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

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

比特幣創兩個月新高，日內最新漲幅達3.2%:金色財經報道，行情顯示，比特幣創兩個月新高，日內最新漲幅達3.2%，報30846.00美元；以太坊上漲1.6%，報1902.10美元。[2023/6/24 21:56:32]

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。

調查報告：美國前七大比特幣礦業公司消耗的能源與休斯頓相當:金色財經消息，美國國會民主黨人進行的一項調查發現，美國排名前七的比特幣礦業公司消耗的能源與德州的大城市休斯頓一樣多。以反加密立場而聞名的進步派代表參議員Elizabeth Warren聲稱，加密礦企占所有能源礦場排放的“重要”部分，并認為加密礦場有義務報告電力使用情況以及與其運營相關的二氧化碳排放量。

美國在全球比特幣哈希率中占有最大份額。截至5月，佐治亞州、德克薩斯州和肯塔基州是加密礦場最多的三大州。（紐約時報）[2022/7/16 2:16:49]

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

MicroStrategy首席執行官：將繼續將公司多余現金注入比特幣:金色財經報道，MicroStrategy首席執行官Michael Saylor表示，該公司計劃未來繼續持有其比特幣，并保證會繼續將該公司的多余現金注入比特幣。此外，作為整體公司戰略的一部分，還將“探索各種方法”進行額外購買。據悉，該公司目前擁有70784枚比特幣。[2021/1/29 14:16:43]

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

bitcoin_market_info=bitcoin_market_info.astype('int64')

Billions項目組importtherelevantKerasmodules

Ripple首席技術官反駁Peter Brandt對比特幣減半的看空預測:黃金支持者Peter Brandt日前發推稱，減半后的比特幣市場將由空頭主導，他堅持認為，人們需要為大規模的清算做好準備。Ripple首席技術高和知名開發人員David Schwartz就此表示反對。Schwartz稱，Brandt誤解了市場情緒與即將到來的價格走勢之間的相關性：“你的意思是說，減半對供應的看漲影響已經反映在價格中了，但之后的看跌拋售壓力卻沒有。在我看來，相反的情況似乎更說得通，但仍然不可行。”作為回應，Brandt再次強調，在第三次減半之后，市場很快就會出現買家過度飽和的情況。（U.Today）[2020/4/15]

fromkeras.modelsimportSequential

fromkeras.layersimportActivation,Dense

fromkeras.layersimportLSTM

fromkeras.layersimportDropout

defbuild_model(inputs,output_size,neurons,activ_func="linear",

由于銀行問題，迪拜比特幣交易所暫停了法幣提款:總部位于迪拜的加密貨幣交易所BitOasis已經暫停了阿聯酋迪拉姆/BTC的交易，理由是銀行對交易所的服務狀況。昨天，一條訊息被發送給BitOasis的用戶，從周二開始，法幣迪拉姆不可以從交易所中取出。[2018/5/15]

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

芝麻開門交易所下載