機器學習能否預測加密貨幣的價格？_OIN

這份實用指南提供了你預測加密貨幣價格飛速上漲所需的基礎知識。

十五年前，我開始探索數字貨幣的世界，并為一個只使用短信的點對點移動貨幣平臺做了原型。

最近，我的一位合作者問我，人工智能是否可以預測加密貨幣的價格。她對區塊鏈的炒作很好奇。

經過研究，我發現預測加密貨幣價格是一個可以解決的問題，但絕對不是針對所有市場條件。

加密資產的典型預測模型將利用時間序列預測（如ARIMA、Facebook Prophet）、機器學習（如隨機森林算法、線性回歸）或深度學習方法（如LSTM）。

在本文中，我研究了在預測給定日期的Litecoin平均價格時，片斷插值的表現如何。

我們將關注2013年4月至2021年2月期間Litecoin的歷史價格。這些數據取自coinmarketcap，并且是可以免費使用的。我將數據分為80%的訓練數據集和20%的測試數據集。后者用于評估我們預測收盤價的準確性。

一MEV機器人通過閃電貸借用1.8億美元攻擊Sashimi Swap，賺約3500美元:6月1日消息，加密情報平臺Arkham監測顯示，昨晚，一個 MEV 機器人（0xb2…2B96 為 MEV bot 調用合約，0xb4…0343 為單次使用的 MEV bot）通過閃電貸借用了 9.5 萬枚 WETH（價值近 1.8 億美元）以攻擊 Sashimi Swap，該機器人卷走了 Sashimi 的投資合約和 slETH 合約中剩余的最后一筆錢，但僅約 3,500 美元。據悉，Sashimi Swap 曾在 2021 年 12 月遭到攻擊損失了 21 萬美元，隨后該項目被放棄。[2023/6/1 11:52:56]

加密貨幣Litecoin的價格歷史 (Source: Kaggle)

短暫的探索性數據分析顯示，平均收盤價在年初和年末是最高的。10月份最低。

一套利機器人在同一筆交易中以44 ETH買入Moonbirds NFT并以240 ETH賣出:4月22日消息，分析師@bertcmiller發布推文稱，發現了一個套利機器人在同一筆交易中以44 ETH的價格購買了Moonbirds NFT，然后以240 ETH的價格賣出。Moonbird目前的最低價為39.9 ETH。[2022/4/22 14:40:47]

你可能聽說過多項式回歸，這可以說是創建一個階數為d的基礎來近似一個非線性函數（在我們的例子中，加密貨幣價格波動）的最簡單例子。

我對Litecoin的歷史價格進行了簡單的多項式回歸，使用5、25和80的階數。在每種情況下，R2值將提供一些關于模型在測試數據集上的擬合度好壞的信息。

Ripple推出推特機器人賬號，方便投資者追蹤XRP托管賬戶資金變動:Ripple團隊已推出推特機器人賬號@XRP_EscrowBot，讓散戶投資者能夠實時跟蹤每月XRP托管資金動向。據悉，2017年12月，Ripple決定將550億XRP鎖定在托管賬戶，以提振投資者信心。每月釋放10億XRP來滿足Ripple的需求，每月分配中未使用的XRP將被鎖定在托管賬戶中。（Ethereum World News）[2020/5/4]

從下面的藍線與訓練數據的擬合度來看，我們可以觀察到隨著多項式階數的增加，曲線越來越陡峭。這是由于模型復雜性增加，因為高階多項式試圖追逐訓練集中的每一個單一數據點。

第0天代表2013年4月30日，第2800天代表2021年2月28日。

動態 | 微軟工程師提出利用以太坊區塊鏈使機器學習和人工智能“民主化”:據Crypto Slate報道，微軟的工程師們正在使用Ethereum區塊鏈來“民主化”人工智能和機器學習，使這些典型的集中化且成本高昂的系統更容易被所有人使用。微軟高級軟件開發工程師Justin Harris表示，使用精心設計的機器學習算法可能會產生問題，因為這些算法往往是集中式的。因此，他為微軟介紹了一項新的開源計劃：區塊鏈上的去中心化和協作式AI。 在新模式中，Harris設想以獎勵來激勵人們與這些機器學習算法進行交互和改進。這些算法可以自由地用于評估預測，這對于構建個人助理或制作帶有用戶推薦的系統是理想的。[2019/7/28]

