深度：如何用機器學習來預測主流幣的幣價？_區塊鏈:人工智能

機器學習技術在幣種分析中的應用

談到機器學習，大家可能會對這個AI方面的概念比較陌生，但如果提到谷歌AlphaGo，大家肯定就很熟悉了。當年谷歌人工智能程序通過機器學習的方式掌握圍棋比賽技巧后，輕松擊敗了多個國家的圍棋冠軍，時隔3年世界冠軍韓國李世石宣布退役時，還高呼AI不可戰勝......通過機器學習訓練后的計算機程序，在某些類似比賽和交易這樣的博弈場景中，是比人類具有更高勝率的。

非小號研究本次就做了一個硬核的試驗：將機器學習技術應用在幣種分析中，看看會有什么好玩的結論，以及是否真的能夠幫助我們判斷、交易。

我們的具體課題是，通過現有的市場公開數據預測明日收益率為正還是為負。

這是一個二分類問題，我們可以使用的模型有很多，這里我們選用了以下模型用于實驗：邏輯回歸LR、線性判別分析LDA、二次判別分析QDA、支持向量機SVC、決策樹DT、隨機森林RF、漸變提升樹GBC等。

本次用來試驗的數據主要有三個方面：

廣西將推動區塊鏈等現代科技與司法行政工作深度融合:2月26日，記者從廣西全區司法行政暨黨風廉政建設工作會議上獲悉，今年廣西將扎實開展“司法行政為民服務質量提升年”活動，通過深化法治建設實踐，強化司法行政基層基礎和信息化建設，全面提升法治建設和司法行政工作水平。在強化基層基礎和信息化建設方面，通過積極探索“區塊鏈+法治”“區塊鏈+法律服務”建設，推動大數據、人工智能、區塊鏈等現代科技與司法行政工作深度融合，著力提升司法行政保障水平。（廣西日報）[2020/3/2]

1、資產的歷史數據；

2、相關品種，如黃金原油美國三大股指等；

3、幣圈相關幣種數據，主要是主流幣。

完整的機器學習建立流程

1.首先，特征工程

特征工程是機器學習中最關鍵的步驟，沒有之一。

這有別于大眾認知的AI能解決一切問題，人工智能是萬能的認知。真實的情況是數據科學家們常掛在嘴邊的一句話是“輸入的是垃圾，輸出的也一定是垃圾”，這意味著特征工程做得好不好會直接影響AI的“智商”。

動態 | 無錫市委宣傳部：促進區塊鏈等與傳統產業的深度融合:1月3日，無錫市委宣傳部發布文章《無錫產業強市“復興號”駛向新征程》。文章指出，做優存量主要是加快工業企業的智能化改造，以智能制造為主攻方向，促進大數據、云計算、區塊鏈、人工智能與傳統產業的深度融合，加快現有設備智能化改造，推動制造業向更多依靠數據、信息、知識等新型生產要素的增長模式轉變。[2020/1/3]

特征工程不止是數據需要清洗重新組合，還需要將數據進行標準化處理。

2.其次，建模

建模是一個簡單的過程，模型在那里，無非是灌入數據后不斷地調參優化。國內很多大互聯網公司的AI團隊也都是在常用模型中選擇靴子不斷優化，大家的過程都是一樣的，沒有什么捷徑。

3.評價模型效果

模型的效果評估有很多，常見的有MSE，MAE，取代矩陣，ROC等。

4.最終，應用

當模型對數據的可解釋度良好時，模型可用。一般這個可解釋度要達到80％以上，90％以上更好，但如果100％可解釋就需要注意是否出錯了。

動態 | Simplechain與原倉文化達成深度戰略合作:2019年12月13日由中宣部版權管理局指導, 廣東省版權局、廣州市版權局、廣州市文化廣電旅游局、 越秀區人民政府支持，國家版權貿易基地 (越秀) 承辦的中國·廣州國際版權授權大會在廣州隆重舉辦， 大會旨在引領文化IP品牌產業的創新發展，會上SimpleChain與原倉文化達成深度戰略合作，以區塊鏈技術賦能文化產業，IP授權鏈上變現，實現區塊鏈價值應用落地。[2019/12/13]

對BTC的解釋性

數據一

僅有高開低收量，及高開低收量計算的技術指標作為訓練數據。得到各個模型解釋度如下表所示：

由上表可以得到，單純的用高開低收量和技術指標作為特征，在以上機器學習模型中訓練，無法很好地解釋價格。其實僅從這里就能看出幣圈屬于弱勢有效市場。技術分析得到的尺度是判斷二分類正確概率是50％，即模型無效，也與弱勢有效市場中技術分析無效，基本面分析和內幕信息有效相吻合。

聲音 | 姜惠琴：政務服務管理局正開發多端協同平臺，利用區塊鏈等技術提升網辦深度和便利度:10月22日至25日，北京集中開展政務開放日活動，北京市順義區政務服務管理局局長姜惠琴表示，目前政務服務管理局正在開發手機、電腦、自助機等多端協同平臺，利用人臉識別、區塊鏈等技術進一步提升網辦深度和便利度。預計今年年底就可以實現50個主題事項在手機端、窗口端的一表式受理，2020年底將實現近1300個行政審批項目“網上通辦”。（新京報）[2019/10/23]

