परिचय

आर्टिफिशियल इंटेलिजेंस (एआई) ने बड़े डेटासेट का विश्लेषण करने और भविष्यवाणियां करने के लिए उन्नत उपकरण प्रदान करके व्यापार में क्रांति ला दी है। यह परियोजना दर्शाती है कि ऐतिहासिक मूल्य डेटा का उपयोग करके व्यापार के लिए एक सरल एआई मॉडल कैसे बनाया जाए।

शुरू करना

ये निर्देश आपकी स्थानीय मशीन पर एआई ट्रेडिंग मॉडल को स्थापित करने और चलाने में आपकी मदद करेंगे।

आवश्यक शर्तें

• पायथन 3.8 या उच्चतर
• पिप (पायथन पैकेज इंस्टॉलर)
• ज्यूपिटर नोटबुक (वैकल्पिक, इंटरैक्टिव विकास के लिए)

इंस्टालेशन

1. एक आभासी वातावरण बनाएं:

python -m venv venv
source venv/bin/activate  # On Windows use `venv\Scripts\activate`

डेटा तैयारी

1. ऐतिहासिक डेटा प्राप्त करें:
   किसी विश्वसनीय स्रोत (उदाहरण के लिए, याहू फाइनेंस, अल्फा वैंटेज) से ऐतिहासिक ट्रेडिंग डेटा डाउनलोड करें।

2. डेटा प्रीप्रोसेसिंग:
   किसी भी विसंगति को दूर करने के लिए डेटा को साफ और प्रीप्रोसेस करें। विशिष्ट प्रीप्रोसेसिंग चरणों में लापता मानों को संभालना, डेटा को सामान्य बनाना और फीचर इंजीनियरिंग शामिल है।

उदाहरण प्रीप्रोसेसिंग स्क्रिप्ट:

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# Load data
data = pd.read_csv('historical_data.csv')

# Handle missing values
data = data.dropna()

# Normalize data
scaler = MinMaxScaler()
data[['Open', 'High', 'Low', 'Close', 'Volume']] = scaler.fit_transform(data[['Open', 'High', 'Low', 'Close', 'Volume']])

# Save preprocessed data
data.to_csv('preprocessed_data.csv', index=False)

मॉडल बिल्डिंग

1. मॉडल को परिभाषित करें: समय श्रृंखला भविष्यवाणी के लिए उपयुक्त मशीन लर्निंग एल्गोरिदम चुनें। सामान्य विकल्पों में LSTM (लॉन्ग शॉर्ट-टर्म मेमोरी) और GRU (गेटेड रिकरंट यूनिट) नेटवर्क शामिल हैं।

उदाहरण मॉडल परिभाषा:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=50, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')

मॉडल का प्रशिक्षण

1. डेटा विभाजित करें: डेटा को प्रशिक्षण और परीक्षण सेट में विभाजित करें।

from sklearn.model_selection import train_test_split

X = data[['Open', 'High', 'Low', 'Close', 'Volume']].values
y = data['Close'].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

1. मॉडल को प्रशिक्षित करें: मॉडल को प्रशिक्षण डेटा में फ़िट करें।

model.fit(X_train, y_train, epochs=50, batch_size=32)

मॉडल का मूल्यांकन

1. परफॉर्मेंस का आकलन करें: परीक्षण डेटा पर मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उपयुक्त मैट्रिक्स का उपयोग करें।

from sklearn.metrics import mean_squared_error

predictions = model.predict(X_test)
mse = mean_squared_error(y_test, predictions)
print(f'Mean Squared Error: {mse}')

भविष्यवाणियाँ करना

1. भविष्यवाणियां करें: नए डेटा पर पूर्वानुमान लगाने के लिए प्रशिक्षित मॉडल का उपयोग करें।

new_data = pd.read_csv('new_data.csv')
new_data_scaled = scaler.transform(new_data)
predictions = model.predict(new_data_scaled)
print(predictions)

निष्कर्ष

यह प्रोजेक्ट दर्शाता है कि ट्रेडिंग के लिए एआई मॉडल का निर्माण और मूल्यांकन कैसे किया जाए। इस README में उल्लिखित चरणों का पालन करके, आप ट्रेडिंग डेटा का विश्लेषण और भविष्यवाणी करने के लिए अपना स्वयं का मॉडल बना सकते हैं।