主页 > imtoken官网钱包app > 用“机器学习”交易比特币
用“机器学习”交易比特币
机器学习可以被视为开发比特币(以及所有其他虚拟货币)交易系统的有效工具。本文中的 Crypto-ML.com 是一个基于机器学习的交易警报平台。因此,我们将对此进行扩展并讨论它所具有的学习机制和产品策略。同时,我们也会讨论开发者在系统开发中需要的一些概念、问题和能力。
什么是机器学习?
关于真正的机器学习存在很多困惑。很多人幻想着机器学习的梦想即将实现,但现实其实有些骨感。
所谓机器学习(ML)是一门多领域的交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂性理论等学科。它专门研究计算机如何模拟或实现人类学习行为以获取新知识或技能,并重组现有知识结构以不断提高其性能。
以上信息中最关键的词是“统计”。从根本上说,机器学习是统计学的演变。它要求我们掌握强大的计算能力,并将其应用到已经存在数十年的统计框架中。
机器学习和统计是密切相关的领域。 Michael I. Jordan 认为,机器学习的概念在统计学中有着悠久的历史,从方法论到工具的使用,因此他认为机器学习这个词应该在科学中占有一席之地。
从统计的角度来看,你会发现机器学习是关于什么的
本质上是大量的数据输入,然后人们可以利用它来寻找关系,以及用传统统计方法很难找到的关系。模型。因此,计算机能够以新颖的方式找到现有问题甚至人类问题的答案,而我们人类自己有时根本无法处理大量数据。
以下是自动驾驶技术的案例研究(福布斯)。事实上,机器学习可用于开发包括访问众多传感器并高度适应不断变化的环境的系统。自己开发这样一个复杂的系统是一场无尽的考验,而机器学习就像减少混乱一样好。
机器学习具有适应和改进的能力。例如,十字路口经常发生事故,通过机器学习,Autopilot 可以在到达十字路口之前提醒驾驶员,确保他们注意力集中。
因为我是特斯拉的铁杆粉丝(哈哈,我其实就是喜欢这张图),我想用这张图告诉大家机器学习可以帮助我们从虚拟货币中获利,尤其是在当今充满挑战和不断发展的市场中。
我们可以将机器学习用于比特币货币交易吗?
稍微浏览一下互联网,您就会发现几乎所有预测趋势的文章。即便是在虚拟货币市场,所有的预测都还只是预测,大部分都会化为纸上,历史就是这么相似。另一方面,《用机器学习分分钟打脸虚拟货币趋势预测》等文章,在一定程度上确实起到了很好的警示作用,但也可能对“韭菜”造成极大的误导。
机器学习可以看作是一个“无聊”和“性感”的概念。例如:谁在开发解决方案系统?他们使用了哪些数据源?什么是算法和模型?最终目标是什么?看似无聊,却充满了巨大的诱惑。
机器学习不适合懒惰的人。因为如果你使用机器学习以一种初级的方式开发比特币交易系统,你将永远无法获得任何你期望的真正“价值”。
不久前,我们在 Crypto-ML.com 进行了数月的专门实验后,构建了一个强大的平台。我们经历了无尽的心碎和漫漫长夜,终于获得了成功的荣耀。
机器学习不是万能的。我们需要持续关注、评估和优化它。
让事实说话:
crypto-ml.com/crypto-ml-trade-history/
crypto-ml.com/continuous-alerts-recent-trades/
值得强调的是,我们设计 Crypto-ML 的目标并不是每次都准确预测潜在的盈利交易,因为这是不可能的,也不是我们的初衷。 “没有绝对完美的交易策略”(至少现在不是)。但是,Crypto-ML 可以从减损和保利润两个维度最大化用户的长期收益。这还是很诱人的。
斯坦福大学的一份研究报告中提到了使用机器学习的虚拟货币系统,但该系统不起作用。这告诉我们,我们要警惕那些说空话、什么都不做的人。该报告还反驳了使用机器学习交易虚拟货币并不是一件简单的事情。
使用机器学习需要哪些技能?
