恐惧与贪婪指数数据获取及可视化

1. 效果图

在这里插入图片描述

2. ES索引创建

PUT fear_greed
{
  "mappings": {
    "dynamic": "strict",
    "properties": {
      "c_date": {
        "type": "date",
        "format": "yyyy-MM-dd"
      },
      "val": {
        "type": "integer"
      },
      "tag": {
        "type": "keyword"
      }
    }
  }
}

3. 数据定时获取

# 设置API密钥
api_key = "****"  # 替换为您的实际密钥
url = "https://pro-api.coinmarketcap.com/v3/fear-and-greed/historical"
headers = {
    "X-CMC_PRO_API_KEY": api_key,
    "Accept": "application/json"
}
proxies = {
    "http": "http://127.0.0.1:7890",
    "https": "http://127.0.0.1:7890"
}

# 发送请求
params = {"limit": 1}  # 获取最新一天数据
response = requests.get(url, headers=headers, params=params, proxies=proxies)

# 检查响应
if response.status_code == 200:
    data = response.json()
    actions = list()
    processed_count = 0
    for latest in data['data']:
        date = datetime.fromtimestamp(int(latest["timestamp"])).strftime("%Y-%m-%d")
        value = latest["value"]
        classification = latest["value_classification"]

        info = {
            "c_date": date,
            "val": value,
            "tag": classification
        }

        action = {
            "_op_type": "index",
            "_index": "fear_greed",
            "_id": get_unique_id(date),
            "_source": info
        }
        actions.append(action)
        processed_count += 1

        if len(actions) >= 100:
            helpers.bulk(es_client, actions)
            actions.clear()
            print(f"已处理 {processed_count} 条数据")
    if len(actions) > 0:
        helpers.bulk(es_client, actions)
        actions.clear()
        print(f"已处理 {processed_count} 条数据")

else:
    print(f"请求失败: {response.status_code}")
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制究”展开,提出了一种结合数据驱动方法Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度动态响应能力。究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真验证,展示了该方法在高精度定位控制中的有效性实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科人员工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模预测控制相关领域的究生究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模线性化提供新思路;③结合深度学习经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子RNN结合的建模范式,重点关注数据预处理、模型训练控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开究,提出了一种结合智能优化算法传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的究人员或工程技术人员,尤其适合究生及科人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法机器学习结合应用的教学案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

算法小生Đ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值