機器學習能預測加密貨幣價格嗎？以片斷插值法為例解析_OIN

本文發布于加密谷Live，作者：MichelKana，翻譯：Jeremy。

這份實用指南提供了你預測加密貨幣價格飛速上漲所需的基礎知識。

十五年前，我開始探索數字貨幣的世界，并為一個只使用短信的點對點移動貨幣平臺做了原型。

最近，我的一位合作者問我，人工智能是否可以預測加密貨幣的價格。她對區塊鏈的炒作很好奇。

經過研究，我發現預測加密貨幣價格是一個可以解決的問題，但絕對不是針對所有市場條件。

加密資產的典型預測模型將利用時間序列預測、機器學習或深度學習方法。

在本文中，我研究了在預測給定日期的Litecoin平均價格時，片斷插值的表現如何。

CoinShares推出Twitter機器人來評估NFT的價值:金色財經報道，區加密資產管理公司CoinShares推出了一個Twitter機器人來評估NFT的價值。該機器人將跟蹤NFT的炒作和稀有性，以判斷其公允價值。Twitter 用戶現在可以使用 NFT 的 OpenSea 鏈接和主題標簽 CoinShares 的鏈接向該機器人發送推文。然后，機器人會在一分鐘內回復公平價格。?

該公司指出，為 NFT 定價可能很困難，因為某些屬性很容易量化，而另一些屬性可能更抽象。盡管如此，它還是確定了諸如炒作、稀有性、對獨家社區、 內容和產品的訪問權限以及交易量和歷史等因素。?[2022/10/14 14:27:13]

數據

我們將關注2013年4月至2021年2月期間Litecoin的歷史價格。這些數據取自coinmarketcap，并且是可以免費使用的。我將數據分為80%的訓練數據集和20%的測試數據集。后者用于評估我們預測收盤價的準確性。

動態 | 日本數字資產交易所Liquid與加密交易機器人提供商Hummingbot合作:日本數字資產交易所Liquid宣布與加密交易機器人提供商Hummingbot建立合作伙伴關系。Liquid已在其平臺上完全集成了Hummingbot的解決方案，以促進使用機器人（bot）為其所有客戶進行高頻加密貨幣交易。（Finance Magnates）[2020/2/4]

加密貨幣Litecoin的價格歷史(Source:Kaggle)

短暫的探索性數據分析顯示，平均收盤價在年初和年末是最高的。10月份最低。

多項式回歸

你可能聽說過多項式回歸，這可以說是創建一個階數為d的基礎來近似一個非線性函數的最簡單例子。

動態 | 預測機器人投顧市場與區塊鏈網絡安全公司達成合作:多中心化預測機器人投顧市場Alphacat宣布已與以色列區塊鏈網絡安全公司SecureForest達成深入的戰略協議和合作伙伴關系。Alphacat和SecureForest之間的這種戰略合作將為每個公司的產品和愿景帶來雙贏:“兩家公司都將享受豐富的數據”，從而為Alphacat社區提供更好的預測和風險管理產品。SecureForest將通過ACAT引擎獲得更強大的數據分析功能，Alphacat將獲得數字資產安全領域最先進的技術支持。[2018/7/17]

我對Litecoin的歷史價格進行了簡單的多項式回歸，使用5、25和80的階數。在每種情況下，R2值將提供一些關于模型在測試數據集上的擬合度好壞的信息。

解放軍報：區塊鏈技術或將帶領人類進入機器信任時代:《解放軍報》今日刊文表示，區塊鏈技術具有不可篡改的特性，從根本上也改變了去中心化的信用創建方式，通過數學原理而不是中心化的信用機構來建立廣域公正性信任體系。因此，未來區塊鏈技術或將帶領人們從個人信任、制度信任進入到機器信任的時代。在科技興軍大潮洶涌澎湃的今天，區塊鏈這項新技術有待我們深入發掘的地方還有很多。特別是在別人制訂“規則”的高科技領域，我們更應放眼長遠、繼續創新，消化吸收區塊鏈技術的精髓，努力形成具有自主知識產權的核心競爭能力。同時，面對各種誘惑驅使，我們需要時刻小心謹慎，要看到風險、避免損失，切莫讓經濟利益的浮光，遮擋了對區塊鏈本質和深層價值的認識。[2018/3/30]