如果我们想拥有自己的机器学习系统模型,必须掌握这些技能:
数学能力强(尤其是代数) 硕士以上学历 专业级统计知识 软件开发 如果能力够好,前三点忽略
你好不好?看看下面的等式:
休息5秒,我们继续往下走。
随着机器学习的概念越来越普及,上述技能不再完全依赖于深厚的专业背景。但是,如果急于在真正的“价值”中得到真正的“价值”,就只能剥开每一层,逐层分析,分析细节,得到最终的真正“价值”。那么,能力就是一道不可逾越的坎。
总之,技术和基本面分析是必不可少的技能。但另一方面,在交易股票、期货、外汇或虚拟货币方面拥有丰富的背景知识和经验也会让你变得更加强大。
我们如何定义比特币交易的机器学习目标?
然后进入实战演练。简单来说,机器学习可以分为输入和目标两部分。输入数据后,我们如何定义机器学习的目标?
一个常见的错误是概括。有些人会选择即将到来的报价,并通过应用时间序列模型理论将其从单数推断为一般。这个错误只是误导。
这个错误的根源是人们不知道机器学习的目标是什么?在 Crypto-ML,我们的目标是逐步建立一个有价值的投资组合,以优化长期利润。
现在您已经确定了目标,让我们开始考虑如何衡量它们。
明天这两种数值目标的价格是多少?两个月后我的账户值多少钱?范围目标价格明天上涨(a)还是(b)下跌?价格会 (a) 上涨 2%,(b) 保持在 +/- 2% 以内,还是 (c) 下跌 2% 或更多?
所以您应该已经发现,现在正是您的统计学背景可以帮助您识别目标和评估结果。如果你的统计知识很肤浅,即使你已经有了一个有效的系统模型,你仍然会做出微调的决定。
有了上述能力,你就拥有了使用机器学习交易比特币的真正基础。
退一步说,凡事都有例外,系统分析的买入价和卖出价都不是最优的。请看下图:
我必须强调的是,我们并非旨在每次都进行有利可图的交易,这也不可能。我们的目标是最大化长期利润。因此,机器学习考虑的不是单个交易的数量,而是整体账户的长期增长。了解这一点尤为重要。
我们如何选择比特币交易的数据来源?
这就是技术知识发挥作用的地方:数据源。在实现您的目标时,您认为哪些数据会影响交易?
您可以考虑尽可能多的数据来影响模型。因为统计和机器学习可以消除混乱并发现新模式。
在开发 Crypto-ML 时,我们将所有指标都投入了系统:
经济指标(GDP、股价、利率、失业率等) 社会指标(谷歌趋势、Twitter、情绪指数等) 技术指标(价格、交易量、移动平均线、动量指标等) ) 其他(时间、星期几、Tether 问题等......)*
这一步需要你有软件开发背景,因为这里的数据获取并不容易,需要有API集成和方法编程能力。我们都知道,数据越多越好。
比特币交易的机器学习有哪些阶段?
对于比特币交易,我们可以考虑以下两个阶段:
模型开发阶段模型运行阶段
当您第一次开始开发模型时,您需要考虑一切可能更多的数据。然而,只有一部分甚至一小部分数据具有决定性价值。所以,在开发阶段比特币最终到底有啥用,你可以使用机器学习来发现那些决定性的数据,然后在下一阶段单独使用这组数据。
例如,您首先考虑 36 个不同的数据集。事实上,其中 3 个决定了 98.65% 的最终真实“值”。全部,忽略其他33个数据点,只使用这3个数据点,将顺利进入下一阶段。此外,数据的频率也会对模型产生影响。例如每天、每小时或每分钟,都不一样。
我们如何测试模型?
世界各地无数模特都经历过被现实世界打成碎片的最惨痛教训。为了避免这种情况,验证尤为重要。在机器学习中,这称为“评估”。
例子:
随机排除 20% 的数据,留下剩余的 80%。使用排除的 20% 的数据构建模型,然后使用 80% 的数据测试模型。最后利用检验结果确定最佳置信区间、方差、系数等。
换句话说,现实世界实际上是最好的测试环境。模型的问题可以根据确定的最优值进行调试,并在正式发布前进行模型的试点。
我们如何使用模型?
