import requests import pandas as pd from datetime import datetime def get_historical_data(coin_id="bitcoin", vs_currency="usd", days=1): url = f"https://api.coingecko.com/api/v3/coins/{coin_id}/market_chart" params = { "vs_currency": vs_currency, "days": days, "interval": "minutely" } response = requests.get(url, params=params) data = response.json() prices = data.get("prices", []) # Converter para DataFrame df = pd.DataFrame(prices, columns=["timestamp", "price"]) df["timestamp"] = pd.to_datetime(df["timestamp"], unit='ms') # Agregar em candles de 15 minutos df.set_index("timestamp", inplace=True) ohlc = df["price"].resample("15T").ohlc() volume = pd.DataFrame(data.get("total_volumes", []), columns=["timestamp", "volume"]) volume["timestamp"] = pd.to_datetime(volume["timestamp"], unit='ms') volume.set_index("timestamp", inplace=True) volume_15min = volume["volume"].resample("15T").sum() ohlc["volume"] = volume_15min ohlc.dropna(inplace=True) return ohlc if __name__ == "__main__": df_15min = get_historical_data() print(df_15min) - Follow Up Deployment

Melhorar a rede neural, criar gráfico de linha da moeda treinada. Salve os dados de candle no space. Além disso tente usar API : import requests import pandas as pd from datetime import datetime def get_historical_data(coin_id="bitcoin", vs_currency="usd", days=1): url = f"https://api.coingecko.com/api/v3/coins/{coin_id}/market_chart" params = { "vs_currency": vs_currency, "days": days, "interval": "minutely" } response = requests.get(url, params=params) data = response.json() prices = data.get("prices", []) # Converter para DataFrame df = pd.DataFrame(prices, columns=["timestamp", "price"]) df["timestamp"] = pd.to_datetime(df["timestamp"], unit='ms') # Agregar em candles de 15 minutos df.set_index("timestamp", inplace=True) ohlc = df["price"].resample("15T").ohlc() volume = pd.DataFrame(data.get("total_volumes", []), columns=["timestamp", "volume"]) volume["timestamp"] = pd.to_datetime(volume["timestamp"], unit='ms') volume.set_index("timestamp", inplace=True) volume_15min = volume["volume"].resample("15T").sum() ohlc["volume"] = volume_15min ohlc.dropna(inplace=True) return ohlc if __name__ == "__main__": df_15min = get_historical_data() print(df_15min) - Follow Up Deployment

Crie dois gráficos do backtest e do trader real o backtest deslocando no tempo. Mostra a evolução da rede neural. E melhore os controles para que seja possível selecionar qual moeda treinar. Ao dar play ligar as duas redes a treinar e de validação - Follow Up Deployment

Crie dois gráficos do backtest e do trader real o backtest deslocando no tempo. Mostra a evolução da rede neural. E melhore os controles para que seja possível selecionar qual moeda treinar. Ao dar play ligar as duas redes a treinar e de validação - Follow Up Deployment

Crie dois gráficos do backtest e do trader real o backtest deslocando no tempo. Mostra a evolução da rede neural. E melhore os controles para que seja possível selecionar qual moeda treinar. Ao dar play ligar as duas redes a treinar e de validação - Follow Up Deployment

Crie dois gráficos do backtest e do trader real o backtest deslocando no tempo. Mostra a evolução da rede neural. E melhore os controles para que seja possível selecionar qual moeda treinar. Ao dar play ligar as duas redes a treinar e de validação - Follow Up Deployment

Melhore os controles de trader, ao dar play inicia o trader de backtest deslocando no tempo enquanto o trader reais vão valida. Fatore e otimizar o código do a rede neural na frente. Configure para selecionar quais moedas treinar - Follow Up Deployment

Usar API real, assim como no simulado usar cadles do passado. Tempo do gráfico em 15 min - Follow Up Deployment

Pode informar em algum lugar a evolução da rede neural. E salvar o treino em algum lugar externamente no space - Follow Up Deployment

Use dados reais do mercado , crie e crie os gráficos de Candes - Follow Up Deployment

criar grafico de candles e moostrar onde esta realizando os traders - Follow Up Deployment

Cada vez que o arede neural aperfeiçor atualizar essa, use modelos trainado se tiver no hugging para utilizar ou copie para ser melhor - Follow Up Deployment

Criar uma rede neura complexa, para buscar os pares criptmoedas e e calcular suas entradas e saidas, use todos dados disponivel, volumes compras vendas , nao use indicadores. para trader de alta alavancagem. crie uma rede neural de teste e outra criando ordens em tempo real e fechando, crie um historio e grafico evolutivo de saldo considere 100 dolares iniciais , e otimize o saldo no maxim - Follow Up Deployment

Criar uma rede neura complexa, para buscar os pares criptmoedas e e calcular suas entradas e saidas, use todos dados disponivel, volumes compras vendas , nao use indicadores. para trader de alta alavancagem. crie uma rede neural de teste e outra criando ordens em tempo real e fechando, crie um historio e grafico evolutivo de saldo considere 100 dolares iniciais , e otimize o saldo no maxim - Follow Up Deployment

undefined - Initial Deployment

initial commit