比特幣突破8000美元，我們找到了用DL預測虛擬貨幣價格的方法_STM

選自GitHub

作者：DavidSheehan

機器之心編譯

截至11月22日，比特幣的價格再創歷史新高，在驚訝于虛擬貨幣「不可戰勝」的同時，我們或許能可以從這一波熱潮中學到些什么。本文中，博士畢業于倫敦大學學院的DavidSheehan為我們介紹了使用Keras基于LSTM預測比特幣價格走勢的詳細方法。在測試中，這個機器學習預測法似乎有著不錯的準確度。

如果要列出2017年最為荒謬的三樣事物，則一定是指尖陀螺、人工智能，當然，還有加密虛擬貨幣。以上是玩笑話，實際上我對虛擬貨幣的原理印象深刻，而且非常看好這種顛覆性技術的長期前景。我試圖通過深度學習、機器學習或者說人工智能成功預測虛擬貨幣的價格。

我認為把深度學習和虛擬貨幣結合起來是非常獨特的想法，但是在寫本文時，我發現了一些類似的內容。這篇文章只關注比特幣，但是我還想討論一下以太幣。

我們打算使用LSTM模型，一種非常適合時序數據的深度學習模型。如果你希望真正了解理論或概念，那么推薦閱讀：

LSTM入門必讀：從基礎知識到工作方式詳解

Coinmarketcap：比特幣市場份額降至45%以下:8月13日消息，據Coinmarketcap發布的最新數據，在ETH、BNB、ADA、XRP和DOGE大幅上漲之后，導致比特幣在加密貨幣市場的主導地位大幅下降，目前市場份額約為44.7%，7月最后一周為48%。

Glassnode報告也顯示，比特幣在8月份繼續以每月7.5萬到10萬枚的速度流出交易所，這種流出規模類似于2020年至2021年第一季度期間，大量積累和GBTC套利交易占主導地位。（FinanceMagnates）[2021/8/13 1:53:18]

深度|LSTM和遞歸網絡基礎教程

教程|基于Keras的LSTM多變量時間序列預測

教程|如何判斷LSTM模型中的過擬合與欠擬合

深度|從任務到可視化，如何理解LSTM網絡中的神經元

干貨|圖解LSTM神經網絡架構及其11種變體

完整代碼地址：https://github.com/dashee87/blogScripts/blob/master/Jupyter/2017-11-20-predicting-cryptocurrency-prices-with-deep-learning.ipynb

Bristol黃金集團成員表示對比特幣感到“嫉妒”:Bristol黃金集團成員Trey Reik表示，與黃金相比，比特幣往往更具“投機性”。Reik還談到了比特幣的高波動性并表示，他看到大多數人投資加密貨幣是為了致富。Reik認為他們可以通過投資黃金來做同樣的事情，“我每天對比特幣的最大感受是嫉妒”。但他表示BTC在價值存儲方面仍然是失敗的。（U.today）[2021/6/28 0:12:34]

數據

在構建模型之前，我們需要先獲取一些數據。Kaggle上的數據集非常詳細地記錄了近幾年的比特幣價格。在這個時間長度中，噪聲可能蓋住了信號，因此我們需要選擇單日價格數據。問題在于我們可能沒有充足的數據。在深度學習中，沒有模型可以克服數據嚴重缺乏的問題。我同樣不想使用靜態文件，因為未來使用新數據更新模型時，這種做法會復雜化更新流程。于是，我們計劃從網站和API中抓取數據。

我們將在一個模型中使用多種虛擬貨幣，因此從同一個數據源抓取數據或許是一個不錯的主意。我們將使用coinmarketcap.com。現在，我們只需要考慮比特幣和以太幣，但是使用這種方法添加最新火起來的山寨幣就很難了。在輸入數據之前，我們必須加載一些Python包，這樣會容易一些。

比特時代創始人黃天威：灰度模式將失效 但會有更多機構進入比特幣:金色財經現場報道，與時共創第二屆年度金色盛典12月26日在三亞舉行。比特時代集團創始人及董事長黃天威現場預測區塊鏈發展10大趨勢：比特幣方面，灰度模式失效，但將有更多機構進入比特幣，價格可能上升至40000USDT，ETH將同等受益；穩定幣方面，USDT將受到挑戰，USDC、DAI等二線穩定幣大規模崛起，歐元、韓元、日元多國穩定幣問世，DCEP開始商用于海外貿易結算；DeFi賽道逐步清晰，外匯兌換、理財、借貸、基金等金融服務形成頭部品牌，大票倉基本控制在今天頭部手上；產業區塊鏈大規模落地在公益、防偽、政務、醫療、金融內循環等無幣環節，但民間感受不深；政策方面，將對數字資產開始進入嚴管期，但對區塊鏈技術本身政策會更加鼓勵；技術人員進一步緊俏，院校區塊鏈專業開始普及，區塊鏈產學研園區開始出現；分布式存儲方面，基于數字存儲的新領域出現較多生態應用；安全服務重視程度將有大幅上升，安全公司的重要性進一步凸顯；跨鏈機制的成熟，將會助推大量NFT應用落地，門票、彩票、期貨合約、應收賬款等NFT應用開始出現；合成資產將會迎來細分領域風口，傳統金融產業大批量通過合成資產應用，在鏈上進行流通。[2020/12/26 16:34:20]

importpandasaspd

韓國大法院在判決中承認比特幣為資產:據韓聯社報道，韓國大法院今日承認比特幣為有價值的資產，其在判定中沒收了非法活動而產生的比特幣。這是韓國法院首次決定沒收數字貨幣財產的判例。[2018/5/30]

importtime

importseabornassns

importmatplotlib.pyplotasplt

importdatetime

importnumpyasnp

Billions項目組convertthedatestringtothecorrectdateformat

bitcoin_market_info=bitcoin_market_info.assign(Date=pd.to_datetime(bitcoin_market_info))