從下面的藍線與訓練數據的擬合度來看，我們可以觀察到隨著多項式階數的增加，曲線越來越陡峭。這是由于模型復雜性增加，因為高階多項式試圖追逐訓練集中的每一個單一數據點。

第0天代表2013年4月30日，第2800天代表2021年2月28日。

特別是在有離群值的區域，高階多項式往往會向這些離群值的方向發展。因此，80階多項式的模型具有最高的方差。

它在訓練數據上的偏差也是最低的，這體現在最高的R2值上，相比之下，低階多項式的R2更低，意味著更高的偏差但更低的方差。低階多項式對訓練數據的敏感性較低。

分片插值

我發現一個更靈活的方法是使用片斷多項式來預測加密貨幣價格。

分片插值用低階多項式擬合大量的數據點。由于我們只使用低階多項式，我們消除了過度的振蕩和非收斂性。

給定一組數據點，分片插值的工作原理是在每一部分數據中使用不同的多項式。

特別是，我們使用連接的分片多項式，也稱為樣條。

樣條的一個例子是下面的截斷線性函數。它在4的左邊是平的，稱為函數的結。

給定幾個結點，我們可以將多個線性基函數組合起來，并將其擬合到非線性數據中。

為了檢測加密貨幣價格中存在的高度曲線關系，我使用了一個截斷的三次函數，也叫三次樣條。

使用三次樣條，我們將數據分割成塊，并對每個塊擬合一個三次樣條。每個樣條函數在結點處連接到下一個函數。

三次樣條是加密貨幣價格變化的一個非常好的選擇，因為連接是平滑的。三次樣條的斜率和它們的第一和第二導數都是匹配的。三次樣條是3階的多項式函數，它仍然足夠小，以避免差異性。

三次B-樣條是三次樣條的一個更容易的變體，用于高效計算，因為最多有5個基函數參與貢獻插值。下面我們可以看到三次B-樣條在Litecoin價格上的表現，將結點放在四分位數上之后。

通過手動選擇結點，即在我們有一堆數據點的情況下，與根據四分位數放置結點時的值相比，我們在測試數據集上實現了更好的R2。

在邊界附近的三次樣條可能表現得很奇怪，你能夠在上面的紅色圖中注意到。所謂的自然三次樣條通過在每個極限處將一個三次多項式改為線性來強制要求函數在極限結點之外是線性的。

自然三次樣條需要選擇一個自由度。對于Litecoin的價格，我通過交叉驗證找到了最佳自由度：挑選了合適的174個結點的量子作為預測器的日期。結果與三次B-樣條相比，邊緣的差異性更小，但測試數據集的R2略差。

最后，我實現了平滑樣條，在懲罰價格變化的同時，使均方誤差最小化。

平滑樣條似乎是Litecoin價格最合適的分片插值。該模型在測試數據集上實現了迄今為止獲得的最佳R2值。

三次樣條模型令人興奮的部分是如何超越用于訓練模型的數據范圍進行推斷。

根據以預測和時間序列工作而聞名的著名統計學家RobJhyndman的說法，三次平滑樣條模型在預測方面可以作為與ARIMA模型等效的模型，但其參數空間受到限制。Rob聲稱，樣條模型提供了一個平滑的歷史趨勢以及線性預測函數。

我邀請你進一步試驗這個想法。我的計算機代碼可以在網上以JupyterPython/RNotebook形式查看。

本文中使用的GoogleColabNotebook

數字貨幣和加密貨幣，如Litecoin，是現代全球經濟中最具爭議和最復雜的技術創新。本文旨在使用一種不太流行的方法：三次樣條來預測Litecoin價格的變化。

Tags：OINCOINCOIECOcoinup官網earthcoinkucoin下載鏈接Iris Ecosystem

SOL