aplikacja generuje ramk\u0119 danych dla przysz\u0142ych prognoz, korzystaj\u0105c z metody make_future_dataframe(periods=period), co umo\u017cliwia przewidywanie warto\u015bci na wybrany okres. Wyniki prognozy s\u0105 nast\u0119pnie obliczane i przechowywane w zmiennej forecast za pomoc\u0105 m.predict(future).<\/p>\n\n\n\n
Aplikacja prezentuje przewidywane kursy oraz odpowiedni komunikat w zale\u017cno\u015bci od liczby lat, kt\u00f3re u\u017cytkownik wybra\u0142. U\u017cywa funkcji st.write() do wy\u015bwietlenia ko\u0144cowych prognoz oraz wykresu przy u\u017cyciu plot_plotly, kt\u00f3ry wizualizuje prognozy w formacie Plotly. Dodatkowo, prezentowane s\u0105 komponenty prognozy, takie jak wp\u0142yw trend\u00f3w i sezonowo\u015bci.<\/p>\n\n\n
\nm = Prophet()\nm.fit(df_train)\nfuture = m.make_future_dataframe(periods=period)\nforecast = m.predict(future)\n\n# Show and plot forecast\nst.subheader('Przepowiedziany kurs')\nst.write(forecast.tail())\n\nif n_years == 1:\n st.write(f'Przepowiednia kursu na {n_years} rok')\nelse:\n st.write(f'Przepowiednia kursu na {n_years} lat')\n\nfigl = plot_plotly(m, forecast)\nst.plotly_chart(figl)\nst.write("Elementy przewidywania kursu")\nfig2 = m.plot_components(forecast)\nst.write(fig2)\n<\/pre><\/div>\n\n\nDzia\u0142anie aplikacji<\/strong><\/h2>\n\n\n\nUwaga!<\/strong> Aby uzyska\u0107 wnioski, celowo ograniczy\u0142em dane modelu do historycznych warto\u015bci, co umo\u017cliwia przeprowadzenie analizy.<\/p>\n\n\n\n<\/a>Ryc. 4 Aplikacja prognozuj\u0105ca kurs<\/figcaption><\/figure>\n\n\n\nPowy\u017cej znajduje si\u0119 interfejs aplikacji, w kt\u00f3rym u\u017cytkownik ma mo\u017cliwo\u015b\u0107 wyboru jednej z kryptowalut oraz okre\u015blenia okresu czasowego, dla kt\u00f3rego maj\u0105 zosta\u0107 wygenerowane dane. Aplikacja pobiera aktualne dane z ostatnich kilku dni, prezentuj\u0105c na przyk\u0142ad najni\u017csz\u0105 i najwy\u017csz\u0105 cen\u0119 w tych okresach dla ka\u017cdego z dni.<\/p>\n\n\n\n<\/a>Ryc. 5 Cena kryptowalut w uj\u0119ciu czasowym<\/figcaption><\/figure>\n\n\n\n<\/a>Ryc. 6 Przepowiednia kursu<\/figcaption><\/figure>\n\n\n\n<\/a>Ryc. 7 Wykres d\u0142ugoterminowy dla ETH<\/figcaption><\/figure>\n\n\n\nPrzyk\u0142adowo wygenerowa\u0142em wykres d\u0142ugoterminowy dla jednej z kryptowalut (ETH). Czarna przerywana linia ilustruje dane pobrane bezpo\u015brednio z gie\u0142dy. Obszar prawdopodobnego kursu waluty na dany okres zosta\u0142 oznaczony jasno niebiesk\u0105 fal\u0105. Granatowa linia przedstawia najbardziej prawdopodobne prognozy notowa\u0144 danej kryptowaluty.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\nPodsumowanie<\/strong><\/h2>\n\n\n\nWykorzystanie nowoczesnych narz\u0119dzi analitycznych w kontek\u015bcie rynku kryptowalut mo\u017cna postrzega\u0107 jako interesuj\u0105cy aspekt technologiczny przydatny g\u0142\u00f3wnie w prognozach kr\u00f3tkoterminowych. Nale\u017cy jednak pami\u0119ta\u0107, \u017ce rynek ten charakteryzuje si\u0119 niezwyk\u0142\u0105 dynamik\u0105 i nieprzewidywalno\u015bci\u0105, co ogranicza mo\u017cliwo\u015bci skutecznego prognozowania przysz\u0142ych ruch\u00f3w cenowych.<\/p>\n\n\n\n
