作为加密货币交易者，我们花费大量时间分析价格图表、研究趋势并解读市场指标以发现投资机会。人工智能和机器学习可以让这个过程更快、更高效。
在本指南中，我们将使用来自CoinGecko API的历史市场数据构建一个简单的加密货币价格预测模型。在完全透明和可控的前提下，交易者可以微调模型以适应自己的策略，甚至可以 使用加密货币机器人进行自动交易。
先决条件
开发环境
确保你的机器上安装了 Node.js 和 npm。Node.js 是基于 Chrome V8 JavaScript 引擎构建的 JavaScript 运行时，npm 是 Node.js 的包管理器，用于管理项目的依赖项。你可以从 Node.js 官方网站下载并安装这两个软件包。
加密货币价格和市场数据
我们将使用CoinGecko API 获取加密货币价格和市场数据，特别是/market_chart端点。免费的演示计划足以满足我们的需求，其速率限制为每分钟 30 次调用，每月上限为 10,000 次调用。立即创建一个模拟账户 来试用。
Python 3 和 Pip
需要安装这些才能开始为您的 DeFi 应用程序开发和运行 AI 模型。
确保你的系统上安装了 Python 3 和 pip。Python 用于 AI 模型开发，而 pip 可以帮助你安装所需的 Python 库。你可以在终端中运行 python --version和来检查 Python 和 pip 是否已安装。pip --version
建议创建一个虚拟环境来隔离项目的依赖项。这可以防止不同项目所需的包之间发生冲突。
导航到项目目录并执行 来创建虚拟环境 python -m venv venv。venv\Scripts\activate在 Windows 上，使用 激活它；在 macOS/Linux 上，使用 source激活它 venv/bin/activate 。现在，您的终端应该会显示该环境已激活。
Python 库
接下来，运行以下命令安装必要的 Python 库：
pip install numpy pandas scikit-learn requests此命令安装以下软件包：
NumPy：一个支持大型多维数组和矩阵的数值计算库。
Pandas：一个提供数据结构和数据分析工具的库。
scikit-learn：一个机器学习库，具有分类、回归、聚类等各种算法。
请求：一个用于发出 API 请求的简单 HTTP 库，用于从 CoinGecko API 等 API 中获取数据。
Node.js 模块
对于应用程序的服务器端开发，您需要安装特定的Node.js模块。假设您已安装 Node.js 和 npm，则可以使用 npm 安装这些模块。在终端中运行：
npm install express axiosExpress是一个 Node.js 的 Web 框架，可简化服务器创建，而axios是一个基于承诺的 HTTP 客户端，用于发出 API 请求。
npm install express axios python-shell dotenv初始化 Node.js 项目
在您的项目目录中，使用npm初始化一个新的 Node.js 项目，它将创建一个package.json文件来管理项目元数据和依赖项。
npm init -ypackage.json使用默认值创建文件：
test_env.py) 来测试您的设置，该脚本会导入这些库并打印一条确认消息。使用 python 运行该脚本test_env.py；如果没有出现错误，则表示您的 Python 环境已正确设置。
为你的DeFAI项目创建一个专用目录，以保持项目井然有序。你可以在终端中运行以下命令来执行此操作：
mkdir defi-ai-project
cd defi-ai-project您的项目目录现在应如下所示：
DeFi-AI 项目/
│ │ ai_model.py
│ │ 数据收集器.py
│ ...