此时,我们知道使用什么来实现我们的目标。然后就等着系统模型告诉我们下一步该怎么做吧。
在这里,您需要使用软件开发技能。不过没关系,PaaS 和 IaaS 解决方案(例如 Amazon Web Services 和 Google Cloud Platform)让机器学习和软件开发变得容易。
我们为什么要让机器学习可持续发展?
系统启动并运行后,最后一步是保持系统学习。假设你找到了一个非常好的系统,它可以提供一个很好的方式来交易比特币,但是一旦市场发生不可抗力的变化,瞬间,交易预期下降,亏损随之而来,而应对变化的唯一方法就是拥抱变化并继续学习。使用机器学习开发比特币交易系统只是成功的一半。成功的另一半是让它不断学习。换句话说,让机器继续使用新数据进行优化。更进一步的,就是让你深入思考不同的数据源比特币最终到底有啥用,让系统保持在最先进的状态。
推荐阅读crypto-ml.com/system-update/machine-learning-enhancements-for-ethereum-and-bitcoin-cash-now-live/crypto-ml.com/system-update/crypto -ml-updates -bitcoin-cash-enhancement-and-day-trading-for-crypto/crypto-ml.com/system-update/bitcoin-machine-learning-model-enhanced/
通常接下来,我们通过改变系统模型和调整参数来分析市场,这样一旦市场出现新的格局,机器学习就可以快速充分地吸收它,从而在未来更好地应对。
不久前,我们观察到比特币的价格呈上涨趋势,然后我们看到它急剧回落(在一分钟的时间范围内)。也许是第一次、第二次甚至第三次我们措手不及,但当这种模式再次出现时,机器学习会学会预测并避免它。
我们可以使用哪些机器学习工具进行比特币交易?
其实机器学习工具的数量是无穷无尽的,而且越来越方便。
参考平台借鉴了别人的技术。例如,Google 的 Google Cloud Platform ML Engine 和 TensorFlow。谷歌的机器学习仍然有目共睹。 登录到用户友好的平台。例如,BigML。他们的口号是失误就是麻烦。自己开发和控制系统。例如,R 和 R Studio。它为统计领域提供了一个强大的开发平台。我们如何理解 Crypto-ML 下的比特币交易算法?
关于这个问题,我只能透露一些细节,你也可以在 Youtube 上找到 Crypto-videos 相关的讨论。我们的交易算法有两个突破值得分享。
第一次突破
我们的数据来自一系列技术指标,但我们只选择一些表现最好的数据指标并创建一个“超集”。
以上是Investing.com的技术指标截图。虽然矛盾很多,但还是能找到一定的价值。
除了技术指标选择的分析,我们还需要对其参数进行分析和优化。例如,什么时候应该使用移动平均线指标?随机指标的两个参数如何选择?这些值在不同情况下如何变化?
上述问题非常适合使用机器学习来有效解决。
当谈到社会和经济指标时,我们发现结果值非常复杂。因为我们都发现,当你思考一件事时,你需要考虑它的一切。总而言之,我们需要不断地考虑和审查数据,因为数据一直在变化。
第二次突破
我们的另一个突破是打破限制的能力。
我们让系统模型自行探索数据并确定优化目标的方法,而不是依靠诸如“每天必须至少有 1 笔交易”或“交易必须平均至少 5%”之类的规定来完成目标。有些人想要一个允许他们进行日间交易的系统并没有错,但我们认为让系统自己选择时间框架要好得多。有关这方面的更多信息,请阅读我们的 Auto-ML 与 Crypto-ML 标准 crypto-ml.com/crypto-ml-notifications-standard-and-auto-ml/。
结束语
感谢您耐心阅读到最后。我希望我已经清楚地表达了使用机器学习构建比特币交易系统的复杂性,这似乎是一个轻松的交易,但实际上是一个死胡同。使用机器学习交易比特币似乎是不可能的,但不可能是魔法发生的地方。感谢您的阅读,欢迎评论。