加密貨幣:實戰 | 機器學習能否預測加密貨幣的價格？_COIN

作者：Michel?Kana,?Ph.D，翻譯：Jeremy

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。

BNB Chain或將于6月19日公布重要消息，已發布預告視頻:6月15日消息，BNB Chain官方在社交媒體上發文表示，即將發布BNB Chain未來的重大預告，同時放出帶有Unlock The Power Of BNB Chain字眼的預告片，將于6月19日揭曉。[2023/6/15 21:39:31]

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。

某黑客向2400個私鑰泄露地址發送以太坊，企圖搶先領取ARB空投:3月21日消息，據加密數據公司 Arkham 推文顯示，被 Nansen 標記為 Arbitrum Airdrop Exploiter 的黑客地址在過去 12 小時內向大約 2400 個私鑰泄露的地址發送以太坊作為 gas 費，并提前授權 ARB 合約，準備搶先領取 ARB 空投。[2023/3/21 13:17:14]

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。

美參議院銀行委員會主席：美國監管機構或應考慮禁止加密貨幣:金色財經報道，美國參議院銀行委員會主席SherrodBrown建議如美國證交會和美國商品期貨交易委員會（CFTC）等聯邦機構，或許應該考慮禁止加密貨幣。不過，在會見媒體的會議上，他也承認，這項禁令將“非常困難”，因為加密行業可能會轉移到海外。會上他提出了多項可能會由加密貨幣引發的不良事件，并表示希望美國各監管機構能夠做他們需要做的事情。早些時候，他呼吁不同政府機構在管理加密貨幣時應采取合作方式，因為單一監管機構目前通常對加密貨幣資產實體的活動沒有全面的了解。[2022/12/19 21:52:39]

第0天代表2013年4月30日，第2800天代表2021年2月28日。

Espresso Systems推出二層擴容方案測試網Americano:11月30日消息，Web3應用擴展和隱私系統Espresso Systems發布公告稱，去中心化二層擴容方案Espresso Sequencer內部測試網Americano現已上線，目前尚未對公眾開放。

Espresso Sequencer是一個優先考慮高吞吐量和快速最終確定性的共識協議，使以太坊二層擴容方案交易排序去中心化，補充了以太坊共識（Gasper）所固有的平衡。[2022/11/30 21:12:55]

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。

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。

韓國調查Flata等上線“自發行原生代幣”的加密交易所:金色財經報道，韓國金融監管機構——韓國金融情報部 (KoFIU) 歐科開始調查上線“自發行內部原生代幣”的加密貨幣交易所，進一步確保遵守監管規定以保障投資者的安全。據當地媒體韓聯社報道，Flata Exchange 目前是監管機構關注的主要嫌疑交易所之一，目前正在接受調查，原因是該交易所上線了自己發行的內部原生代幣“FLAT”。（Cointelegraph ）[2022/11/20 22:09:45]

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。

Tags：加密貨幣OINCOINCOI加密貨幣行情走勢cointiger怎么樣Feetcoincoinw幣贏官方app蘋果版

加密貨幣