Bei der Darstellung handelt es sich um ein reines Forschungsprojekt und nicht um eine Handelsempfehlung:
Bisher habe ich mit verschiedenen Modellen experimentiert, um Bitcoin-Preise anhand von On-Chain-Daten vorherzusagen. Ich habe 373 Funktionen der CryptoQuant-Plattform von 2012 bis heute verwendet. Da ich eine gleitende Fenstertechnik verwende, sind klassische Modelle des maschinellen Lernens, die normalerweise mit 2D-Daten arbeiten, für meine Daten nicht geeignet. Stattdessen verwende ich Deep-Learning-Techniken auf Basis von Tensoren, die die Verarbeitung von 3D-Daten ermöglichen.
Unter den verschiedenen Modellen, die ich in den letzten Monaten ausprobiert habe, wurden die besten Ergebnisse mit N-Beats- und WaveNet-Modellen erzielt. Das N-Beats-Modell wurde in TensorFlow entwickelt und die Modellgenauigkeit beträgt MAPE: 31,9849. Die Leistung dieses Modells anhand von Trainings-, Validierungs- und Testdaten wird im Bild A visualisiert. Darauf basierend wird die Prognose des N-Beats-Modells für die nächsten 30 Tage im Diagramm B angezeigt.
Das zweite Modell, das bisher akzeptable Ergebnisse geliefert hat, ist das WaveNet-Modell. Die Verlustwerte für dieses Modell wurden mit Negative Log-Likelihood gemessen, wobei ein Verlustwert von 2,88 ermittelt wurde. Dieses Modell verwendete auch dieselben Daten wie das vorherige Modell. Bild C zeigt seine Leistung bei der Preisvorhersage für den vergangenen Monat. Und Bild D zeigt die Bitcoin-Preisvorhersage für den nächsten Monat basierend auf dem WaveNet-Modell.
Basierend auf dem WaveNet-Modell mit einem Konfidenzintervall von 50 % wird der Bitcoin-Preis im kommenden Monat wahrscheinlich innerhalb der gleichen Spanne schwanken wie in den letzten Monaten.
Geschrieben von CryptoOnchain
