如何对加密货币数据集分段并计算7天/21天周期的BTC价格斜率？

核心思路 #

先明确两个前提：确保你的时间戳y是按时间升序排列的；要计算的是「价格随时间变化的斜率」（即时间为自变量，价格为因变量），因此linregress的参数顺序应为linregress(时间戳, 价格)，这和你原代码的参数顺序相反，需要注意。

下面分两种常见场景给出实现方案：

场景1：非重叠连续时间块（每7天/21天为一个独立分段） #

把数据集按固定时间跨度切分成非重叠的块，最后不足周期长度的剩余数据单独作为一个块计算斜率。

用Pandas实现（推荐，适合结构化数据集） #

import pandas as pd
from scipy.stats import linregress

# 假设你的数据存储在DataFrame中，包含'timestamp'（时间戳列）和'price'（价格列）
df['timestamp'] = pd.to_datetime(df['timestamp'])  # 转成datetime格式
df = df.set_index('timestamp')  # 设置时间为索引

# 定义要计算的周期
periods = ['7D', '21D']

for period in periods:
    # 按时间窗口分组，非重叠
    grouped = df.groupby(pd.Grouper(freq=period))
    period_slopes = []
    
    for _, group in grouped:
        if len(group) < 2:  # 至少2个数据点才能计算斜率
            period_slopes.append(None)
            continue
        # 把时间索引转成秒级数值，作为自变量x
        time_values = group.index.astype('int64') // 10**9
        price_values = group['price'].values
        # 计算斜率
        slope, _, _, _, _ = linregress(time_values, price_values)
        period_slopes.append(slope)
    
    print(f"{period} 周期的斜率列表：", period_slopes)

用Numpy实现（适合纯数组格式数据） #

import numpy as np
from scipy.stats import linregress

def get_period_slopes(X, y, period_days):
    # 先确保数据按时间戳升序排列
    sorted_idx = np.argsort(y)
    X_sorted = X[sorted_idx]
    y_sorted = y[sorted_idx]
    
    period_seconds = period_days * 24 * 3600  # 转成秒级时间跨度
    slopes = []
    start_idx = 0
    total_points = len(X_sorted)
    
    while start_idx < total_points:
        start_time = y_sorted[start_idx]
        end_time = start_time + period_seconds
        # 找到当前时间块的结束索引
        end_idx = np.searchsorted(y_sorted, end_time, side='right')
        # 提取当前块的数据
        seg_X = X_sorted[start_idx:end_idx]
        seg_y = y_sorted[start_idx:end_idx]
        
        if len(seg_X) >= 2:
            slope, _, _, _, _ = linregress(seg_y, seg_X)
            slopes.append(slope)
        else:
            slopes.append(None)
        
        start_idx = end_idx
    
    return slopes

# 计算7天和21天斜率
slopes_7d = get_period_slopes(X, y, 7)
slopes_21d = get_period_slopes(X, y, 21)

print("7天周期斜率：", slopes_7d)
print("21天周期斜率：", slopes_21d)

场景2：滚动时间窗口（重叠连续窗口，每个数据点对应一个周期斜率） #

以每个数据点为终点，取过去7天/21天的所有数据计算斜率，适合观察随时间变化的趋势连续性。

import pandas as pd
from scipy.stats import linregress

# 预处理数据（同场景1）
df['timestamp'] = pd.to_datetime(df['timestamp'])
df = df.set_index('timestamp')

window_sizes = ['7D', '21D']

def calc_slope(window):
    if len(window) < 2:
        return None
    time_vals = window.index.astype('int64') // 10**9
    price_vals = window['price'].values
    slope, _, _, _, _ = linregress(time_vals, price_vals)
    return slope

for window in window_sizes:
    # 按时间跨度生成滚动窗口，计算每个窗口的斜率
    df[f'{window}_slope'] = df.rolling(window=window).apply(calc_slope, raw=False)
    print(f"{window} 滚动窗口斜率已添加到DataFrame")

注意事项 #

1. 时间戳单位：如果你的时间戳是毫秒级，需要把period_seconds改成period_days * 24 * 3600 * 1000，对应调整代码中的时间转换逻辑。
2. 异常处理：如果某段数据点少于2个，无法计算线性回归，代码中返回None，你可以根据需求改为0或其他默认值。

内容的提问来源于stack exchange，提问作者shayanTH78