Datawhale AI数据分析 作业3

比特币10年价格数据（2014-2024）

比特币市场作为全球首个且最知名的加密货币市场，以其高度的波动性、全球化的交易网络以及去中心化的特性而著称。自2009年比特币诞生以来，在市场情绪、政策变化、技术进步等多重因素共同作用下，它经历了频繁的大幅价格波动，这些波动不仅体现了投资者对比特币价值的认知变化，同时也映射出全球经济环境和技术发展的脉络。这种“疯狂”的市场行为提供了一个极佳的实验场，可以帮助我们更深入地理解金融市场中的风险管理和投资策略。

本数据集包含 2014 - 2024 的比特币美元价格数据，具体包含比特币每日的开盘价、最高价、最低价、收盘价以及成交量等关键信息。

基本数据统计与可视化prompt 1:

对数据进行初步探索，包括显示前5行和后5行，查看数据类型和缺失值情况。然后，为“Open”、“High”、“Low”、“Close”、“Adj Close”和“Volume”列生成描述性统计信息（例如，均值、中位数、标准差、最小值、最大值）。最后，绘制比特币每日收盘价（Close）的时间序列图，并绘制一个展示每日成交量（Volume）的柱状图。确保图表标题清晰，坐标轴标签明确。

价格波动与趋势分析prompt 2:

计算比特币的每日回报率（Daily Returns）。绘制每日回报率的直方图，并计算其均值和标准差。此外，计算并绘制比特币月度平均收盘价和年度平均收盘价的趋势图，以观察长期价格趋势。在图表中突出显示任何显著的趋势变化或周期性模式。

成交量与市场波动关系分析prompt 3:

分析比特币成交量（Volume）与价格波动（例如，每日价格范围 High - Low 或收盘价变动 Close - Open）之间的关系。计算并可视化成交量与每日价格范围之间的散点图，并计算它们的相关系数。解释相关系数的含义。此外，分析高成交量时期是否通常伴随更大的价格波动，并用图表（例如，箱线图或折线图）展示这种关系。

价格异常波动检测、成交量异常值检测prompt 4:

进行比特币价格异常波动检测。定义异常波动为每日收盘价变化超过3个标准差的情况。列出并可视化所有检测到的异常波动日期及其对应的收盘价变化。同时，对成交量（Volume）进行异常值检测，使用IQR方法（四分位距方法），识别并列出所有成交量异常值对应的日期和成交量。可视化成交量异常值分布。

市场特征聚类分析prompt 5:

选择合适的市场特征（例如，每日价格波动幅度 High - Low、每日回报率、成交量变化率等）进行聚类分析。首先，对这些特征进行标准化处理。然后，尝试使用K-Means算法将交易日聚类成不同市场状态（例如，高波动高成交、低波动低成交等）。通过肘部法则（Elbow Method）确定最佳聚类数量。可视化聚类结果，例如使用PCA降维后在二维平面上绘制聚类点，并对每个聚类的特征进行描述性分析，解释不同聚类代表的市场特征。

时间序列分析与预测prompt 6:

进行时间序列分析与预测。首先，对收盘价数据进行平稳性检验（例如，ADF检验）。如果数据不平稳，进行差分处理。然后，绘制ACF和PACF图以确定合适的ARIMA模型阶数。选择一个合适的ARIMA模型（或考虑使用更复杂的模型如SARIMA、Prophet、LSTM，如果数据量和复杂度允许），并使用历史数据训练模型。最后，使用训练好的模型预测未来30天的比特币收盘价，并可视化预测结果与实际价格（如果可得）的对比，以及预测区间。

比特币价格回归分析prompt 7:

进行比特币价格的回归分析。选择“Close”价格作为因变量，选择“Open”、“High”、“Low”和“Volume”作为自变量。构建一个多元线性回归模型来预测收盘价。评估模型的性能，包括R平方、调整R平方、均方误差（MSE）和均方根误差（RMSE）。分析每个自变量对收盘价的影响（系数和P值）。此外，可以考虑引入时间相关的特征（例如，滞后价格、移动平均线）来改进回归模型，并对改进后的模型进行评估和解释。

请给我预测30的结果，并用表格形式。

下面是比特币的市场信息交易信息，请对比预测值和真实值，评估模型的准确度

以下是比特币在2024年1月22日至2月22日期间的主要交易数据汇总，基于搜索结果中的相关信息整理而成：