特別是在有離群值的區域（圖的中間部分），高階多項式往往會向這些離群值的方向發展。因此，80階多項式的模型具有最高的方差。

它在訓練數據上的偏差也是最低的，這體現在最高的R2值上，相比之下，低階多項式的R2更低，意味著更高的偏差但更低的方差。低階多項式對訓練數據的敏感性較低。

多個機器人感染病后討要比特幣:3月9日，美國網絡安全服務公司IOActive發布了一個被Ransomware感染并遠程操縱的SOFTBANK機器人“Pepper”和“NAO”的視頻。該視頻中，被感染的NAO突然用奇怪的聲音說“我喜歡比特幣，給我比特幣，否則你做好死的準備吧！你就像個大傻瓜！”IOActive表示，該公司從NAO等多個機器人中發現了多個可被感染的漏洞。此次是為了證實該漏洞，才開發了Ransomware來進行演示[2018/3/12]

我發現一個更靈活的方法是使用片斷多項式來預測加密貨幣價格。

分片插值用低階多項式擬合大量的數據點。由于我們只使用低階多項式，我們消除了過度的振蕩和非收斂性。

給定一組數據點，分片插值的工作原理是在每一部分數據中使用不同的多項式。

特別是，我們使用連接的分片多項式，也稱為樣條。

樣條的一個例子是下面的截斷線性函數。它在4的左邊是平的，稱為函數的結。

給定幾個結點，我們可以將多個線性基函數組合起來，并將其擬合到非線性數據中。

為了檢測加密貨幣價格中存在的高度曲線關系，我使用了一個截斷的三次函數，也叫三次樣條。

使用三次樣條，我們將數據分割成塊，并對每個塊擬合一個三次樣條。每個樣條函數在結點處連接到下一個函數。

三次樣條是加密貨幣價格變化的一個非常好的選擇，因為連接是平滑的。三次樣條的斜率和它們的第一和第二導數都是匹配的。三次樣條是3階的多項式函數，它仍然足夠小，以避免差異性。

三次B-樣條是三次樣條的一個更容易的變體，用于高效計算，因為最多有5個基函數參與貢獻插值。下面我們可以看到三次B-樣條在Litecoin價格上的表現，將結點放在四分位數上之后。

通過手動選擇結點，即在我們有一堆數據點的情況下，與根據四分位數放置結點時的值相比，我們在測試數據集上實現了更好的R2。

在邊界附近的三次樣條可能表現得很奇怪，你能夠在上面的紅色圖中注意到。所謂的自然三次樣條通過在每個極限處將一個三次多項式改為線性來強制要求函數在極限結點之外是線性的。

自然三次樣條需要選擇一個自由度。對于Litecoin的價格，我通過交叉驗證找到了最佳自由度：挑選了合適的174個結點的量子作為預測器的日期。結果與三次B-樣條相比，邊緣的差異性更小，但測試數據集的R2略差。

最后，我實現了平滑樣條，在懲罰價格變化的同時，使均方誤差最小化。

平滑樣條似乎是Litecoin價格最合適的分片插值。該模型在測試數據集上實現了迄今為止獲得的最佳R2值。

三次樣條模型令人興奮的部分是如何超越用于訓練模型的數據范圍進行推斷。

根據以預測和時間序列工作而聞名的著名統計學家Rob Jhyndman的說法，三次平滑樣條模型在預測方面可以作為與ARIMA模型等效的模型，但其參數空間受到限制。Rob聲稱，樣條模型提供了一個平滑的歷史趨勢以及線性預測函數。

我邀請你進一步試驗這個想法。我的計算機代碼可以在網上以Jupyter Python/R Notebook形式查看。

本文中使用的Google Colab Notebook 

數字貨幣和加密貨幣，如Litecoin，是現代全球經濟中最具爭議和最復雜的技術創新。本文旨在使用一種不太流行的方法：三次樣條來預測Litecoin價格的變化。

Michel Kana, Ph.D   作者

Jeremy   翻譯

Jeremy   編輯

Tags：COIOINNBSBSPEncointer NetworkHDDcoinnbs幣發行量BSPT價格

MANA