LST:比特币突破8000美元，我们找到了用DL预测虚拟货币价格的方法

选自GitHub

作者：DavidSheehan

机器之心编译

截至11月22日，比特币的价格再创历史新高，在惊讶于虚拟货币「不可战胜」的同时，我们或许能可以从这一波热潮中学到些什么。本文中，博士毕业于伦敦大学学院的DavidSheehan为我们介绍了使用Keras基于LSTM预测比特币价格走势的详细方法。在测试中，这个机器学习预测法似乎有着不错的准确度。

如果要列出2017年最为荒谬的三样事物，则一定是指尖陀螺、人工智能，当然，还有加密虚拟货币。以上是玩笑话，实际上我对虚拟货币的原理印象深刻，而且非常看好这种颠覆性技术的长期前景。我试图通过深度学习、机器学习或者说人工智能成功预测虚拟货币的价格。

我认为把深度学习和虚拟货币结合起来是非常独特的想法，但是在写本文时，我发现了一些类似的内容。这篇文章只关注比特币，但是我还想讨论一下以太币。

我们打算使用LSTM模型，一种非常适合时序数据的深度学习模型。如果你希望真正了解理论或概念，那么推荐阅读：

LSTM入门必读：从基础知识到工作方式详解

数据：8月份CME的比特币未平仓合约已超过7月份:金色财经消息，据CME数据，8月份CME的比特币未平仓合约已超过7月份，为15.4亿美元，而上个月为14.7亿美元。[2022/8/8 12:08:23]

深度|LSTM和递归网络基础教程

教程|基于Keras的LSTM多变量时间序列预测

教程|如何判断LSTM模型中的过拟合与欠拟合

深度|从任务到可视化，如何理解LSTM网络中的神经元

干货|图解LSTM神经网络架构及其11种变体

完整代码地址：https://github.com/dashee87/blogScripts/blob/master/Jupyter/2017-11-20-predicting-cryptocurrency-prices-with-deep-learning.ipynb

数据

在构建模型之前，我们需要先获取一些数据。Kaggle上的数据集非常详细地记录了近几年的比特币价格。在这个时间长度中，噪声可能盖住了信号，因此我们需要选择单日价格数据。问题在于我们可能没有充足的数据。在深度学习中，没有模型可以克服数据严重缺乏的问题。我同样不想使用静态文件，因为未来使用新数据更新模型时，这种做法会复杂化更新流程。于是，我们计划从网站和API中抓取数据。

比特币重新站上50000美元/枚，跌幅收窄至3.1%:行情显示，比特币重新站上50000美元/枚，跌幅收窄至3.1%，此前一度跌超8%。[2021/4/23 20:52:17]

我们将在一个模型中使用多种虚拟货币，因此从同一个数据源抓取数据或许是一个不错的主意。我们将使用coinmarketcap.com。现在，我们只需要考虑比特币和以太币，但是使用这种方法添加最新火起来的山寨币就很难了。在输入数据之前，我们必须加载一些Python包，这样会容易一些。

importpandasaspd

importtime

importseabornassns

importmatplotlib.pyplotasplt

importdatetime

importnumpyasnp

Billions项目组convertthedatestringtothecorrectdateformat

bitcoin_market_info=bitcoin_market_info.assign(Date=pd.to_datetime(bitcoin_market_info))

媒体：MicroStrategy为其大股东BlackRock等提供间接接触比特币的机会:据此前报道，纳斯达克上市公司MicroStrategy宣布买入2.5亿美元的比特币。这导致大多数顶级加密分析师和行业人士在推特发布超级看涨的声明，对许多人来说这证实了他们的信念，即比特币正处于牛市的早期阶段。这一消息令人兴奋，也是机构继续采用加密货币的有力迹象。Cointelegraph文章称，更好的消息是投资巨头贝莱德（ BlackRock）是MicroStrategy的最大股东。

根据CNN Business的数据，贝莱德基金顾问公司（BlackRock Fund Advisors?）持有MicroStrategy 15.24%的股份。先锋集团（Vanguard Group）持有MicroStrategy 11.72%的股份。这意味着MicroStrategy最近买入比特币给了贝莱德间接接触比特币的机会，该公司实质上已经将自己变成一个“公开交易的比特币游戏”。（Cointelegraph）[2020/8/14]

Billions项目组converttoint

bitcoin_market_info=bitcoin_market_info.astype('int64')

CME比特币期货7月合约收涨0.43%:金色财经报道，成交量最高的CME比特币期货2020年7月合约今日收涨40美元，收报9310美元，涨幅达0.43%。2020年8月、9月和10月合约分别收报9370美元、9425美元和9460美元。[2020/7/15]

