こんにちは。久方ぶりにブログ書きます。
乞食です。
表題の通り、個人的にはLINE TOKENのフィンシア（FNSA)に注目しております。
理由
日本人の90％以上が常時使用しているLINEが提供するトークンである。
フィンシア（FNSA)はマクドナルドでも使える（FSNA払いが出来る）。
「LINE Blockchain」はプライベートチェーンなので、ガス代がゼロ０円。
コインチェック、ビットフライヤーに上場すれば暴騰の可能性あり。
上記より、利便性と射幸性が認められてきた時に、トークン価値が高騰すると見込んでいます。
最近では資産性ミリオンアーサーが人気を博しており、LINE NFT上のマーケットで連日売買が活発となっています。
資産性ミリオンアーサーの成功から、新たなNFTゲームが登場しLINEというプラットフォームでフィンシア（FNSA)が市民権を得ていくことが予想されます。
以下はフィンシア（FNSA)のチャートです。
現在はかなり厳しいチャート【1FSNA=22ドル＝3,260円】ですが、2021/4/2には【1FNSA=36,119円 最高値】を付けたことのあるTOKENです。
ビットコイナー視点から見ると草コインではあるものの、日本のLINE（ソフトバンク、ヤフーグループ）と考えれば、むしろメインのコインです。全然草コインではありません。
そういった、期待を込めて今からフィンシア（FNSA)を仕込むのも一興でしょう。
※因みに乞食である私は2023/4月に300,000円ほどフィンシア（FNSA)を購入しました。現在の価値は140,102円だそうです。。。
ハっ？って感じです(´；ω；`)ｳｯ…
では、気を取り直してpythonで分析してくぜー😎
まずはcoinmarketcapよりフィンシア（FNSA)のデータをダウンロードします。
そしてデータをEDA（探索的データ分析）していきます。
期間：2020/3/9～2023/8/14まで
FNSA_ALL_graph_coinmarketcap
.csv
Download CSV • 16KB
import pandas as pd
import sweetviz as sv
data2 = pd.read_csv("FNSA_ALL_graph_coinmarketcap.csv")
report = sv.analyze(data2)
# HTMLファイルに出力
report.show_html()すると以下の様にデータが可視化されるので、close終値を見ていきます。
データ数：180個
最高値：33,188円
最低値：510円
平均値：8,068円
標準偏差（１σ）：7,393円
てところです。
次です。
from pandasgui import show
show()まずはチャートを描画。泣ける勢いで下落しています😢
期間：2020/3/9～2023/8/14まで
次に出来高です。
2021/10と2022/3に取引が増加しています。
いずれもビットコイン最高値付近と暴落時であり、暗号通貨全体の取引が増加したときです。ですので他の草コイン同様連動していることが分かります。
ほんで値段のヒストグラムです。
4,000円～6,000円の価格帯が最も高く、46個あります。
出来高と終値の散布図です。
最後に出来高がフィンシア（FNSA)の値動きにどのように影響があるのか？決定木分析で見ていきます。
説明変数のX（出来高）が一次元配列のシリーズとなっているので、サイキットラーンで分轄する前に、二次元のデータフレームに変換するのを忘れないようにしましょう。
import pandas as pd
import sweetviz as sv
data2 = pd.read_csv("FNSA_ALL_graph_coinmarketcap.csv", index_col="timestamp")
# インデックスを日付型に変換
data2.index = pd.to_datetime(data2.index)
# 前日との差分を格納
data2["Diff"] = data2["close"].diff()
# 正解ラベルｙを格納
# 円高（y=0) , 円安（y=1）
data2["y"] = data2["Diff"].apply(lambda x: 1 if x > 0 else 0).shift(-1)
display(data2)
# 説明変数
X = data2["volume"].dropna()
X = X.drop('2023-08-14', axis=0)
display(X)
y = data2["y"].dropna()
y
# 1D配列を2D配列に変換
X = pd.DataFrame(X)
#X.reshape(-1, 1)
X
from sklearn.model_selection import train_test_split
#from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
X_train, X_test, y_train, y_test = train_test_split(X,
y,
test_size=0.15,
random_state=0,
shuffle=False,)
#決定木分析[回帰木]
import numpy as np
import pandas as pd
from sklearn import tree
from dtreeviz.trees import *
import graphviz
regression = tree.DecisionTreeRegressor(max_depth=2)
regression.fit(X,y)
viz = dtreeviz(regression,X,y,
target_name = "y",
feature_names = ["volume"],
X = [100000000]
)
# 重要度を表示
print(dict(zip(X.columns, regression.feature_importances_)))
# bar plot
fig, ax = plt.subplots()
plt.grid()
ax.bar(X.columns, regression.feature_importances_)
fig.autofmt_xdate() # make space for and rotate the x-axis tick labels
plt.show()
vizフィンシア（FNSA)の出来高が1億の時がオレンジ色で囲まれた結果です。
1億しか出来高がない場合、翌日のフィンシア（FNSA)の値段は49％の確率で値下がりします。
