机器学习技术在币种分析中的应用
谈到机器学习,大家可能会对这个AI方面的概念比较陌生,但如果提到谷歌AlphaGo,大家肯定就很熟悉了。当年谷歌人工智能程序通过机器学习的方式掌握围棋比赛技巧后,轻松击败了多个国家的围棋冠军,时隔3年世界冠军韩国李世石宣布退役时,还高呼AI不可战胜......通过机器学习训练后的计算机程序,在某些类似比赛和交易这样的博弈场景中,是比人类具有更高胜率的。
非小号研究本次就做了一个硬核的试验:将机器学习技术应用在币种分析中,看看会有什么好玩的结论,以及是否真的能够帮助我们判断、交易。
我们的具体课题是,通过现有的市场公开数据预测明日收益率为正还是为负。
这是一个二分类问题,我们可以使用的模型有很多,这里我们选用了以下模型用于实验:逻辑回归LR、线性判别分析LDA、二次判别分析QDA、支持向量机SVC、决策树DT、随机森林RF、渐变提升树GBC等。
本次用来试验的数据主要有三个方面:
江卓尔:去中心化网络硬件能支撑的TPS不够,因此DEX深度不足&滑点损失问题无法避免:江卓尔发微博表示,1、为什么uniswap上的成交量越来越低了?本质上还是去中心化网络硬件能支撑的TPS(每秒交易次数)不够,因此Dex(去中心化交易所)深度不足&滑点损失问题无法避免。
2、世界上最重要的就是守恒定理,损失不可能凭空消失。AMM做市商(流动性挖矿)只是把用户的滑点损失,转化为农民的无常损失,因此又必须给农民发交易所“股权 / 代币 / 分红”,进而形成了一波庞氏资金盘。
3、但当庞氏破灭时,Dex还是不可能解决TPS不足的致命问题,因此Dex只能作为Cex(中心化交易所)的补充,去填补无法在Cex上币的大量代币的长尾市场。
4、在互联网络基础硬件TPS再提升100倍之前,Dex不可能挑战,更不用说取代Cex,这才是真相。
5、但注意把Dex和DeFi(去中心化金融)区分开来。DeFi有前途的赛道,是那些既需要去中心化,又对TPS要求不高的赛道,例如抵押借贷。
你让一个交易员挂单一次付1元主链手续费,撤单一次再付1元,他肯定受不了,但让一个抵押借贷者付1元主链手续费,那是完全可以接受的。并且去中心化可以解决抵押借贷商家跑路的风险,这是绝对的刚需。[2020/10/25]
1、资产的历史数据;
CoinBene满币韩国分站与BitPool社区达成深度战略合作:据官方消息,CoinBene满币与韩国BitPool社区达成深度战略合作,韩国BitPool社区签约成为CoinBene满币合约营运商,将享有全球市场营运、渠道商招募以及全方面业务拓展等权益。BitPool社区和CoinBene满币双方将围绕虚拟货币展开全方位合作,帮助社区人员有更好的合约体验,共建线上共识社区。其负责人Baron表示非常看好CoinBene合约市场发展。
CoinBene满币数字资产交易平台在全球180多个国家和地区拥有500多万用户,日活跃用户数超10万,日均交易额30亿美元。2019年初,平台战略布局合约衍生品市场,主要为投资者提供安全、稳定,以BTC、USDT进行结算的永续合约服务,CoinBene满币将继续深化与社区合作。[2020/5/11]
2、相关品种,如黄金原油美国三大股指等;
3、币圈相关币种数据,主要是主流币。
完整的机器学习建立流程
声音 | 广州港集团总经理:推动区块链等新技术与交通行业深度融合:据江门广播电视台报道,广州港集团总经理李益波表示,广州港集团将紧跟国家发展战略,抢抓“一带一路”、粤港澳大湾区和自贸试验区建设等机遇,大力发展广州港港口型国家物流枢纽,不断完善集疏运体系,打造融合发展的国际海港枢纽;大力发展智慧交通,推动大数据、互联网、人工智能、区块链、超级计算机等新技术与交通行业深度融合,推动北斗卫星导航系统、5G通信技术的应用;着力推进南沙疏港铁路等港口配套基础设施建设,提升和优化港口服务功能,推动广州国际航运枢纽高质量发展。[2019/9/26]
1.首先,特征工程
特征工程是机器学习中最关键的步骤,没有之一。
这有别于大众认知的AI能解决一切问题,人工智能是万能的认知。真实的情况是数据科学家们常挂在嘴边的一句话是“输入的是垃圾,输出的也一定是垃圾”,这意味着特征工程做得好不好会直接影响AI的“智商”。
特征工程不止是数据需要清洗重新组合,还需要将数据进行标准化处理。
Themis与链安科技达成深度战略合作:近日,Themis(GET)团队宣布与成都链安科技就区块链安全验证,智能合约的开发、审计、安全验证等达成战略合作关系。链安科技是一家知名的区块链安全技术服务商,致力于利用形式化验证理论和方法,提高区块链平台和智能合约的安全性和功能性。Themis致力于打造数字资产多中心托管基础设施,应用范围包括数字资产场外交易、数字资产电商和数字资产基金托管等。[2018/6/5]
2.其次,建模
建模是一个简单的过程,模型在那里,无非是灌入数据后不断地调参优化。国内很多大互联网公司的AI团队也都是在常用模型中选择靴子不断优化,大家的过程都是一样的,没有什么捷径。
3.评价模型效果
模型的效果评估有很多,常见的有MSE,MAE,取代矩阵,ROC等。
4.最终,应用
当模型对数据的可解释度良好时,模型可用。一般这个可解释度要达到80%以上,90%以上更好,但如果100%可解释就需要注意是否出错了。