Billions项目组importtherelevantKerasmodules

fromkeras.modelsimportSequential

fromkeras.layersimportActivation,Dense

fromkeras.layersimportLSTM

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)))

维珍集团创始人Richard Branson：比特币欺诈者冒充我令人担忧:据ccn消息，亿万富翁，维珍集团创始人Richard Branson表示，他担心越来越多的比特币使用他的形象来推销欺诈产品和投资计划。Branson在维珍的官方博客上写道，尽管他经常称赞比特币和其可能会破坏金融体系的潜力，但令人担忧的是，如此多的比特币计划声称得到了Branson的认可。这些特定的往往采取假新闻的形式，声称Branson已经认可为加密货币投资产品或公司提供财务支持。[2018/5/5]

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函数构建了一个模型，名为model，该模型添加了一个LSTM层和全连接层。该层的形态已经调整以适合输入。该函数还包括更通用的神经网络特征，如dropout和激活函数。现在，我们只需指定LSTM层中神经元的数量和训练数据。

Billions项目组initialisemodelarchitecture

eth_model=build_model(LSTM_training_inputs,output_size=1,neurons=20)

Billions项目组trainmodelondata

Billions项目组eth_preds=np.loadtxt('eth_preds.txt')

--------------------------------------------------------------------------

Epoch50/50

6s-loss:0.0625

我们刚才构建了一个LSTM模型来预测明天的以太币收盘价。现在我们来看一下效果如何。首先检查训练集性能。代码下面的数字代表50次训练迭代后该模型在训练集上的平均绝对误差。我们可以看到模型输出就是每日收盘价。

我们不应对它的准确率感到惊讶。该模型可以检测误差来源并进行调整。事实上，获取趋近于零的训练误差并不难。我们只需要数百个神经元和数千个训练epoch。我们应该对它在测试集上的性能更感兴趣，因为测试集中是模型未见过的全新数据。

注意单点预测具备误导性，而我们的LSTM模型似乎可以在未见过的测试集上实现良好的性能。最显著的缺点是单点预测无法检测出当以太币突然上涨时必然会下跌。事实上，它一直都是失败的，只不过在这些波动点更加明显而已。预测价格一般更接近一天后的实际价格。我们还可以构建一个适用于比特币的类似的LSTM模型，测试集预测结果见下图。

如前所述，单点预测具有一定误导性。我们现在构建一个LSTM模型来预测接下来5天的虚拟货币价格。

从视觉效果上来看，预测结果没有其单点预测更加鲜明。但是，我很高兴，该模型返回了一些细微的行为；它不仅仅预测价格在一个方向的移动轨迹。因此，该模型还有很多优化空间。

现在回到单点预测，我们的深度机器人工神经模型看起来还不错，但是随机游走模型看起来也还行。与随机游走模型类似，LSTM模型对随机种子的选择很敏感。那么，如果我们想对比这两种模型，就需要把每个模型运行多次来评估模型误差。误差可以作为测试集中真实和预测收盘价的绝对差。

或许AI完全值得这些炒作！这些图显示了在进行25次不同的初始化之后，每个模型在测试集上的误差。LSTM模型对比特币和以太币价格的预测误差分别是0.04和0.05，完胜相应的随机游走模型。

只是为了打败随机游走模型的话也太low了。对比LSTM模型和更合适的时序模型岂不是更加有趣！另外，我确定很难再提升我们的LSTM模型了。可能虚拟货币价格变化没有规律吧，可能没有一个模型可以把信号和噪声分离开。以后的文章中可能会讨论这些话题。

幸运的是，你已经察觉到我对使用深度学习预测虚拟货币价格变化的怀疑态度。原因在于我们忽略了最优的框架：人类智能。很明显，预测虚拟货币价格的完美模型是：

我确定他们最终最终会找到深度学习的使用案例的。同时，你可以下载完整的Python代码构建自己的模型。

原文链接：https://dashee87.github.io/deep%20learning/python/predicting-cryptocurrency-prices-with-deep-learning/

本文为机器之心编译，转载请联系本公众号获得授权。

------------------------------------------------

加入机器之心：hr@jiqizhixin.com

投稿或寻求报道：content@jiqizhixin.com

广告&商务合作：bd@jiqizhixin.com

标签：LSTSTM比特币LST币是什么币STM币是什么币比特币中国官网联系方式40亿比特币能提现吗比特币最新价格行情走势

火必下载热门资讯