比特幣54100元一枚！深度學習能預測其價格跌漲
近年來，加密貨幣交易勢頭很足，從早期的比特幣，發展到現在，全球加密數字貨幣已經超過900 種，除了廣為人知的比特幣之外，還有以太幣、瑞波幣等。
Coinmarketcap 數據顯示，截止2017 年6 月28 日，共有928 個加密數字貨幣，其中722 個有市值統計，總市值1061 億美元。
從市場結構來看，比特幣市值423.36 億美元，佔比39.89%；以太幣市值301 億美元，佔比28.36%；瑞波幣市值106 億美元，佔比10%。前三大加密數字貨幣合計佔比78.25%，第4-10 名合計佔比8.81%，第11-50 名合計佔比9.54%，其餘672 個幣種僅佔3.40%。
由於加密貨幣具有可以避開政府政策（好或壞）的去中心化性質，在一些當地貨幣對人們沒有多大吸引力的國家，比特幣開始被視為一個有效可行的替代品，加密貨幣價格也在經歷下跌之後反彈。據coingecko 數據顯示，2017 年11 月21 日，比特幣的價格已達8120.85 美元。
數據獲取
長期短期記憶（LSTM）是一種特別適用於時間序列數據（或具有時間/空間/結構順序的數據，例如電影、句子等）的深度學習模型，是預測加密貨幣的價格走向的理想模型。在建模之前，我們需要獲取一些數據。因為需要在一個模型中結合多個貨幣幣種，所以較好的方法是從同一個源頭獲取數據。在示例中，我們採用從coinmarketcap.com上獲取的數據，以比特幣和以太幣為例，在導入數據之前，需要加載一些Python包。
經過數據清理之後，我們得到上表。同理， 在URL 中把“比特幣”換成“以太幣”，就可以輕鬆完成幣種的轉換。
為了證明數據是準確的，可以繪製比特幣和以太幣的價格和數量隨著時間推移的圖表。
訓練、測試和隨機游動
接下來，是數據建模的過程。在深度學習中，數據通常分為訓練集和測試集，該LSTM 模型建立在訓練集上，在兩個不同的時間段內進行訓練，隨後在不可見的測試集上進行評估。這裡將截止日期設置為2017 年6 月1 日（即模型將在該日期之前接受數據培訓，並根據數據進行評估）。
從上圖中可以看到，訓練時段通常與比特幣價格相對較低的時期重合。因此，訓練數據可能並不能代表測試數據，模型生成不可見數據的能力也相應大打折扣。為了順利推進這個進程，我們先使用一個更簡單的模型，設定比特幣和以太幣明天的價格與今天的價格相等（滯後模型），它的數學定義是：
股票價格通常被視為隨機游動（random walk），將這個簡單的滯後模型進行拓展，用以下數學術語來定義：
之後，我們將根據訓練集確定為μ和σ，並將隨機游動模型應用於比特幣和以太幣測試集。
如圖所示，除了價格的走向，該模型還能追踪比特幣和以太幣的實際收盤價格，甚至還能反映出六月中旬和八月下旬，以太幣價格上升的趨勢（隨後下降）。如果在這個階段宣布發行虛擬貨幣，可能會引導ICO 超額認購，引起混亂。事實上，只能對未來很短一段時間做出預測的模型，往往是具有誤導性的，因為後續的預測中並沒有學會犯過的錯誤。因為模型是以真實價格為基礎的，所以，無論這個錯誤有多大，在每個時間點的數據都將重置。而比特幣隨機游動特別具有欺騙性，因為y 軸的比例相當寬，使得預測線顯得相當平滑。
在評估時間序列模型時，通常進行單點預測，但測試多點預測的準確性效果可能更好。這樣一來，先前預測發生的錯誤不會被重置，而是混在隨後的預測中，用數學術語表示：
現在，我們用隨機游動模型來預測整個測試集的收盤價格。隨機模型預測對隨機種子非常敏感。
上表顯示，單點隨機游動預測的結果看起來相當準確，但背後卻沒有實質性的支撐數據。因此，對任何聲稱可以準確預測比特幣價格的言論，我們應該持懷疑的態度，就像加密貨幣粉絲要小心不要被市場營銷輕易帶跑一樣。
長短時記憶（LSTM）
對於LSTM，我們不需要從頭開始構建網絡，甚至不需要了解它，因為現成的就有包含各種深度學習算法（例如TensorFlow、Keras、PyTorch等）的標準使用安裝包。以Keras為例，這種算法對非專家學習人員來說是最直觀的。
