Mistrzowie danych opracowali metodę przewidywania cen kryptowalut w czasie rzeczywistym w oparciu o technologię uczenia maszynowego. Czy uda Wam się zarobić dzięki tej metodzie, to już wasza sprawa.
Niemożliwe do przewidzenia
Analiza techniczna, fundamentalna, statystyka, matematyka, przeróżne narzędzia, wzory i metody próbują dowieść, jakie ceny kryptowalut ujrzymy jutro. Jak dotąd wszystko, o czym wiemy, nie pozwoliło nam ze 100% skutecznością przewidzieć kursu bitcoina. (Właściwie to stuprocentowa skuteczność przewidywania jest już wiedzą, nie predykcją).
Prognoza przyszłych cen kryptowalut jest znacznie trudniejsza od przepowiadania cen na rynku tradycyjnym. Składa się na to sytuacja gospodarcza i polityczna, kwestie bezpieczeństwa, wyzwania ekonomiczne, wewnętrzna konkurencja, nieznośna fluktuacja cen kryptowalut, czy niepohamowany postęp technologiczny.
Mimo wyżej wymienionych trudności analitycy, spekulanci, naukowcy i ekonomiści się nie poddają. Jedną z takich osób jest Abhinav Sagar, data scientist i machine learning researcher na jednej z najlepszych politechnik w Indiach, VIT.
Nad wyraz głęboko – Deep Learning
Sagar specjalizuje się w projektowaniu systemów samouczących się i w oparciu o to, zbudował schemat, który przewiduje ceny kryptowalut w czasie rzeczywistym. Co ważne, posłużył się sztuczną rekurencyjną siecią neuronową, LSTM (Long Short-Term Memory).
Schemat budowy takiego systemu Sagar opublikował na swoim blogu, a kod i wyróżnione funkcje umieścił w repozytoriach na GitHubie.
Musimy przejść przez 4 kroki, aby móc w czasie rzeczywistym przepowiadać ceny kryptowalut. Do tego celu potrzebujemy: dostawcy danych o kryptowalutach w czasie rzeczywistym; przygotować dane do treningu i testowania; przewidzieć ceny kryptowalut przy użyciu sieci neuronowej LSTM i zwizualizować wyniki.
Co więcej, naukowiec w zbiorze danych umieścił wszelkie parametry typu: cena, obrót, pozycje open/high/low itd. W tym przypadku przy pomocy serwisu CryptoCompare.
Nasz badacz rozpoczął od treningu systemu, maszyny, bazując na danych historycznych, po czym rozpoczął testowanie w czasie rzeczywistym.
Swoją drogą bardzo ciekawe, że na zimę odnotowuje dołek, a na lato górkę, jak w życiu, choć to tylko jeden rok.
Następnie, również przy użyciu statystycznego miernika zmienności Mean Absolute Error (MAE) w pełni uruchomił system.
Jak widać na obrazku, system nie jest idealny, ale i niepokojąco wzorcowy.
Jak oceniacie wysiłki badacza? Może znacie lepszy sposób na predykcję cen kryptowalut w czasie rzeczywistym przy pomocy machine learning’u?