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:40億比特幣能提現嗎

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

分析師：比特幣可能在5月份達到45000美元的峰值:金色財經報道，根據 K33 Research 高級分析師 Vetle Lunde 的說法，比特幣價格可能在下個月達到 45,000 美元左右的峰值。BTC今年上漲了 80%，大幅跑贏傳統風險資產，包括以科技股為主的納斯達克指數。Lunde表示，就長度和軌跡而言，下跌和隨后的復蘇類似于 2018-19 年熊市的模式。[2023/4/17 14:08:36]

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

數據

數據：過去24小時，DEX平臺GMX交易費用超比特幣網絡轉賬費用一倍:8月23日消息，據Crypto Fees數據，過去24小時，DEX平臺GMX日交易費用為45.79萬美元，超過比特幣網絡轉賬費用22.6萬美元。此外，據DefiLlama數據顯示，GMX當前TVL為6億美元，其中Arbitrum上TVL達5.07億美元。[2022/8/23 12:42:52]

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。

CME第一季度來自比特幣期貨的收益超過去年全年:金色財經報道，芝商所（CME）高管周三在財報電話會議上討論了該公司的比特幣期貨產品，并預計下周推出的微型比特幣期貨有望為潛在的更大客戶群打開大門。高級董事總經理Sean Tully表示，第一季度來自比特幣期貨產品的收益要高于去年全年，第一季度的收益約為470萬美元。[2021/4/30 21:12:07]

importpandasaspd

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

盤和林：美國有條件利用比特幣進行全球資產配置，但割全球“韭菜”可能性不大:中南財經政法大學數字經濟研究院執行院長盤和林在接受采訪時表示，從所擁有的資源來看，美國有條件利用比特幣來進行全球資產的配置。不過，從現實上角度來說，盤和林認為，美國割全球的“韭菜”可能性不大。盤和林分析稱，如果美國想達到最后的“目的”，這個鏈條還需要一個關鍵環節，那就是美國必須出面強制要求其他國家承認比特幣的結算，尤其是與關鍵資源(如石油等)相掛鉤。在那個時候，美國才可以在比特幣建立的貨幣體系里占據絕對的主動權。客觀來看，雖然存在這種可能，而且美國也是最具有這個條件的國家，但是可能性并不是特別大。其原因在于目前許多國家都在努力擺脫美元的束縛，包括伊朗等國家都在探索屬于自己的數字貨幣或者是和資源掛鉤的資源貨幣，不一定會被迫認可比特幣的價值。他表示：“而沒有了流通價值，比特幣又能具有多大的價值呢？”（中新經緯）[2020/7/29]

bitcoin_market_info=bitcoin_market_info.astype('int64')

Billions項目組importtherelevantKerasmodules

fromkeras.modelsimportSequential

動態 | CFTC指控兩名嫌疑人冒充CFTC調查員偽造文件并多次試圖竊取比特幣:據Cryptovest報道，近日CFTC指控兩名嫌疑人冒充CFTC調查員偽造文件并多次試圖竊取比特幣。兩名嫌疑人使用Morgan Hunt和Kim Hecroft名稱進行“欺詐性招攬”冒充CFTC調查員并偽造CFTC文件，作為一項精心設計的計劃的一部分，以說服加密貨幣投資者支付假稅。[2018/10/2]

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

加密貨幣