│ │ 包.json
└── node_modules/
步骤1.收集市场数据
我们将使用历史价格数据训练我们的 AI 模型，以提供对市场趋势和模式的洞察。在本例中，我们将使用 CoinGecko API 中比特币 30 天的价格历史记录来预测其价格。拥有干净、高质量的数据至关重要，因为它会影响模型的性能。使用近期数据也有助于确保模型反映当前的市场行为。
在您的项目目录中，创建一个名为 data_collector.py 的文件：
import requests
import pandas as pd
import os
# Load environment variables
COINGECKO_API_KEY = "CG_API_KEY"
def fetch_market_data():
url = 'https://pro-api.coingecko.com/api/v3/coins/bitcoin/market_chart'
params = {
'vs_currency': 'usd',
'days': '30', # Last 30 days
'x_cg_pro_api_key': COINGECKO_API_KEY,
}
try:
# Fetch data from CoinGecko API
print("Fetching market data from CoinGecko...")
response = requests.get(url, params=params)
response.raise_for_status()
data = response.json()
# Parse price and volume data
prices = data.get('prices', [])
volumes = data.get('total_volumes', [])
print(f"Data points received: {len(prices)}")
# Create DataFrame
df_prices = pd.DataFrame(prices, columns=['timestamp', 'price'])
df_volumes = pd.DataFrame(volumes, columns=['timestamp', 'volume'])
# Merge prices and volumes on timestamp
df = pd.merge(df_prices, df_volumes, on='timestamp')
# Convert timestamp to datetime
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
# Sort data by timestamp
df = df.sort_values('timestamp')
# Save to CSV
df.to_csv('market_data.csv', index=False)
print("Market data collected and saved to market_data.csv")
except requests.exceptions.HTTPError as http_err:
print(f"HTTP error occurred: {http_err}")
except Exception as err:
print(f"An error occurred: {err}")
if __name__ == '__main__':
fetch_market_data()守则解释
API 端点：使用 CoinGecko API 获取历史市场数据。
参数：
coin_id：加密货币标识符（例如“比特币”）。
vs_currency：用于比较的法定货币（例如“美元”）。
days：要检索数据的天数。
检索到的数据：
价格：不同时间戳的历史价格。
交易量：不同时间戳的交易量。
数据处理：
合并价格和数量数据。
将时间戳转换为人类可读的日期时间。
按时间顺序对数据进行排序。
错误处理：
捕获 HTTP 错误和一般异常。
输出：将处理后的数据保存到market_data.csv。
执行以下命令收集市场数据：
python data_collector.py预期输出：
market_data.csv文件
注意：数据点的数量可能因 API 的数据粒度而异。
第 2 步：构建 AI 模型
利用收集到的数据，我们将构建一个 AI 模型来预测未来的比特币价格。在你的项目目录中，创建一个名为的文件ai_model.py并复制以下代码
import pandas as pd
from sklearn.linear_model import LinearRegression
import sys
import json
import warning
warnings.filterwarnings("ignore")
# Load historical market data
data = pd.read_csv('market_data.csv')
# Feature Engineering: Use previous price as a feature
data['prev_price'] = data['price'].shift(1)
data = data.dropna()
# Prepare the data
X = data[['prev_price']]
y = data['price']
# Train the model
model = LinearRegression()
model.fit(X, y)
# Make a prediction
# Accept the latest price as a command-line argument
if len(sys.argv) > 1:
latest_price = float(sys.argv[1])
else:
latest_price = X.iloc[-1]['prev_price'] # Use the last known price
prediction = model.predict([[latest_price]])
# Output the prediction in JSON format
print(json.dumps({'prediction': prediction[0]}))
守则解释
数据加载：读取market_data.csv文件。
预处理：
特征工程：根据之前的价格和数量创建特征。
处理缺失值：删除因移位操作而产生 NaN 值的行。
模型训练：
使用 scikit-learn 的 LinearRegression。
预言：
接受最新价格和数量作为输入。
预测未来价格。
命令行参数：
latest_price：最新已知价格（从 Node.js 脚本传递）。
latest_volume：最新已知卷（从 Node.js 脚本传递）。
输出：以 JSON 格式打印预测。
步骤 3.设置 Node.js 服务器
我们将设置一个 Express 服务器来处理 API 请求并集成 AI 模型。在您的项目目录中，创建一个名为的文件index.js：
const express = require('express');
