機器學習能否預測加密貨幣的價格？_ECO

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、機器學習或深度學習方法。

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。

數據

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。

Cobo Argus上線DeFi挖礦自動撤退機器人:8月10日消息，Cobo 機構級 DeFi 投資管理平臺 Cobo Argus 現已上線 Withdrawal Bot（自動撤退機器人）功能，用戶可以自定義風險指標如 LP Token 權重、Deposit Ratio（存款占比）、TVL 波動范圍，通過監測鏈上實時數據，在協議觸發用戶設定的指標，如 TVL 驟降或 LP Token 占比暴漲等危險信號時，機器人將幫助投資者自動撤出資金。[2023/8/10 16:18:04]

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。

多項式回歸?

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的最簡單例子。

谷歌因隱私問題被迫推遲在歐盟發布AI聊天機器人Bard:6月14日消息，谷歌本計劃本周在歐盟推出Bard，但歐洲數據監管機構愛爾蘭數據保護委員會（DPC）表示，沒有提供足夠的信息來說明谷歌的生成人工智能工具如何保護歐洲人的隱私，無法證明其在歐盟的推出是合理的。谷歌將不得不推遲在歐盟啟動其人工智能聊天機器人Bard。[2023/6/14 21:35:50]

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。

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。

Axie Infinity：將于2023年Q1推出新報價功能以解決市場上的狙擊機器人問題:10月8日消息，Axie Infinity表示，App.axie將于2023年Q1推出新功能，以解決“自動購買市場上定價錯誤的axies”的狙擊機器人。該功能允許用戶對任何Axie提出報價，無論是否在售。

如果所有者試圖將價格設置為低于報價，市場將發出警告并提醒他們已經有更高價格的報價。這將大大減少定價錯誤的Axie的數量，從而減少狙擊機器人的機會。[2022/10/9 12:49:59]

特別是在有離群值的區域，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。

安全團隊：TransitSwap事件新增3個套利機器人及2個攻擊模仿者，已知被盜損失總計超2800萬美元:根據TransitSwap官方通告，BSC鏈新增4個獲利地址，ETH鏈新增1個獲利地址，新增被盜資金357萬美元，共計獲利地址8個，被盜損失總計擴大至2884萬美元。慢霧MistTrack與TransitSwap團隊協作分析后得出結論，新增5個獲利地址中有3個是套利機器人，而另外2個則是攻擊模仿者。此前，慢霧通過情報發現套利機器人地址0xcfb0...7ac7。慢霧MistTrack仍在持續跟進此次事件，對新增獲利地址的資金轉移與黑客畫像進行分析。

截止到目前，在各方的共同努力下，攻擊黑客已將超 8 成的被盜資產退還到 Transit Swap 項目方地址，建議套利機器人所屬人和攻擊模仿者同樣通過 service@transit.finance 或鏈上地址與 Transit Swap 取得聯系，共同將此次被盜事件的受害用戶損失降低到最小。

攻擊黑客獲利地址（已歸還資金占總被盜資金約 83.6%）：

0x75F2...FFD46 獲利金額：約 2410 萬美元

0xfa71...90fb

套利機器人獲利地址：

1: 0xcfb0...7ac7(BSC) 獲利金額：1,166,882.07 BUSD

2: 0x0000...4922(BSC) 獲利金額：246,757.31 USDT

3: 0xcc3d...ae7d(BSC) 獲利金額：584,801.17 USDC

4. 0x6C6B...364e(ETH) 獲利金額：5,974.52 UNI、1,667.36 MANA

攻擊模仿者獲利地址：

1: 0x87be...3c4c(BSC) 獲利金額：356,690.71 USDT

2: 0x6e60...c5ea(BSC) 獲利金額：2,348,967.9 USDT[2022/10/6 18:40:24]

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。

Babel Finance允許加密礦業公司將機器用作貸款抵押品:金色財經報道，加密貸款機構Babel Finance允許比特幣礦業公司將其機器作為為貸款抵押品，以便貸方可以為其提供更好的條件。這些貸款的貸款價值比（LTV）為30％，部分原因是Babel保留了新開采的加密貨幣，直到借款人還清貸款為止。LTV的價格比Babel通常收取的160％便宜得多，這意味著借款人需要投入價值160萬美元的比特幣才能借入100萬美元的美元。 （Coindesk）[2021/1/12 15:56:47]

分片插值?

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RobJhyndman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JupyterPython/RNotebook形式查看。

本文中使用的GoogleColabNotebook?

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：COICOINOINECOCoinUscoinbase永久賬戶號碼EVCOIN幣ECOC Financial Growth

Fil