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

【简介】：截至11月22日，比特币价格再创历史新高（约1比特币兑8120美元）。在对虚拟货币的“无敌”感到惊讶的同时，我们或许可以从这股热潮中学到什么。在这篇文章中，David Sheehan，博士。毕业于伦敦大学学院（UCL），向我们介绍了一种使用 Keras 基于 LSTM 预测比特币价格走势的详细方法。在测试中，机器学习预测方法似乎具有不错的准确性。

【牛鼻子】：比特币、虚拟货币、Keras、比特币价格走势

【嵌入牛题】：比特币有什么魔力？如何使用机器学习来预测比特币价格走势？

[嵌入牛文本]：

如果我要列出 2017 年最荒谬的三件事，那就是指尖陀螺、人工智能，当然还有加密货币。以上是个玩笑，实际上我对虚拟货币的运作方式印象深刻，并且非常看好这种颠覆性技术的长期前景。我正在尝试使用深度学习、机器学习或人工智能（是的如何能破解比特币走势，三者皆可！）成功预测虚拟货币的价格。

我认为将深度学习和虚拟货币结合起来是一个非常独特的想法，但是在写这篇文章时，我发现了类似的东西（）。本文只关注比特币（最著名的虚拟货币），但我也想讨论一下以太坊。

我们打算使用 LSTM 模型，这是一种非常适合时间序列数据的深度学习模型。

数据

在构建模型之前，我们需要获取一些数据。 Kaggle 上的数据集 ( ) 非常详细地记录了过去几年的比特币价格。在这段时间（年）内，噪声可能会掩盖信号，因此我们需要选择单日价格数据。问题是我们可能没有足够的数据（我们需要数百行而不是数千、数百万行）。在深度学习中，没有任何模型可以克服数据严重缺乏的问题。我也不想使用静态文件，因为当将来使用新数据更新模型时，它会使更新过程复杂化。因此，我们计划从网站和 API 中抓取数据。

我们将在一个模型中使用多种虚拟货币，因此从同一数据源获取数据可能是个好主意。我们将使用 coinmarketcap.com。目前，我们只需要考虑比特币和以太坊如何能破解比特币走势，但以这种方式添加最新的山寨币很难。在输入数据之前，我们必须加载一些 Python 包以使其更容易。

为了证明数据的准确性，我们绘制了两种虚拟货币的价格和交易量与时间的关系：

训练、测试和随机游走

有了数据，就该构建模型了。在深度学习中，数据通常分为训练集和测试集。该模型建立在训练集上，随后在看不见的测试集上进行评估。在时间序列模型中，我们通常使用一个 epoch 的数据进行训练，然后使用另一个 epoch 的数据进行测试。我将时间限定为 2017 年 6 月 1 日（即模型将在该日期之前的数据上进行训练，并在该日期之后的数据上进行测试）。

结果很好！除了一些缺陷外，该模型基本上跟踪两种货币的实际收盘价。它甚至捕捉到了 6 月中旬和 8 月下旬以太币价格的上涨（以及随后的下跌）。正如其他博客中提到的，单点预测的模型经常会产生误导，因为错误不能传递给后续的预测。由于将真实价格输入到模型中，因此无论误差有多大，都会在下一个时间点重新设置。比特币随机游走实际上特别具有欺骗性，因为 y 轴的广泛分布使得预测线看起来很平滑。

长短期记忆 (LSTM)

如果读者对LSTM的理论感兴趣，可以查看上面机器之心发来的教程和讲解。在本文中，我们不需要从头开始构建 LSTM 网络，甚至不需要了解它就可以使用 Keras 或 PyTorch 之类的深度学习框架来完成。本文选择 Keras 框架是因为它需要的理论知识很少，是目前最直观的深度学习框架。

它太低了，无法击败随机游走模型。将 LSTM 模型与更合适的时间序列模型（加权平均、ARIMA 或 Facebook 的 Prophet）进行比较会不会更有趣！此外，我敢肯定，我们将很难再改进 LSTM 模型（添加更多层和/或神经元，更改批量大小、学习率等）。也许虚拟货币的价格变化不规律，可能没有一个模型可以将信号与噪声分开（类似于使用深度学习预测地震的优势）。这些主题可能会在以后的文章中讨论。

我相信他们最终会找到深度学习的用例。同时，您可以下载完整的 Python 代码来构建自己的模型。