Istotnym czynnikiem wp\u0142ywaj\u0105cym na zmiany cen kryptowalut s\u0105 tzw. \u201ewieloryby\u201d \u2013 podmioty posiadaj\u0105ce znacz\u0105ce ilo\u015bci danej waluty. Ich decyzje dotycz\u0105ce zakupu lub sprzeda\u017cy mog\u0105 w spos\u00f3b drastyczny manipulowa\u0107 rynkiem, powoduj\u0105c gwa\u0142towne zmiany warto\u015bci. Ponadto, zjawiska takie jak promowanie okre\u015blonych kryptowalut przez znane osoby, jak w przypadku Elona Muska i Dogecoina, maj\u0105 ogromny wp\u0142yw na sentyment inwestor\u00f3w oraz dynamik\u0119 rynku.<\/p>\n\n\n\n
W zwi\u0105zku z powy\u017cszym, mimo \u017ce narz\u0119dzia analityczne mog\u0105 dostarcza\u0107 cennych informacji, inwestorzy powinni podej\u015b\u0107 do nich z ostro\u017cno\u015bci\u0105 i \u015bwiadomo\u015bci\u0105, \u017ce wiele czynnik\u00f3w zewn\u0119trznych, w tym emocje rynku i nieprzewidywalne wydarzenia, mog\u0105 znacz\u0105co wp\u0142yn\u0105\u0107 na wyniki inwestycyjne.<\/p>\n\n\n\n
\u0179r\u00f3d\u0142a<\/strong><\/h2>\n\n\n\n\n- Forecasting at scale<\/a><\/li>\n\n\n\n
- Prophet, Python API, Quick Start<\/a><\/li>\n\n\n\n
- Aktualny kurs kryptowalut<\/a><\/li>\n<\/ol>\n\n\n\n
***<\/p>\n\n\n\n
Je\u015bli interesuj\u0105 Ci\u0119 kryptowaluty, zajrzyj r\u00f3wnie\u017c do artyku\u0142u naszego specjalisty: Cyfrowe waluty a rozw\u00f3j technologii Blockchain<\/a><\/p>\n\n\n
GAM umo\u017cliwia izolacj\u0119 pojedynczej funkcji i ocen\u0119 jej wp\u0142ywu na prognozy, co czyni ten model bardziej interpretowalnym. Przyk\u0142adem GAM jest FbProphet<\/strong>, pot\u0119\u017cny pakiet do analizy szereg\u00f3w czasowych stworzony przez zesp\u00f3\u0142 Core Data Science w Facebooku. Prophet jest prostym i \u0142atwym w u\u017cyciu narz\u0119dziem do analizy szereg\u00f3w czasowych i prognozowania na du\u017c\u0105 skal\u0119.<\/p>\n\n\n\n Do kluczowych cech modelu Prophet nale\u017c\u0105:<\/p>\n\n\n\n Zesp\u00f3\u0142 analityk\u00f3w danych w Facebooku odkry\u0142, \u017ce \u0142\u0105cz\u0105c automatyczne prognozowanie z prognozami analityk\u00f3w w p\u0119tli dla specyficznych przypadk\u00f3w, mo\u017cliwe jest obj\u0119cie szerokiego zakresu przypadk\u00f3w u\u017cycia w biznesie.<\/p>\n\n\n\n Poni\u017cszy diagram ilustruje proces prognozowania wykorzystywany w modelu Prophet.