首先，創建一個名為model_data 的新數據框，刪除一些列（開盤價、每日高點和低點），並重新加入一些列。close_off_high 表示當天收盤價格和價格高點之間的差值，-1 和1 的值分別表示收盤價與每日低點和每日高點相等，波動率列表示高價和低價之差除以開盤價。因為model_data 是按照時間順序排列的，這些信息不會被輸入到模型中，所以並不需要日期欄。
該LSTM 模型使用以前的數據（比特幣和以太幣）來預測第二天的特定貨幣的收盤價格。我們必須先確定之前哪些日期的數據是可以用的，比如選擇10 天的數據就比較合理。我們需要構建一些由連續10 天數據（稱為窗口）組成的小數據框，第一個窗口由訓練集的第0-9 行（Python 為零索引）組成，第二個窗口由1-10 行組成，依次類推。選擇一個規模較小窗口意味著我們可以為模型提供更多的窗口，但缺點是模型可能沒有足夠的信息來檢測複雜的長期行為（如果存在）。
在這些數據列中，數值變化的範圍非常大，其中一些值在-1 和1 之間，另一些則在達數百萬，而這是深度學習模型並不“喜歡”的。因此，我們需要對數據進行規範化處理，以保證輸入具有一定的一致性。通常情況下，我們需要-1 和1 之間的值，off_high 和volatility 列的值沒什麼問題，但對於剩餘的列，需要將輸入標準化為窗口中的第一個值。
這個表格是數百個類似LSTM 模型輸入列表的其中一個。經過對一些列進行歸一化處理後，它們的值在第一個時間點等於0。為了預測相對於這個時間點的價格變化，需要建立LSTM 模型。Keras 很輕鬆就可以做到這一點，只需將組件堆疊在一起就可以了。
所以，build_model函數建了一個空白的模型，稱為model（model = Sequential），並添加了一個LSTM層。該層已經過調整，以適應輸入（n×m個表格，其中n和m分別表示時間點/行和列的數量）。該函數還能夠調用更加通用的神經網絡功能，如退出和激活。現在，我們只需要指定放置在LSTM層上的神經元的數量，以及訓練的數據。
那麼，LSTM 模型預測以太幣明天收盤價格的表現如何呢？首先檢測其在訓練集上的表現（2017 年6 月之前的數據）。代碼下面的數字表示，在第50 次訓練迭代之後，模型訓練集的平均誤差（mae）。我們可以將模型輸出視為每日收盤價，而不是相對變化。
可以看到，這個模型預測數據的準確度非常高，因為其可以學習錯誤源並加以調整。事實上，實現訓練中錯誤為零並不難，在數百個神經元中進行數千次迭代（即過度擬合）就可以。
除了單點預測的誤導性之外，LSTM 模型在未經訓練和預處理的測試集上表現良好，預測的價格通常與一天后的實際價格相差無幾（例如7 月中旬價格下跌）。但這個模型最明顯的缺陷是，當價格突然上漲時（例如六月中旬和十月），它不能檢測到數值低迷的狀況，在峰值就更明顯了。
同理，為比特幣建立的類似LSTM 模型測試如下：
正如前述，單點預測同樣具有誤導性。下圖是LSTM 模型對未來五年加密貨幣價格的預測：
這個預測與之前有著細微的差別，價格的預測並不是朝向單一方向變動。在單點預測上，LSTM 模型與隨機游動模型一樣，對隨機種子的選擇也很敏感（模型權重最初是隨機分配的）。為對兩個模型進行比較，每個模型運行25 次，以獲得模型誤差的估值，此誤差值被計為測試集中實際和預測收盤價之間的差值。
從這個角度來看，人工智能的蓬勃發展不是沒有理由的：LSTM模型對比特幣和以太幣價格預測與實際價格的平均誤差僅分別為0.04和0.05，完敗隨機游動模型。
然而，完敗隨機游動模型並沒有多了不起，將LSTM 模型與更勢均力敵的時間序列模型，如加權平均、ARIMA 或Facebook 的先知算法等進行比較才更有意義。另一方面，LSTM 模型還可以進行更多改進，例如增加更多層或神經元、改變批量規模、學習速率等。
用於預測貨幣價格最完美的模型是：
也許，我們不應該太迷信深度學習在預測貨幣價格變化方面的作用，因為我們不能忽略這樣一個事實：最完美的框架其實來源於人類的智慧，而加密貨幣的升值和貶值，永遠逃離不開市場規律的擺佈。
轉貼自： 煉數成金
留下你的回應
以訪客張貼回應