市場包含三種信息：歷史信息，公開信息和內幕信息。

各種信息分別對應不同分析交易策略：歷史信息對應技術分析；公開信息對應的基本分析；內幕信息對應的內幕交易。

當市場有效時，市場已反映三種信息，故對三種信息的分析均值不能在市場獲得優勢，某種分析和交易策略均值無效；當市場為半強勢有效時，市場已反映公開信息和歷史信息，故技術分析和基本分析無效，內幕交易有效；當市場為弱有效市場時，市場只反映歷史信息，故技術分析無效，基本分析和內幕交易有效。

聲音 | 房愛卿：要促進電商技術創新 使區塊鏈等技術電子商務深度融合:據每日經濟新聞報報道，全國政協經濟委員會副主任房愛卿指出，要促進電商技術創新，使物聯網、人工智能、大數據和云計算、區塊鏈等技術與電子商務深度融合，為電商提供更為高效、安全的技術手段和交易方式。[2019/8/24]

數據二

不但有高開低收量數據，我們還增加了相關品種的數據，如美國三大股指，黃金，原油，幣圈主流幣種等作為訓練數據。

為什么認為美國三大股指，黃金，原油，幣圈其他主流幣種等數據可以插入基本面數據？

雖然這些因素不是直接影響BTC的基本面因素，但是它們和BTC由相同的基本面因素影響，所以這些數據中包含很少的一部分基本面信息。

由上表可以得知：在增加基本面替代特征后，解釋度提升了10％以上。

那么提高多少可解釋度是模型極限？

經過1000次的實驗得到，當隨機因子為1730時，隨機森林RF模型的可解釋度67％，這是所有實驗中所有模型中可解釋度最高的一組。

模型效果的衡量：

混淆矩陣

混淆矩陣就是分別統計分類模型歸錯類，歸對類的觀測值個數，然后把結果放在一個表里展示出來。這個表就是混淆矩陣，把預測情況與實際情況的所有結果兩兩混合，結果就會出現以下幾種情況，就組成了混淆矩陣。如下：

ROC曲線

ROC曲線，又稱接受者操作特征曲線。該曲線最早應用于雷達信號檢測領域，用于區分信號與噪聲。后來用于評價模型的預測能力，ROC曲線是基于混淆矩陣得出的。

ROC曲線中的主要兩個指標就是真正率和假正率，其中橫坐標為假正率，縱坐標為真正率，下面就是一個標準的ROC曲線圖。

橫軸FPR:1-TNR,1-Specificity，FPR越大，預測正類中實際負類越多。

縱軸TPR：Sensitivity(正類覆蓋率),TPR越大，預測正類中實際正類越多。

為什么解釋性不強？

1.交易量數據造假

2.未有數據披露制度約束，未形成一體的基本面數據

3.市場有可能存在內幕信息

目前我們模型中的數據還不夠全面，仍然需要更多的努力揭示更多的基本面信息，才能更好地解釋BTC價格。

在披露更多信息時，才能促進市場效率的提高，促進幣圈的發展，這也是“非小號”作為機構應該做且做好的事情。

是否有使用價值？

雖然機器學習在解決傳統問題時都要求正確率達到80%甚至90%以上才可以使用，但是我們能否使用一個解釋度在60%-70%之間的模型？

-1.模型是有解釋度的，60%也遠高于50%，長期預測勝率顯著高于50%的多空各一半的平均水平，這有點類似賭場莊家在輪盤賭中有概率優勢一樣，時間越久贏面越大；

-2.加入限制條件時可以提高概率，單次若想取得概率優勢只能限制使用條件

如下所示為決策樹輸出的樹形圖，用紅色框起來的枝杈正確率很高，但是只有滿足層層條件后才會有交易機會。為了達到盈利目的，交易者要在交易機會與單次交易盈利水平中找到平衡點。

單個樹杈局部圖如下所示，當滿足紅框圈住的條件時，正確率提高到93%，這完全達到了使用要求：

對ETH和TRX的解釋性

從模型訓練結果看，已知特征使用以上模型訓練時，可解釋度也在60%-70%之間。下面我們列舉一些有價值的樹杈，樹杈概率的提高是基于條件概率提升的。

ETH

由以下ETH樹形圖可以看出，當同時滿足條件

美元比eth收盤價<0.01,eth昨日成交量<3956783616,原油成交量>117392.5,漲跌幅>0,黃金開盤價<1489.25時,時，有93%的正確率，這時交易機會是總交易機會的19.05%(28/147)。

TRX

由以下TRX樹形圖可以看出，當同時滿足條件bch<289.51，bsv>63.5,美元比eth調整后收盤價>0.01,納指收盤價<8371.12,道指最低價>24290.5,美元比eth收盤價>0.01,瑞波幣收盤價<0.32時，有82%的正確率，這時交易機會是總交易機會的23.68(36/152)。

如果以上使用機器學習來分析不同幣種交易機會的流程沒看懂，也沒有關系，涉及到的知識比較復雜。所以，非小號后期將應用很多大數據或AI等技術幫助大家建立分析模型，直接在APP中為大家提供易懂和好用的幣價預測工具或投資策略參考，一鍵體驗。

Tags：區塊鏈ETHROC人工智能區塊鏈技術通俗講解小區ETH2幣Rocket Token人工智能專業

XLM