g

pages/2_💲 _Прогноз_акций. Prophet.py

@@ -118,8 +118,8 @@ def ticker(data, holidays_df, text1, text2, k):
     future = future[~future['ds'].isin(holidays_df['ds'])]
     forecast_test = model.predict(future)
     # Создаем фрейм для прогноза на +14 дней после последней даты
-    future_14_days = model.make_future_dataframe(periods=14, freq='B', include_history=False)
-    future_14_days['ds'] = pd.date_range(start=last_date + pd.DateOffset(1), periods=14, freq='B')
+    future_14_days = model.make_future_dataframe(periods=period, freq='B', include_history=False)
+    future_14_days['ds'] = pd.date_range(start=last_date + pd.DateOffset(1), periods=period, freq='B')
     forecast_14_days = model.predict(future_14_days)
 
     # Отрисовка графика 

pages/3_🪙_Прогноз_Bitcoin USD. BiLSTM.py

@@ -5,12 +5,12 @@ import numpy as np
 import matplotlib.pyplot as plt
 import torch
 import torch.nn as nn
-import torch.optim as optim
 from datetime import date, datetime, timedelta
 from model.BiLSTM_model import BiLSTM
 from sklearn.metrics import mean_squared_error
 from sklearn.preprocessing import MinMaxScaler
 from datetime import timedelta
+import plotly.graph_objects as go
 
 st.set_page_config(layout='wide', initial_sidebar_state='expanded')
 st.set_option('deprecation.showPyplotGlobalUse', False)
@@ -69,7 +69,6 @@ num_layers = 3
 output_size = 1
 model = BiLSTM(input_size, hidden_size, num_layers, output_size)
 criterion = nn.MSELoss()
-optimizer = optim.Adam(model.parameters(), lr=0.001)
 
 model = BiLSTM(1, 128, 3, 1)
 model.load_state_dict(torch.load('model/model_weights.pth'))
@@ -89,81 +88,100 @@ with torch.no_grad():
     test_weighted_mape = weighted_mape(test_predictions, y_test, weights)
 
     # st.write(f'Test Loss: {test_loss.item():.4f}')
-    st.write(f'Test RMSE: {test_rmse:.4f}')
-    st.write(f'Test MAPE: {test_mape:.4f}%')
-    st.write(f'Test Weighted MAPE: {test_weighted_mape:.4f}%')
-
-# Предсказания на тестовых данных
-with torch.no_grad():
-    test_predictions = model(X_test)
-    adjusted_future_predictions = scaler.inverse_transform(test_predictions.cpu().numpy())
-
-# st.write(adjusted_future_predictions)
-# df_predictions = pd.DataFrame({'Predictions': adjusted_future_predictions.flatten()})
-# df_predictions['Predictions'] = df.iloc[:, 0].values
-# sum_test = pd.concat([df['Date'][train_size:], df_predictions], axis=1)
-# st.write(sum_test)
-# # adjusted_future_predictions = pd.DataFrame({'Date': df['Date'][train_size:].reset_index(), 'Predictions': adjusted_future_predictions})
-# # st.write(adjusted_future_predictions)
-# # pd.concat(df['Date'][train_size:], adjusted_future_predictions)
-filtered_df = df
-
-# Прогнозы с учетом трендов
-trend_first_day = adjusted_future_predictions[0] - filtered_df['Adj Close'].iloc[-1]
-trend_14_days = adjusted_future_predictions[-1] - adjusted_future_predictions[0]
-adjusted_future_predictions = [filtered_df['Adj Close'].iloc[-1] + trend_first_day + (trend_14_days / 14) * i for i in range(14)]
-
-# Вычисление даты, которая находится на 3 месяца назад
-start_date = datetime.strptime(latest_date, '%Y-%m-%d') - timedelta(days=90)
-
-# Преобразование строк столбца 'Date' в объекты datetime
-df['Date'] = pd.to_datetime(df['Date'])
-
-# Фильтрация данных за последние 3 месяца
-filtered_df = df[(df['Date'] >= start_date) & (df['Date'] <= latest_date)]
+    # st.write(f'Test RMSE: {test_rmse:.4f}')
+    # st.write(f'Test MAPE: {test_mape:.4f}%')
+    # st.write(f'Test Weighted MAPE: {test_weighted_mape:.4f}%')
 
