Cripto Trend & Sentiment

Machine Learning per l'analisi predittiva di Bitcoin e del Fear & Greed Index

Project work finale dell'academy Data Science e Generative AI (Crif, aprile 2025).

• Pagina dei risultati: https://fedegambe.github.io/Bitcoin_Prediction/
• Notebook originale su Colab:

Obiettivo

Partendo da un dataset orario (aprile 2023 – aprile 2025, 17.515 righe) con Bitcoin, altre criptovalute, materie prime, indici azionari e indicatori di sentiment, il progetto:

1. Analisi descrittiva: confronta andamento, rendimenti e correlazioni di BTC con gli altri asset.
2. Market trend: prevede il prezzo di BTC con reti LSTM (single-step a 1 ora e multi-step a 336 ore) e la direzione a una settimana con LightGBM (walk-forward con purging).
3. Fear & Greed Index: lo stima dalle componenti principali del mercato (PCA + confronto di 16 regressori, Random Forest) e ne interpreta i fattori con regressione polinomiale e LOWESS.

Risultati principali

Analisi	Modello	Risultato
Prezzo BTC a 1 ora	LSTM su 9 componenti PCA (senza il prezzo passato di BTC)	MAE 18.057 $, sottostima sistematica (R² −5,2)
Prezzo BTC a 2 settimane	LSTM multi-step	MAE 23.768 $
Direzione a 1 settimana	LightGBM walk-forward	accuratezza 0,49, sotto la baseline "sempre su" (0,53)
Fear & Greed Index	Random Forest su 6 componenti PCA	R² 0,985 con split casuale, 0,00 con split cronologico

I soli dati di mercato non bastano a prevedere né il prezzo né il sentiment. L'R² del notebook sul Fear & Greed nasce dallo split casuale: l'indice ha un valore al giorno ripetuto sulle 24 ore, quindi ore dello stesso giorno finiscono in train e test. Il Fear & Greed resta legato al rendimento di BTC a 30 giorni (correlazione 0,68) e alle ricerche su Google. Limiti e dettagli sono nella pagina dei risultati e in reports/.

Struttura

├── data/raw/Dataset.zip          dataset orario (merged_fix_to_hour.csv)
├── docs/                         pagina GitHub Pages (index.html, progetto.json, img/)
├── models/                       LSTM addestrate (.keras) e storie di training (.pkl)
├── notebooks/                    notebook originali del corso
├── references/                   testo della consegna
├── reports/                      note metodologiche e metriche (JSON) prodotte dagli script
├── scripts/                      pipeline eseguibili
├── src/cripto_trend/             pacchetto Python
│   ├── config.py                 percorsi e costanti
│   ├── data.py                   caricamento, pulizia, selezione colonne
│   ├── features.py               base 100, rendimenti, VIF, PCA, finestre per LSTM
│   ├── plots.py                  grafici Plotly
│   └── models/                   lstm.py, classification.py, sentiment.py
└── tests/                        test pytest

Uso

python -m venv .venv && source .venv/bin/activate
pip install -e ".[dl,dev]"        # senza [dl] niente TensorFlow/LightGBM

python scripts/run_descrittiva.py --html    # statistiche + grafici in reports/figures/
python scripts/run_market_trend.py          # LSTM salvate in models/ (--train per riaddestrare)
python scripts/run_fear_greed.py            # --grid per la grid search completa
python scripts/build_pagina.py              # rigenera i dati dei grafici di docs/index.html
pytest

Gli script riproducono le metriche dei notebook. Per pubblicare la pagina: Settings → Pages → branch main, cartella /docs.

Note sulla ristrutturazione

Rispetto al notebook sono stati corretti alcuni errori che impedivano l'esecuzione end-to-end (variabili non definite come test_clas e dates_all, percorsi Google Drive, URL dello zip rinominato) e il calcolo dell'R² multi-step, che confrontava valori scalati 0–1 con prezzi in dollari.