<\/p>\n\n\n\n Prophet wykorzystuje rozk\u0142adalny model szereg\u00f3w czasowych sk\u0142adaj\u0105cy si\u0119 z trzech g\u0142\u00f3wnych komponent\u00f3w:<\/p>\n\n\n\n R\u00f3wnanie modelu ma posta\u0107:<\/p>\n\n\n\n y(t)=g(t)+s(t)+h(t)+e(t)<\/p>\n\n\n\n Ostatnia sekcja bez czarnych kropek przedstawia prognoz\u0119 testu. Wida\u0107, \u017ce oba elementy znacznie si\u0119 rozchodz\u0105 pod koniec analizy, co wskazuje na s\u0142abo\u015b\u0107 modelu<\/strong>. Nawet stacjonarne szeregi czasowe wydaj\u0105 si\u0119 bardzo p\u0142askie.<\/p>\n\n\n\n Jednym z powod\u00f3w tego stanu rzeczy mo\u017ce by\u0107 to, \u017ce r\u00f3\u017cnice obliczane codziennie usun\u0119\u0142y wszystkie tygodniowe, miesi\u0119czne i sezonowe trendy w danych. Ponadto, korzystanie jedynie z miesi\u0119cznych danych mo\u017ce nie dostarcza\u0107 wystarczaj\u0105cej ilo\u015bci informacji, aby model FBProphet skutecznie przeprowadza\u0142 analizy.<\/p>\n\n\n\n Kod tworzy aplikacj\u0119 w Streamlit, kt\u00f3ra umo\u017cliwia u\u017cytkownikowi prognozowanie kurs\u00f3w kryptowalut. Importuje niezb\u0119dne biblioteki, takie jak yfinance, do pobierania danych finansowych oraz fbprophet do analizy szereg\u00f3w czasowych. Ustala dat\u0119 pocz\u0105tkow\u0105 analizy oraz aktualn\u0105 dat\u0119. Nast\u0119pnie wy\u015bwietla nag\u0142\u00f3wek aplikacji oraz pozwala u\u017cytkownikowi wybra\u0107 jedn\u0105 z trzech kryptowalut (ETH, DOGE, BTC) do prognozowania. U\u017cytkownik mo\u017ce tak\u017ce okre\u015bli\u0107 liczb\u0119 lat, na jakie chce prognozowa\u0107 kurs, przy u\u017cyciu suwaka, a program oblicza ca\u0142kowit\u0105 liczb\u0119 dni dla wybranego okresu.<\/p>\n\n\n Aplikacja \u0142aduje dane historyczne dla wybranej kryptowaluty z Yahoo Finance. Funkcja load_data(ticker) u\u017cywa dekoratora @st.cache, co pozwala na przechowywanie danych w pami\u0119ci podr\u0119cznej, przyspieszaj\u0105c \u0142adowanie. Po za\u0142adowaniu danych, kod informuje u\u017cytkownika o stanie \u0142adowania i wy\u015bwietla dane w formie tabeli.<\/p>\n\n\n\n Funkcja plot_raw_data() generuje wykres, ilustruj\u0105c dane otwarcia i zamkni\u0119cia kryptowaluty. U\u017cywa Plotly do stworzenia figury, a nast\u0119pnie aktualizuje tytu\u0142 wykresu i dodaje suwak do osi x. Ostatecznie kod przygotowuje dane do prognozowania, tworz\u0105c zbi\u00f3r df_train, kt\u00f3ry zawiera kolumny z dat\u0105 i cen\u0105 zamkni\u0119cia, a nast\u0119pnie zmienia nazwy tych kolumn na wymagane przez model Prophet.<\/p>\n\n\n Prophet jest trenowany na przygotowanych danych. Po za\u0142adowaniu danych do df_train, aplikacja tworzy instancj\u0119 modelu Prophet, a nast\u0119pnie dopasowuje model do danych za pomoc\u0105 m.fit(df_train).