STM: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

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

比特幣鯨魚突然轉移價值17.8億美元BTC:8月7日消息，區塊鏈追蹤器Whale Alert發現了四筆大型比特幣交易，一加密鯨魚在一小時內轉移了41,671BTC，價值17.8億美元。[2021/8/7 1:40:59]

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

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。

Pavan Sukhdev：比特幣不是一種貨幣而是一種資產:環境倡導組織WWF International 總裁Pavan Sukhdev 在最近的一次采訪中評論說比特幣和黃金仍然是高度投機性的資產，與許多其他專家似乎暗示的一樣，它們并不能完全達到抗通脹工具的目的。根據 Sukhdev 的說法，比特幣還沒有準備好在艱難時期保持資金安全這一新角色。在最近的一次采訪中，他甚至說比特幣甚至不是一種貨幣，而是一種資產，幾乎不可能用于交易目的。他解釋說：比特幣不是貨幣，它是一種資產，當你擁有像比特幣一樣波動的東西時，比特幣會從 60,000 美元跌至 30,000 美元，然后在陡峭區域回升至 40,000 美元。與大多數主要加密貨幣一樣，比特幣最初是作為一種支付工具而創建的。一些可能會壓倒信用卡、支票，尤其是法定貨幣的東西。然而，考慮到資產的波動性，這是一個緩慢的過程。比特幣極易受到價格波動的影響，因此一些零售商和商店由于擔心失去利潤而不愿對 BTC 支付說“是”。（livebitcoinnews）[2021/8/1 1:27:29]

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。

動態 | 谷歌搜索數據顯示過去12個月日本對比特幣現金的興趣基本沒有增加:日本經常被列為消費比特幣現金（BCH）的最佳地點之一，特別是在東京。由于日本早在2017年4月就已將使用數字貨幣支付合法化，因此與大多數其他國家相比，全面采用加密貨幣的比例很高。然而，根據推特用戶

Brad Mills發布的圖片，谷歌搜索結果描繪了一幅不同的畫面。在過去12個月里，日本對“Bitcoin Cash”的興趣基本停滯不前。“ Bitcoin”一直有更高的搜索興趣，而且似乎全年對BCH的興趣都沒有“增加”。[2019/9/30]

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))

分析 | 比特幣及山寨幣價格關聯度接近年內高點，或表明山寨幣季節將到來:技術指標顯示，比特幣和山寨幣之間的價格走勢關聯度正接近今年以來的最高水平，這可能表明所謂的山寨幣季節（alt season）即將到來。數據顯示，山寨幣價格似乎與比特幣幾乎是一對一的，比特幣與以太坊之間的相關性最高。Oanda Corp.首席市場策略師Ed Moya表示，這種相關性可以“歸因于我們在加密領域看到的整合模式”，“隨著監管擔憂和未來障礙有所緩解，過去幾周波動性已大大緩解。”（彭博）[2019/8/29]

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 | 比特幣ATM機現身北京須臾被撤，專家稱該行為已觸碰監管紅線:據證券日報報道，近日，“比特幣ATM機驚現北京街頭”的消息流傳網絡，并配有多人排隊等候購買比特幣的圖片。記者據文中地點前去走訪，卻發現“人去樓空”，“比特幣ATM機”早已不在。記者輾轉聯系到該項目創始人劉何明，他表示機器“測試完就搬走了”，以后不會向內地投放，主要投向海外市場。中央財經大學法學院教授、區塊鏈法律監管研究專家鄧建鵬明確指出，該行為涉嫌為比特幣交易提供服務，已經觸碰監管紅線，是法律所不允許的。[2019/5/23]

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

中幣下載