新华书店深度关注和应用区块链技术,解决行业痛点:《中国新闻出版广电报》报道,以浙江新华书店集团为代表的传统发行渠道,逐渐重视开发和运营数字资源平台,并深度关注和应用区块链技术,为解决行业痛点提出了技术和服务的全面解决方案。比如,浙江新华的芸台购馆配中盘服务云平台,便被业界认为采用的模式和技术完全符合实际需求。[2018/4/20]
对BTC的解释性
数据一
仅有高开低收量,及高开低收量计算的技术指标作为训练数据。得到各个模型解释度如下表所示:
由上表可以得到,单纯的用高开低收量和技术指标作为特征,在以上机器学习模型中训练,无法很好地解释价格。其实仅从这里就能看出币圈属于弱势有效市场。技术分析得到的尺度是判断二分类正确概率是50%,即模型无效,也与弱势有效市场中技术分析无效,基本面分析和内幕信息有效相吻合。
市场包含三种信息:历史信息,公开信息和内幕信息。
各种信息分别对应不同分析交易策略:历史信息对应技术分析;公开信息对应的基本分析;内幕信息对应的内幕交易。
当市场有效时,市场已反映三种信息,故对三种信息的分析均值不能在市场获得优势,某种分析和交易策略均值无效;当市场为半强势有效时,市场已反映公开信息和历史信息,故技术分析和基本分析无效,内幕交易有效;当市场为弱有效市场时,市场只反映历史信息,故技术分析无效,基本分析和内幕交易有效。
数据二
不但有高开低收量数据,我们还增加了相关品种的数据,如美国三大股指,黄金,原油,币圈主流币种等作为训练数据。
为什么认为美国三大股指,黄金,原油,币圈其他主流币种等数据可以插入基本面数据?
虽然这些因素不是直接影响BTC的基本面因素,但是它们和BTC由相同的基本面因素影响,所以这些数据中包含很少的一部分基本面信息。
由上表可以得知:在增加基本面替代特征后,解释度提升了10%以上。
那么提高多少可解释度是模型极限?
经过1000次的实验得到,当随机因子为1730时,随机森林RF模型的可解释度67%,这是所有实验中所有模型中可解释度最高的一组。
模型效果的衡量:
混淆矩阵
混淆矩阵就是分别统计分类模型归错类,归对类的观测值个数,然后把结果放在一个表里展示出来。这个表就是混淆矩阵,把预测情况与实际情况的所有结果两两混合,结果就会出现以下几种情况,就组成了混淆矩阵。如下:
ROC曲线
ROC曲线,又称接受者操作特征曲线。该曲线最早应用于雷达信号检测领域,用于区分信号与噪声。后来用于评价模型的预测能力,ROC曲线是基于混淆矩阵得出的。
ROC曲线中的主要两个指标就是真正率和假正率,其中横坐标为假正率,纵坐标为真正率,下面就是一个标准的ROC曲线图。
横轴FPR:1-TNR,1-Specificity,FPR越大,预测正类中实际负类越多。
纵轴TPR:Sensitivity(正类覆盖率),TPR越大,预测正类中实际正类越多。
为什么解释性不强?
1.交易量数据造假
2.未有数据披露制度约束,未形成一体的基本面数据
3.市场有可能存在内幕信息
目前我们模型中的数据还不够全面,仍然需要更多的努力揭示更多的基本面信息,才能更好地解释BTC价格。
在披露更多信息时,才能促进市场效率的提高,促进币圈的发展,这也是“非小号”作为机构应该做且做好的事情。
是否有使用价值?
虽然机器学习在解决传统问题时都要求正确率达到80%甚至90%以上才可以使用,但是我们能否使用一个解释度在60%-70%之间的模型?
-1.模型是有解释度的,60%也远高于50%,长期预测胜率显著高于50%的多空各一半的平均水平,这有点类似庄家在轮盘中有概率优势一样,时间越久赢面越大;
-2.加入限制条件时可以提高概率,单次若想取得概率优势只能限制使用条件
如下所示为决策树输出的树形图,用红色框起来的枝杈正确率很高,但是只有满足层层条件后才会有交易机会。为了达到盈利目的,交易者要在交易机会与单次交易盈利水平中找到平衡点。
单个树杈局部图如下所示,当满足红框圈住的条件时,正确率提高到93%,这完全达到了使用要求:
对ETH和TRX的解释性
从模型训练结果看,已知特征使用以上模型训练时,可解释度也在60%-70%之间。下面我们列举一些有价值的树杈,树杈概率的提高是基于条件概率提升的。
ETH
由以下ETH树形图可以看出,当同时满足条件
美元比eth收盘价<0.01,eth昨日成交量<3956783616,原油成交量>117392.5,涨跌幅>0,黄金开盘价<1489.25时,时,有93%的正确率,这时交易机会是总交易机会的19.05%(28/147)。
TRX
由以下TRX树形图可以看出,当同时满足条件bch<289.51,bsv>63.5,美元比eth调整后收盘价>0.01,纳指收盘价<8371.12,道指最低价>24290.5,美元比eth收盘价>0.01,瑞波币收盘价<0.32时,有82%的正确率,这时交易机会是总交易机会的23.68(36/152)。
如果以上使用机器学习来分析不同币种交易机会的流程没看懂,也没有关系,涉及到的知识比较复杂。所以,非小号后期将应用很多大数据或AI等技术帮助大家建立分析模型,直接在APP中为大家提供易懂和好用的币价预测工具或投资策略参考,一键体验。
郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。