<\/p>\n\n\n\n Nast\u0119pnie aplikacja generuje ramk\u0119 danych dla przysz\u0142ych prognoz, korzystaj\u0105c z metody make_future_dataframe(periods=period), co umo\u017cliwia przewidywanie warto\u015bci na wybrany okres. Wyniki prognozy s\u0105 nast\u0119pnie obliczane i przechowywane w zmiennej forecast za pomoc\u0105 m.predict(future).<\/p>\n\n\n\n Aplikacja prezentuje przewidywane kursy oraz odpowiedni komunikat w zale\u017cno\u015bci od liczby lat, kt\u00f3re u\u017cytkownik wybra\u0142. U\u017cywa funkcji st.write() do wy\u015bwietlenia ko\u0144cowych prognoz oraz wykresu przy u\u017cyciu plot_plotly, kt\u00f3ry wizualizuje prognozy w formacie Plotly. Dodatkowo, prezentowane s\u0105 komponenty prognozy, takie jak wp\u0142yw trend\u00f3w i sezonowo\u015bci.<\/p>\n\n\n Uwaga!<\/strong> Aby uzyska\u0107 wnioski, celowo ograniczy\u0142em dane modelu do historycznych warto\u015bci, co umo\u017cliwia przeprowadzenie analizy.<\/p>\n\n\n\n Powy\u017cej znajduje si\u0119 interfejs aplikacji, w kt\u00f3rym u\u017cytkownik ma mo\u017cliwo\u015b\u0107 wyboru jednej z kryptowalut oraz okre\u015blenia okresu czasowego, dla kt\u00f3rego maj\u0105 zosta\u0107 wygenerowane dane. Aplikacja pobiera aktualne dane z ostatnich kilku dni, prezentuj\u0105c na przyk\u0142ad najni\u017csz\u0105 i najwy\u017csz\u0105 cen\u0119 w tych okresach dla ka\u017cdego z dni.<\/p>\n\n\n\n Przyk\u0142adowo wygenerowa\u0142em wykres d\u0142ugoterminowy dla jednej z kryptowalut (ETH). Czarna przerywana linia ilustruje dane pobrane bezpo\u015brednio z gie\u0142dy. Obszar prawdopodobnego kursu waluty na dany okres zosta\u0142 oznaczony jasno niebiesk\u0105 fal\u0105. Granatowa linia przedstawia najbardziej prawdopodobne prognozy notowa\u0144 danej kryptowaluty.<\/p>\n\n\n\n Wykorzystanie nowoczesnych narz\u0119dzi analitycznych w kontek\u015bcie rynku kryptowalut mo\u017cna postrzega\u0107 jako interesuj\u0105cy aspekt technologiczny przydatny g\u0142\u00f3wnie w prognozach kr\u00f3tkoterminowych. Nale\u017cy jednak pami\u0119ta\u0107, \u017ce rynek ten charakteryzuje si\u0119 niezwyk\u0142\u0105 dynamik\u0105 i nieprzewidywalno\u015bci\u0105, co ogranicza mo\u017cliwo\u015bci skutecznego prognozowania przysz\u0142ych ruch\u00f3w cenowych.<\/p>\n\n\n\n Istotnym czynnikiem wp\u0142ywaj\u0105cym na zmiany cen kryptowalut s\u0105 tzw. \u201ewieloryby\u201d \u2013 podmioty posiadaj\u0105ce znacz\u0105ce ilo\u015bci danej waluty. Ich decyzje dotycz\u0105ce zakupu lub sprzeda\u017cy mog\u0105 w spos\u00f3b drastyczny manipulowa\u0107 rynkiem, powoduj\u0105c gwa\u0142towne zmiany warto\u015bci. Ponadto, zjawiska takie jak promowanie okre\u015blonych kryptowalut przez znane osoby, jak w przypadku Elona Muska i Dogecoina, maj\u0105 ogromny wp\u0142yw na sentyment inwestor\u00f3w oraz dynamik\u0119 rynku.