Как спрогнозировать курс криптовалют?
Блокчейн и криптовалюта — эти понятия становятся все более популярными. Это новые технологии, имеющие большие перспективы. Вместе с тем все больше разрастается трейдинг на крипто биржах. Для кого это хобби, для кого работа, а кто стабильно зарабатывает на этом, считая это своей забавой. Как и все в нашем мире, трейдинг сразу хочется перевести в автоматический режим: создать алгороботы для прибыльных торгов, разработать алгоритмы и модели, которые будут делать на курс эфириума прогноз, разработать системы для быстрого технического анализа, вычисления индикаторов и т.д. Большинство из этого уже доступно, и помогает добиваться высоких прибылей на бирже.
Проведенные эксперименты показали, что предусмотреть курс алгоритмически это не такой уж миф. Конечно же 100% гарантии достичь невозможно, но и прогноз погоды не всегда сбывается, а люди до сих пор пользуются. Алгоритмы показали надежный результат, и один из них был использован для торгов криптовалютой Dogecoin. В результате первоначальный депозит был увеличен на 123%, что можно считать отличным результатом. Проведенная работа показала, что с достаточными знаниями в области машинного обучения и нейронных сетей можно создавать и тестировать разнообразные модели для прогнозирования цены и использования этих результатов в трейдинге.
С каждым годом мир все больше переходит в Интернет и зарабатывать во всемирной паутине это уже не новость, но зарабатывать на трейдинге, пользуясь не только собственным чутьем, знаниями или расчетами, но и результатами правильно построенной модели машинного обучения это то, что не так часто встречается в настоящем мире. Существует много других способов реализовать прогнозирование курса криптовалют:
- линейная регрессия;
- метод ближайших соседей;
- Байесовский метод.
Все они вычисляют то же, но разными способами. Некоторые исследования показывают, что обычная линейная регрессия во многих случаях предполагает значение цены лучше сложных многослойных моделей. Еще один известный способ прогнозирования курса — использование глубокой нейронной сети прямого распространения. Это противоположный вид нейронных сетей к рекуррентным. Информация в DFFNN перемещается от входящего слоя через скрытые слои к выходному, в сети нет обратной связи или цикла, что в основном делает его глубоким и быстрым. Обучение DFFNN выполняется путем обновления изменения его весов на каждой итерации согласно трем разным числовым алгоритмам: сопряженный градиент с перезапусками Пауэлл-Бела, эластичный алгоритм и алгоритм Левенберга-Марквардта.
.