To, co jest prezentowane, jest wyłącznie projektem badawczym, a nie rekomendacją do handlu:
Do tej pory eksperymentowałem z różnymi modelami przewidywania cen Bitcoinów na podstawie danych w łańcuchu. Wykorzystałem 373 funkcje platformy CryptoQuant od 2012 roku do dnia dzisiejszego. Ponieważ stosuję technikę przesuwanego okna, klasyczne modele uczenia maszynowego, które zazwyczaj działają z danymi 2D, nie są odpowiednie dla moich danych. Zamiast tego wykorzystuję techniki głębokiego uczenia się oparte na tensorach, które umożliwiają przetwarzanie danych 3D.
Spośród różnych modeli, które wypróbowałem w ostatnich miesiącach, najlepsze rezultaty uzyskałem z modelami N-Beats i WaveNet. Model N-Beats został opracowany w TensorFlow, a dokładność modelu wynosi MAPE: 31,9849. Wydajność tego modelu w pociągu, dane walidacyjne i testowe wizualizuje się na obrazku A. Na tej podstawie prognozę modelu N-Beats na kolejne 30 dni pokazano na wykresie B.
Drugim modelem, który jak dotąd dał akceptowalne wyniki, jest model WaveNet. Wartości strat dla tego modelu zmierzono za pomocą ujemnego log-likelihood, przy wartości straty wynoszącej 2,88. W modelu tym wykorzystano te same dane, co w modelu poprzednim. Obraz C pokazuje jego skuteczność w przewidywaniu cen w zeszłym miesiącu. A obraz D przedstawia prognozę ceny Bitcoina na następny miesiąc w oparciu o model WaveNet.
W oparciu o model WaveNet, z przedziałem ufności wynoszącym 50%, cena Bitcoina prawdopodobnie będzie się wahać w tym samym przedziale, w jakim występowała w ciągu ostatnich kilku miesięcy w nadchodzącym miesiącu.
Napisane przez CryptoOnchain