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_LST

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

Hut 8發展副總裁：公司無意在短期內出售比特幣:金色財經報道，Hut 8發展副總裁Sue Ennis表示，該公司無意在短期內出售其比特幣。Ennis 指出，?從去年到今年，我們一直專注于如何實現收入多元化，并采取資產負債表優先的方式來確定我們何時購買機器以及我們為機器支付的價格點，這樣我們就沒有處于一種情況，如果事情發生橫向變化，我們不得不出售我們都在追逐的這種非常有價值的有限資產。

Hut 8很可能只會在資產價格遠高于歷史高位時才考慮出售比特幣，這表明摩根大通分析師和 Ark Invest 首席執行官 Cathie Wood 對比特幣的長期預期分別達到 15 萬美元和50 萬美元。?到那時，它可能會變成一點點出售，將其重新投資到我們業務的 計算 和 Web3 方面，但同樣，我們現在沒有任何意圖，也沒有我們注意到的實際價格點。[2022/7/14 2:13:55]

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

MicroStrategy將舉辦第二次會議向大型機構推介比特幣:1月31日消息，納斯達克上市的軟件巨頭MicroStrategy將在當地時間2月1日至2日舉辦為期兩天的線上活動，教育大型企業將BTC列入其資產負債表以及更多與加密貨幣相關的舉措的好處。 MicroStrategy首席執行官、比特幣擁躉Michael Saylor周日在推特，宣布了這一活動，并告知有興趣將比特幣集成到產品、服務或資產負債表中的公司來參與。會議中將有專家介紹比特幣策略、財務、會計、法律、技術、交易、托管、支付和銀行業務等方面的話題。相關數據顯示，目前MicroStrategy持有124,391枚比特幣，在已公開持有比特幣的機構中排名第一。[2022/1/31 9:24:53]

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

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。

數據：中心化交易所比特幣流入量持續回升，近兩周已提升5倍:Tokenview鏈上數據監測，中心化交易所比特幣流入量近兩周處于持續回升狀態。整體上，盡管仍處于凈流出狀態，但凈流入量提升了5倍，尤其Huobi凈流入量表現突出，相比兩周前日均凈流入量提升約2-3倍。4/26日觸底，緊接著小幅反彈之后，目前交易所比特幣流動性處于平穩狀態，還未展現再次反彈跡象。[2021/5/7 21:33:49]

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。

importpandasaspd

importtime

importseabornassns

importmatplotlib.pyplotasplt

importdatetime

importnumpyasnp

Billions項目組convertthedatestringtothecorrectdateformat

全球加密貨幣總市值突破7900億美元 比特幣市值占總市值71.1%:1月2日消息，CoinMarketGap數據顯示，當前全球加密貨幣總市值已突破7900億美元，約為7913.42億美元。比特幣總市值約為5666.23億美元，約占總市值的71.1%。[2021/1/2 16:16:58]

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

fromkeras.modelsimportSequential

fromkeras.layersimportActivation,Dense

fromkeras.layersimportLSTM

動態 | 委內瑞拉團隊正開發允許通過遠程無線電波連接到比特幣區塊鏈的項目:金色財經報道，委內瑞拉團隊正在開發Locha，即一種不依賴互聯網的與比特幣進行交易的去中心化網狀網絡。該系統基于無線電波，是為響應委內瑞拉頻繁中斷的電力和互聯網而誕生的。該開源項目是由委內瑞拉比特幣組織成員Randy Brito領導的。該項目正在開發兩種設備，名為Turpial和Harpia，將允許任何人使用遠程無線電波連接到比特幣區塊鏈。[2020/1/22]

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

比特幣