Billions項目組converttoint

bitcoin_market_info=bitcoin_market_info.astype('int64')

Billions項目組importtherelevantKerasmodules

比特幣在Bitstamp平臺重回17000美元關口:據比特幣交易平臺Bitstamp，比特幣重新站上17000關口，日內漲幅逾13%。[2018/1/6]

fromkeras.modelsimportSequential

fromkeras.layersimportActivation,Dense

fromkeras.layersimportLSTM

fromkeras.layersimportDropout

defbuild_model(inputs,output_size,neurons,activ_func="linear",

dropout=0.25,loss="mae",optimizer="adam"):

model=Sequential()

model.add(LSTM(neurons,input_shape=(inputs.shape,inputs.shape)))

model.add(Dropout(dropout))

model.add(Dense(units=output_size))

model.add(Activation(activ_func))

model.compile(loss=loss,optimizer=optimizer)

returnmodel

那么，build_model函數構建了一個模型，名為model，該模型添加了一個LSTM層和全連接層。該層的形態已經調整以適合輸入。該函數還包括更通用的神經網絡特征，如dropout和激活函數。現在，我們只需指定LSTM層中神經元的數量和訓練數據。

Billions項目組initialisemodelarchitecture

eth_model=build_model(LSTM_training_inputs,output_size=1,neurons=20)

Billions項目組trainmodelondata

Billions項目組eth_preds=np.loadtxt('eth_preds.txt')

--------------------------------------------------------------------------

Epoch50/50

6s-loss:0.0625

我們剛才構建了一個LSTM模型來預測明天的以太幣收盤價。現在我們來看一下效果如何。首先檢查訓練集性能。代碼下面的數字代表50次訓練迭代后該模型在訓練集上的平均絕對誤差。我們可以看到模型輸出就是每日收盤價。

我們不應對它的準確率感到驚訝。該模型可以檢測誤差來源并進行調整。事實上，獲取趨近于零的訓練誤差并不難。我們只需要數百個神經元和數千個訓練epoch。我們應該對它在測試集上的性能更感興趣，因為測試集中是模型未見過的全新數據。

注意單點預測具備誤導性，而我們的LSTM模型似乎可以在未見過的測試集上實現良好的性能。最顯著的缺點是單點預測無法檢測出當以太幣突然上漲時必然會下跌。事實上，它一直都是失敗的，只不過在這些波動點更加明顯而已。預測價格一般更接近一天后的實際價格。我們還可以構建一個適用于比特幣的類似的LSTM模型，測試集預測結果見下圖。

如前所述，單點預測具有一定誤導性。我們現在構建一個LSTM模型來預測接下來5天的虛擬貨幣價格。

從視覺效果上來看，預測結果沒有其單點預測更加鮮明。但是，我很高興，該模型返回了一些細微的行為；它不僅僅預測價格在一個方向的移動軌跡。因此，該模型還有很多優化空間。

現在回到單點預測，我們的深度機器人工神經模型看起來還不錯，但是隨機游走模型看起來也還行。與隨機游走模型類似，LSTM模型對隨機種子的選擇很敏感。那么，如果我們想對比這兩種模型，就需要把每個模型運行多次來評估模型誤差。誤差可以作為測試集中真實和預測收盤價的絕對差。

或許AI完全值得這些炒作！這些圖顯示了在進行25次不同的初始化之后，每個模型在測試集上的誤差。LSTM模型對比特幣和以太幣價格的預測誤差分別是0.04和0.05，完勝相應的隨機游走模型。

只是為了打敗隨機游走模型的話也太low了。對比LSTM模型和更合適的時序模型豈不是更加有趣！另外，我確定很難再提升我們的LSTM模型了。可能虛擬貨幣價格變化沒有規律吧，可能沒有一個模型可以把信號和噪聲分離開。以后的文章中可能會討論這些話題。

幸運的是，你已經察覺到我對使用深度學習預測虛擬貨幣價格變化的懷疑態度。原因在于我們忽略了最優的框架：人類智能。很明顯，預測虛擬貨幣價格的完美模型是：

我確定他們最終最終會找到深度學習的使用案例的。同時，你可以下載完整的Python代碼構建自己的模型。

原文鏈接：https://dashee87.github.io/deep%20learning/python/predicting-cryptocurrency-prices-with-deep-learning/

本文為機器之心編譯，轉載請聯系本公眾號獲得授權。

------------------------------------------------

加入機器之心：hr@jiqizhixin.com

投稿或尋求報道：content@jiqizhixin.com

廣告&商務合作：bd@jiqizhixin.com

Tags：LSTSTM比特幣LST幣是什么幣STM幣是什么幣比特幣中國官網聯系方式40億比特幣能提現嗎比特幣最新價格行情走勢

POL幣最新價格