<\/p>\n\n\n\n W zwi\u0105zku z powy\u017cszym, mimo \u017ce narz\u0119dzia analityczne mog\u0105 dostarcza\u0107 cennych informacji, inwestorzy powinni podej\u015b\u0107 do nich z ostro\u017cno\u015bci\u0105 i \u015bwiadomo\u015bci\u0105, \u017ce wiele czynnik\u00f3w zewn\u0119trznych, w tym emocje rynku i nieprzewidywalne wydarzenia, mog\u0105 znacz\u0105co wp\u0142yn\u0105\u0107 na wyniki inwestycyjne.<\/p>\n\n\n\n Je\u015bli interesuj\u0105 Ci\u0119 kryptowaluty, zajrzyj r\u00f3wnie\u017c do artyku\u0142u naszego specjalisty: Cyfrowe waluty a rozw\u00f3j technologii Blockchain<\/a><\/p>\n\n\nKilka s\u0142\u00f3w o Prophet<\/strong><\/h2>\n\n\n\n
\n
Prognozowanie w modelu Prophet<\/strong><\/h2>\n\n\n\n
<\/a>\n
\n
<\/a><\/a>Przedstawienie fragmentu kodu aplikacji umo\u017cliwiaj\u0105cej przewidywanie kursu<\/strong><\/h2>\n\n\n\n
\nimport streamlit as st\nfrom datetime import date\nimport yfinance as yf\nfrom fbprophet import Prophet\nfrom fbprophet.plot import plot_plotly\nfrom plotly import graph_objs as go\n\nSTART = "2015-01-01"\nTODAY = date.today().strftime("%Y-%m-%d")\nst.title('Aplikacja prognozuj\u0105ca kurs')\nstocks = ('ETH-USD', 'DOGE-USD', 'BTC-USD')\nselected_stock = st.selectbox('Wybierz kurs do przewidzenia:', stocks)\nn_years = st.slider('Wybierz ilo\u015b\u0107 lat do przewidzenia:', 1, 4)\nperiod = n_years * 365\n<\/pre><\/div>\n\n\n\n@st.cache\ndef load_data(ticker):\n data = yf.download(ticker, START, TODAY)\n data.reset_index(inplace=True)\n return data\n\ndata_load_state = st.text('\u0141adowanie danych...')\ndata = load_data(selected_stock)\ndata_load_state.text('\u0141adowanie danych zako\u0144czone!')\nst.subheader('Pobrane dane')\nst.write(data.tail())\n\n# Plot raw data\ndef plot_raw_data():\n fig = go.Figure()\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Open'], name="stock_open"))\n fig.add_trace(go.Scatter(x=data['Date'], y=data['Close'], name="stock_close"))\n fig.layout.update(title_text='Aktualne dane', xaxis_rangeslider_visible=True)\n st.plotly_chart(fig)\n\nplot_raw_data()\n\n# Predict forecast with Prophet\ndf_train = data[['Date', 'Close']]\ndf_train = df_train.rename(columns={"Date": "ds", "Close": "y"})\n<\/pre><\/div>\n\n\n\nm = Prophet()\nm.fit(df_train)\nfuture = m.make_future_dataframe(periods=period)\nforecast = m.predict(future)\n\n# Show and plot forecast\nst.subheader('Przepowiedziany kurs')\nst.write(forecast.tail())\n\nif n_years == 1:\n st.write(f'Przepowiednia kursu na {n_years} rok')\nelse:\n st.write(f'Przepowiednia kursu na {n_years} lat')\n\nfigl = plot_plotly(m, forecast)\nst.plotly_chart(figl)\nst.write("Elementy przewidywania kursu")\nfig2 = m.plot_components(forecast)\nst.write(fig2)\n<\/pre><\/div>\n\n\nDzia\u0142anie aplikacji<\/strong><\/h2>\n\n\n\n
<\/a><\/a><\/a><\/a><\/a><\/figure>\n\n\n\nPodsumowanie<\/strong><\/h2>\n\n\n\n
\u0179r\u00f3d\u0142a<\/strong><\/h2>\n\n\n\n
\n
***<\/p>\n\n\n\n