const axios = require('axios');
const { execFile } = require('child_process');
const path = require('path');
const app = express();
app.use(express.json());
function getAIPrediction(latestPrice) {
return new Promise((resolve, reject) => {
execFile('python', ['ai_model.py', latestPrice], { cwd: __dirname }, (error, stdout, stderr) => {
if (error) {
console.error('Error executing Python script:', error);
reject(error);
} else if (stderr) {
console.error('Python script error output:', stderr);
reject(stderr);
} else {
try {
console.log('Python script output:', stdout);
const result = JSON.parse(stdout);
resolve(result.prediction);
} catch (error) {
console.error('Error parsing Python script output:', error);
reject(error);
}
}
});
});
}
// API Endpoint to Predict Price
app.get('/predict_price', async (req, res) => {
try {
// Fetch latest price
const response = await axios.get('https://api.coingecko.com/api/v3/simple/price', {
params: {
ids: 'bitcoin',
vs_currencies: 'usd',
},
});
const latestPrice = response.data.bitcoin.usd;
// Get AI prediction
const predictedPrice = await getAIPrediction(latestPrice);
res.json({
latest_price: {
value: latestPrice,
currency: 'USD',
},
predicted_price: {
value: predictedPrice,
currency: 'USD',
},
});
} catch (error) {
console.error('Error predicting price:', error);
res.status(500).json({ error: error.message });
}
});
// Start server
const PORT = process.env.PORT || 3000;
app.listen(PORT, () => {
console.log(`Server is running on port ${PORT}`);
});
// Initial Actions
(async () => {
try {
// Fetch latest price
const response = await axios.get('https://api.coingecko.com/api/v3/simple/price', {
params: {
ids: 'bitcoin',
vs_currencies: 'usd',
},
});
const latestPrice = response.data.bitcoin.usd;
console.log(`Latest Bitcoin Price: $${latestPrice}`);
// Get AI prediction
const predictedPrice = await getAIPrediction(latestPrice);
console.log(`AI Predicted Price: $${predictedPrice.toFixed(2)} USD`);
// Simple trading strategy
if (predictedPrice > latestPrice * 1.01) {
console.log('Prediction suggests price will increase. Consider buying.');
} else if (predictedPrice < latestPrice * 0.99) {
console.log('Prediction suggests price will decrease. Consider selling.');
} else {
console.log('Prediction suggests price will remain stable. Hold position.');
}
} catch (error) {
console.error('Error during AI processing:', error);
}
})();
守则解释
数据获取：
检索比特币的最新价格和交易量。
使用 axios 对 CoinGecko 进行并发 API 调用。
AI预测集成：
使用 child_process.execFile 运行 Python 脚本。
将 latestPrice 和 latestVolume 作为参数传递。
解析 Python 脚本的 JSON 输出。
API 端点：
/predict_price：返回最新价格、交易量和AI预测价格。
初步行动：
启动服务器时获取数据。
将预测和交易建议打印到控制台。
错误处理：
记录错误并返回适当的 HTTP 响应。
重要提示：如果您安装了多个 Python 版本，请在 execFile 中使用“python3”而不是“python”。在 Windows 上，您可能需要指定 Python 可执行文件的完整路径。
步骤 4：运行应用程序
确保安装了所有 Node.js 依赖项和所需模块：
npm install
启动服务器
node index.js预期输出：
步骤 5. 测试 AI 预测端点
使用 cURL
curl http://localhost:3000/predict_price预期输出
{
"latest_price": {
"value": XXXXX,
"currency": "USD"
},
"predicted_price": {
"value": XXXXX,
"currency": "USD"
}
}
注意：实际值将根据当前市场数据而有所不同。
结论
如果您一直在关注本文，那么您已经使用历史市场数据构建了一个简单的 AI 加密货币价格预测模型，并将其集成到 Web 服务器中。在此基础上，您可以进一步完善该模型，使用高级 AI 模型进行训练，扩展对多种加密货币的支持，并优化界面以提供更佳的用户体验。
