python比特币交易平台(python 比特币)_百科知识

Bitget下载

注册下载Bitget下载，邀请好友，即有机会赢取 3,000 USDT

文末领取【国内外互联网名企股票数据】

黄金被认为是避险投资。也就是说，当经济正陷入衰退时，由于投资者从股票转向黄金，黄金价格往往会上涨。这有助于投资者减少股市崩盘将给他们的投资组合带来的潜在损失。如果比特币在投资界一直扮演着避风港的角色，那么我们应该期望看到股票与比特币价格之间存在负相关关系。

比特币可能是跟金融市场一样遵循同样的趋势。也就是说，如果股价上涨，这种实证主义具有传染性，因此在比特币价格中也可见吗？我们分析的第三个潜在结果可能是比特币价格与股市根本没有关系。让我们使用Python看看！

使用Python检索股票市场价格和比特币价格

为了获取数据进行我们的分析，我将使用financialmodelingprep API检索比特币价格。他们还提供免费的库存数据，但是为了向您展示两种不同的获取数据的方法，我将使用Pandas DataReader来检索库存数据。

作为我们市场数据的代理，我们将使用标准普尔500指数。标准普尔500指数是衡量在美国上市的500家最大公司的股票表现的指数。我们将使用Pandas DataReader下载SP500价格和美联储经济数据（FRED）作为源。

如果您以前从未使用过Pandas DataReader和Pandas，则需要安装软件包。您可以使用pip命令来做到这一点。

pip install pandas_datareader #Pandas data reader may not work with the latest Pandas version,
therefore, I recommend you to install Pandas version 0.24:
pip install pandas==0.24.2

太好了，现在我们可以使用Python检索数据了。首先，我们将提取过去十年中的S＆P500股票价格。请注意，通过使用web.DataReader并指定系列名称（即sp500）和提供程序（即fred），我们可以轻松获取称为SP500的Pandas系列数据。

pd.core.common.is_list_like = pd.api.types.is_list_likeimport pandas_datareader.data as webimport datetimestart = datetime.datetime(2010, 1, 1)end = datetime.datetime(2020, 2, 10)SP500 = web.DataReader(['sp500'], 'fred', start, end)print(SP500)

以上代码行将返回低于标普500普尔系列，其中包含过去10年的标普价格：

检索比特币价格

现在让我们检索比特币价格。为此，我们将使用financialmodelingprep API。我们将向API端点发出一个http get请求，该请求将返回包含历史BTC价格的字典：

import requests#BTCUSD contains a dictionaryBTCUSD = requests.get(
'https://financialmodelingprep.com/api/v3/historical-price-full/crypto/BTCUSD')BTCUSD = BTCUSD.jsonBTCUSD = BTCUSD['historical']

我们分析包含在键名historical中的字典。

print(BTCUSD)[{'date': '2020-02-15', 'open': 10315.651367, 'high': 10341.555664, 'low': 10226.138672, 'close': 10244.959961, 'adjClose': 10244.959961, 'volume': 42347495424.0, 'unadjustedVolume': 42347495424.0, 'change': 70.69141, 'changePercent': 0.685, 'vwap': 10270.88477, 'label': 'February 15, 20', 'changeOverTime': 0.00685}, {'date': '2020-02-14', 'open': 10211.... .... ...]}

现在通过查看BTCUSD变量的内容，我们可以看到BTCUSD是词典列表，并且列表中的每个元素都是包含比特币价格的不同日期。BTC价格存储在关键收盘价下。

例如我们看到在2月15日，比特币的价格为10,244美元。

我们需要将字典列表转换为Pandas DataFrame。我们可以使用pd.DataFrame.from_dict轻松地做到这一点：

BTC = pd.DataFrame.from_dict(BTCUSD)BTC.set_index('date',inplace=True)#Keep only the close columnBTC = BTC[['close']]#Rename the column name to BTCBTC.columns = ['BTC']BTC

最后，我们在两个Pandas DataFrame中获得BTC和S＆P 500的价格。现在我们只需要将它们合并在一起。对我们来说幸运的是，使用Python和Pandas可以很容易地做到这一点。

我们可以使用pd.merge在索引上连接两个DataFrame，因为index包含日期。因此，我们想加入标普500指数和BTC在匹配日的价格。

我们可以将等于True的right_index和left_index传递为参数，让Pandas知道我们要使用该索引进行合并。

SP500BTC = BTC.merge(SP500, how='inner',right_index = True,
left_index=True)#Drop NA since we have nan values for weekends.
S&P500 only trades business daysSP500BTC.dropna(inplace=True)print(SP500BTC)

比特币与标普500价格之间的关系

我们已准备好数据进行分析。现在我们可以继续查找股票和比特币价格之间的关系。

为此，我们可以使用pandas dataframe.corr查找Pandas DataFrame列的相关性：

correlation = SP500BTC.corrprint(correlation)###Result:BTC sp500BTC 1.000000 0.834106sp500 0.834106 1.000000

如何解释BTC与标普500指数之间的相关性？

相关矩阵的值范围从-1到1。接近+1意味着两个变量在同一方向上紧密地移动。值为0表示变量之间没有关系。负相关表明变量向不同方向移动。越接近-1，逆关系越强。

通过研究我们的结果，我们发现比特币价格与标准普尔500指数之间存在0.83的强正相关关系。这意味着，当股市价格上涨时，我们可以预期比特币也会跟风上涨。

from statsmodels import api as smimport matplotlib.pyplot as pltsm.graphics.plot_corr(correlation,xnames=list(correlation.columns))plt.show

图的红色意味着这种关系是强而正的。我们还可以使用linregression和scipy.stats检查这种关系是否具有统计学意义：

#statistically significant?from scipy.stats import linregresslinregress(SP500BTC['sp500'],SP500BTC['BTC'])#H0: BTC and Stock prices are not related#Results:LinregressResult(slope=8.956910705798713, intercept=-18068.59091142212,
 rvalue=0.8341059841835341, pvalue=0.0, stderr=0.1673358700767462)

因为我们的p值小于0.05，所以我们可以拒绝H0，因此，我们可以从统计学上说比特币和股票价格一起移动。

总结

使用Python和Pandas，我们分析了股市与比特币价格之间的关系。根据我们的分析结果，可以说BTC和S＆P500的价格朝着同一方向移动。

知道这种关系在衰退的经济周期中是否也很有趣。为了进行这种分析，我们可能需要等待一段时间，因为在过去的几年中，我们一直生活在扩张型经济中。

请参阅下面的完整脚本：

import pandas as pdpd.core.common.is_list_like = pd.api.types.is_list_likeimport pandas_datareader.data as webimport datetimestart = datetime.datetime(2010, 1, 1)end = datetime.datetime(2020, 2, 10)SP500 = web.DataReader(['sp500'], 'fred', start, end)import requestsBTCUSD = requests.get('https://financialmodelingprep.com/api/v3/historical-price-full/crypto/BTCUSD')
BTCUSD = BTCUSD.jsonBTCUSD = BTCUSD['historical']BTC = pd.DataFrame.from_dict(BTCUSD)BTC.set_index('date',inplace=True)BTC = BTC[['close']]BTC.columns = ['BTC']SP500BTC = BTC.merge(SP500,how='inner',right_index = True,
left_index=True)SP500BTC.dropna(inplace=True)correlation = SP500BTC.corrprint(correlation)from statsmodels import api as smimport matplotlib.pyplot as pltsm.graphics.plot_corr(correlation,xnames=list(correlation.columns))plt.show#statistically significant?from scipy.stats import linregresslinregress(SP500BTC['sp500'],SP500BTC['BTC'])