Bitcoin no R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Vou participar de dois eventos no mês que vem sobre criptomoedas e, portanto, estou lendo um pouco mais sobre o assunto. Nunca tive grande interesse pelo tema (sim, eu não sou austríaco), mas é sempre bom a gente expandir nosso conhecimento, não é mesmo? E qual a melhor forma de começar? Sim, tendo acesso aos dados...

library(Quandl)
library(ggplot2)
library(forecast)
library(scales)
btc = Quandl("BCHARTS/ROCKUSD", type='xts')
autoplot(btc[,4])+
 annotate("rect", fill = "gray", alpha = 0.5, 
 xmin = as.Date('2016-08-01'), 
 xmax = as.Date('2017-08-20'),
 ymin = -Inf, ymax = Inf)+
 geom_line(size=.1, colour='darkblue')+
 scale_y_discrete(limits=c(0,500,1000,1500,2000,2500,3000,3500,4000,
 4500))+
 scale_x_date(breaks = date_breaks("3 months"),
 labels = date_format("%b/%Y"))+
 theme(axis.text.x=element_text(angle=45, hjust=1),
 plot.title = element_text(size=11, face='bold'),
 plot.caption = element_text(size=9),
 axis.title.y = element_text(size=9))+
 xlab('')+ylab('')+
 labs(title='Bitcoin vs. USD (Fechamento Diário)',
 subtitle='Fonte: Quandl R API')

O gráfico, como se pode ver no código, está baseado no Quandl, mas há um pacote específico chamado Rbitcoin. Por enquanto é isso. Ao longo das próximas semanas falo mais de bitcoin por aqui! 🙂

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.