 # Генерация дат для будущих предсказаний
-future_dates = [filtered_df['Date'].values[-1] + np.timedelta64(i+1, 'D') for i in range(14)]
-
+future_dates = [df['Date'].values[-1] + np.timedelta64(i+1, 'D') for i in range(period)]
 # Расчет тренда на первый день
-trend_first_day = adjusted_future_predictions[0] - filtered_df['Adj Close'].iloc[-1]
-
-# Расчет тренда за 14 дней (как разницу между первым и последним днем)
-trend_14_days = adjusted_future_predictions[-1] - adjusted_future_predictions[0]
-
+trend_first_day = test_predictions[0] - df['Adj Close'].iloc[-1]
+# Расчет тренда на последний день
+trend_last_day = test_predictions[-1] - test_predictions[0]
 # Прогнозы с учетом трендов
-adjusted_future_predictions = [filtered_df['Adj Close'].iloc[-1] + trend_first_day + (trend_14_days / 14) * i for i in range(14)]
-
-# Создание графика
-plt.figure(figsize=(12,6))
-plt.plot(filtered_df['Date'], filtered_df['Adj Close'], label='Actual', linewidth=2)
-plt.plot(future_dates, adjusted_future_predictions, label='Future Predictions (with Trends)', linestyle='--', linewidth=2)
-
-plt.title('Bitcoin Price Prediction (Last 3 Months)')
-plt.xlabel('Date')
-plt.ylabel('Price')
-plt.xticks(rotation=45)
-plt.legend()
-# Отображение графика в Streamlit
-st.pyplot(plt)
-
-# Генерация дат для будущих предсказаний
+adjusted_future_predictions = [df['Adj Close'].iloc[-1] + trend_first_day + (trend_last_day / period) * i for i in range(period)]
+
+adjusted_future_pred = pd.Series([x.item() for x in adjusted_future_predictions])
+
+# Форматирование каждой даты в нужный формат
+formatted_dates = np.datetime_as_string(future_dates)
+
+fig = go.Figure()
+fig.add_trace(go.Scatter(x=df['Date'], 
+                         y=df['Adj Close'], 
+                         mode='lines',
+                         name='Актуальные данные',
+                         line=dict(color='blue', width=2)))
+
+fig.add_trace(go.Scatter(x=formatted_dates, 
+                         y=adjusted_future_pred, 
+                         mode='lines+markers',
+                         name='Прогноз будущее',
+                         line=dict(color='red', width=2, dash='dash')))
+
+fig.update_layout(title=f'Прогноз по Bitcoin на {period} дней',
+                  xaxis_title='Дата',
+                  yaxis_title='Цена закрытия',
+                  xaxis=dict(tickangle=45),
+                #   xaxis_range=[datetime(2023, 12, 25), datetime(2024, 2, 13)],
+                  showlegend=True)
+
+st.plotly_chart(fig, use_container_width=True)
+
+fig = go.Figure()
+fig.add_trace(go.Scatter(x=df['Date'], 
+                         y=df['Adj Close'], 
+                         mode='lines',
+                         name='Актуальные данные',
+                         line=dict(color='blue', width=2)))
+
+fig.add_trace(go.Scatter(x=formatted_dates, 
+                         y=adjusted_future_pred, 
+                         mode='lines+markers',
+                         name='Прогноз будущее',
+                         line=dict(color='red', width=2, dash='dash')))
+
+fig.update_layout(title=f'Прогноз по Bitcoin на {period} дней (в интервале месяца)',
+                  xaxis_title='Дата',
+                  yaxis_title='Цена закрытия',
+                  xaxis=dict(tickangle=45),
+                #   xaxis_range=[datetime(2023, 12, 25), datetime(2024, 2, 13)],
+                  xaxis_range=[datetime.strptime(latest_date, '%Y-%m-%d') - timedelta(days=12), \
+                               datetime.strptime(latest_date, '%Y-%m-%d') +  timedelta(days=18)],
+                  showlegend=True)
+
+st.plotly_chart(fig, use_container_width=True)
+
+# Генерация дат для будущих педсказаний
 future_dates = [df['Date'].values[-1] + np.timedelta64(i+1, 'D') for i in range(14)]
 
 # Расчет тренда на первый день
-trend_first_day = adjusted_future_predictions[0] - filtered_df['Adj Close'].iloc[-1]
+trend_first_day = adjusted_future_predictions[0] - df['Adj Close'].iloc[-1]
 
 # Расчет тренда на последний день
 trend_last_day = adjusted_future_predictions[-1] - adjusted_future_predictions[0]
 
-# Вывод прогнозов
-print("Прогноз на 14 дней вперед:")
-for i, (date, pred) in enumerate(zip(future_dates, adjusted_future_predictions)):
-    print(f"День {i+1} ({date}): Прогноз: {float(pred):.2f}")
-
 # Вывод тренда на первый и последний день
 trend_first_day_text = "Рост" if trend_first_day > 0 else "Падение" if trend_first_day < 0 else "Нет тренда"
 trend_last_day_text = "Рост" if trend_last_day > 0 else "Падение" if trend_last_day < 0 else "Нет тренда"
 
-st.write(f"Тренд на первый день: {trend_first_day_text}")
-st.write(f"Тренд на последний день: {trend_last_day_text}")
+check = st.checkbox('Результаты прогноза Bitcoin')
+if check:
+    col1, col2 = st.columns([1, 1])
+    with col1:
+        st.write("**Информация.** \
+                Прогноз составлен для будущего периода с возможностью выбора до 14 дней с указанием тенденции дельнейшего развития.")
+        st.markdown("**Метрики для тестовой выборки:**")
+        st.write(f"RMSE: {test_rmse:.2f}")
+        st.write(f"MAPE: {test_mape:.2f}%")
+        st.write(f"Weighted MAPE: {test_weighted_mape:.2f}%")
+        # Оценка тренда на первый день
+        st.write(f'Тенденция на первый день: {trend_first_day_text}')
+        # Оценка тренда на период прогноза
+        st.write(f'Тенденция на период прогноза: {trend_last_day_text}')
+    with col2:
+        results = pd.DataFrame({
+            'Дата': future_dates,
+            'Прогноз': adjusted_future_pred.values.round(2)
+        })
+        st.dataframe(results.set_index('Дата'))