- 始値（Open）
- 高値（High）
- 安値（Low）
- 終値（Close）
- 取引量（Volume）

- 移動平均（MA）: 7日、21日、50日、200日
- 相対力指数（RSI）: 14日
- ボリンジャーバンド: 20日、標準偏差2
- MACD: 12日、26日、シグナル9日
- 出来高加重平均価格（VWAP）
- 平均真幅（ATR）: 14日

- 価格変化率（リターン）
- ボラティリティ（標準偏差）
- 価格レンジ（High - Low）
- 取引量変化率
- 価格と移動平均の乖離率

- ビットコイン価格（他のアルトコインの場合）
- 市場全体の時価総額
- Fear & Greed Index
- Google Trends データ
- ソーシャルメディアセンチメント

# 必要なライブラリ
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# データソース例
- Exchange API (Binance, Coinbase等)
- CoinGecko API
- Yahoo Finance

# 欠損値処理
- 前方補完（ffill）または線形補間
- 異常値の検出と処理

# 正規化/標準化
- Min-Max スケーリング（0-1の範囲）
- Z-score 標準化（平均0、標準偏差1）

# テクニカル指標の計算
def calculate_technical_indicators(df):
    # RSI
    df['RSI'] = calculate_rsi(df['Close'], 14)

    # ボリンジャーバンド
    df['BB_upper'], df['BB_middle'], df['BB_lower'] = calculate_bollinger_bands(df['Close'])

    # MACD
    df['MACD'], df['MACD_signal'], df['MACD_hist'] = calculate_macd(df['Close'])

    return df

from statsmodels.tsa.stattools import adfuller

# ADF検定
result = adfuller(price_series)
if result[1] > 0.05:
    # 差分を取って定常化
    price_diff = price_series.diff().dropna()

from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# ACF/PACFプロットでp,q値を決定
# または自動選択
from pmdarima import auto_arima
model = auto_arima(train_data, seasonal=False, stepwise=True)

# ARIMAモデルの訓練
model = ARIMA(train_data, order=(p,d,q))
model_fit = model.fit()

# 予測
forecast = model_fit.forecast(steps=forecast_period)

def create_sequences(data, seq_length):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

# シーケンス長の設定（例：過去60日で予測）
sequence_length = 60

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

def build_lstm_model(input_shape):
    model = Sequential([
        LSTM(100, return_sequences=True, input_shape=input_shape),
        Dropout(0.2),
        LSTM(100, return_sequences=True),
        Dropout(0.2),
        LSTM(50, return_sequences=False),
        Dropout(0.2),
        Dense(25),
        Dense(1)
    ])

    model.compile(optimizer='adam', loss='mse', metrics=['mae'])
    return model

# 訓練
history = model.fit(
    X_train, y_train,
    epochs=50,
    batch_size=32,
    validation_data=(X_val, y_val),
    callbacks=[
        EarlyStopping(patience=10),
        ReduceLROnPlateau(patience=5)
    ]
)

# 両モデルの予測を組み合わせる
def ensemble_prediction(lstm_pred, arima_pred, weights=[0.6, 0.4]):
    return weights[0] * lstm_pred + weights[1] * arima_pred

# 動的重み付け（誤差に基づく）
def dynamic_weights(lstm_error, arima_error):
    total_error = lstm_error + arima_error
    lstm_weight = 1 - (lstm_error / total_error)
    arima_weight = 1 - (arima_error / total_error)
    return [lstm_weight, arima_weight]

from sklearn.metrics import mean_squared_error, mean_absolute_error

# RMSE (Root Mean Squared Error)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))

# MAE (Mean Absolute Error)
mae = mean_absolute_error(y_true, y_pred)

# MAPE (Mean Absolute Percentage Error)
mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100

# 方向性精度（上昇/下降の予測精度）
direction_accuracy = np.mean((np.sign(y_true[1:] - y_true[:-1]) == 
                            np.sign(y_pred[1:] - y_pred[:-1]))) * 100

# シャープレシオ
def sharpe_ratio(returns, risk_free_rate=0.02):
    excess_returns = returns - risk_free_rate/252  # 日次リターンの場合
    return np.sqrt(252) * excess_returns.mean() / excess_returns.std()

# 最大ドローダウン
def max_drawdown(returns):
    cumulative = (1 + returns).cumprod()
    running_max = cumulative.cummax()
    drawdown = (cumulative - running_max) / running_max
    return drawdown.min()