Tiêu đề gốc: "Hardcore丨Máy học có thể dự đoán giá tiền điện tử không?" ? 》
Nguồn gốc: Michel Kana
Bản tổng hợp gốc: Jerblockquotey, Crypto Valley Live
Hướng dẫn thực tế này cung cấp những thông tin cơ bản mà bạn cần để dự đoán giá tiền điện tử tăng vọt.
Mười lăm năm trước, tôi bắt đầu khám phá thế giới tiền tệ kỹ thuật số và tạo nguyên mẫu cho một nền tảng tiền di động ngang hàng chỉ sử dụng tin nhắn văn bản.
Gần đây, một trong những cộng tác viên của tôi đã hỏi tôi liệu trí tuệ nhân tạo có thể dự đoán giá tiền điện tử hay không. Cô ấy tò mò về sự cường điệu của blockchain.
Sau khi nghiên cứu, tôi nhận thấy rằng việc dự đoán giá tiền điện tử là một vấn đề có thể giải quyết được, nhưng chắc chắn không phải dành cho mọi điều kiện thị trường.
Các mô hình dự báo điển hình cho tài sản tiền điện tử sẽ sử dụng dự báo chuỗi thời gian (như ARIMA, Facebook Prophet), học máy (như thuật toán rừng ngẫu nhiên, hồi quy tuyến tính) hoặc phương pháp học sâu (chẳng hạn như LSTM).
Trong bài viết này, tôi xem xét phép nội suy từng phần hoạt động tốt như thế nào khi dự đoán giá ptecoin trung bình cho một ngày nhất định.

Chúng tôi sẽ tập trung vào giá lịch sử của ptecoin từ tháng 4 năm 2013 đến tháng 2 năm 2021. Dữ liệu được lấy từ coinmarketcap và miễn phí sử dụng. Tôi chia dữ liệu thành 80% tập dữ liệu huấn luyện và 20% tập dữ liệu thử nghiệm. Cái sau được sử dụng để đánh giá tính chính xác của giá đóng cửa dự đoán của chúng tôi.

Giá của tiền điện tử ptecoin Lịch sử (Nguồn: Kaggle)
Một phân tích dữ liệu thăm dò ngắn gọn cho thấy giá đóng cửa trung bình cao nhất ở đầu và cuối phiên năm. thấp nhất vào tháng 10.

Bạn có thể đã nghe nói về hồi quy đa thức, được cho là tạo ra cơ sở bậc d để ước tính hàm phi tuyến tính (trong trường hợp của chúng tôi là tiền điện tử. Ví dụ đơn giản nhất về biến động giá) .

Lịch sử của tôi với Giá ptecoin đã được hồi quy đa thức đơn giản, sử dụng các bậc 5, 25 và 80. Trong mỗi trường hợp, giá trị R2 sẽ cung cấp một số thông tin về mức độ phù hợp của mô hình với tập dữ liệu thử nghiệm.
Nhìn vào sự phù hợp của đường màu xanh bên dưới với dữ liệu huấn luyện, chúng ta có thể quan sát thấy đường cong trở nên dốc hơn khi bậc đa thức tăng lên. Điều này là do độ phức tạp của mô hình tăng lên khi các đa thức bậc cao cố gắng theo đuổi từng điểm dữ liệu trong tập huấn luyện.
Ngày 0 tượng trưng cho ngày 30 tháng 4 năm 2013 và ngày 2800 tượng trưng cho ngày 28 tháng 2 năm 2021.


Đặc biệt ở những vùng có ngoại lệ (phần giữa của đồ thị), đa thức bậc cao có xu hướng di chuyển về phía ngoại lệ. Do đó, mô hình có đa thức bậc 80 có phương sai cao nhất.
Nó cũng có độ lệch thấp nhất trên dữ liệu huấn luyện, thể hiện ở giá trị R2 cao nhất, trong khi R2 của đa thức bậc thấp thấp hơn. Có nghĩa là độ lệch cao hơn nhưng phương sai thấp hơn. Đa thức bậc thấp ít nhạy cảm hơn với dữ liệu huấn luyện.

Một cách tiếp cận linh hoạt hơn mà tôi đã tìm thấy là sử dụng đa thức từng phần để dự đoán giá tiền điện tử.
Nội suy ô sử dụng đa thức bậc thấp để phù hợp với số lượng lớn điểm dữ liệu. Vì chúng tôi chỉ sử dụng đa thức bậc thấp nên chúng tôi loại bỏ các dao động quá mức và không hội tụ.
Với một tập hợp các điểm dữ liệu, phép nội suy lát cắt hoạt động bằng cách sử dụng một đa thức khác nhau trong mỗi phần của dữ liệu.
Đặc biệt, chúng tôi sử dụng các đa thức từng đoạn liên thông, còn được gọi là spline.
Một ví dụ về đường spline là hàm tuyến tính rút gọn bên dưới. Nó nằm phẳng bên trái số 4 và được gọi là nút của hàm số.

Cho một số nút thắt, chúng ta có thể kết hợp nhiều hàm cơ sở tuyến tính và khớp chúng với dữ liệu phi tuyến.

Để phát hiện giá tiền điện tử Đối với mối quan hệ chiều cao-đường cong tồn tại trong , tôi đã sử dụng hàm bậc ba rút gọn, còn được gọi là đường cong bậc ba.

Sử dụng spline bậc ba, Chúng tôi chia dữ liệu thành các khối và khớp một khối spline cho mỗi khối. Mỗi hàm spline được kết nối với hàm tiếp theo tại các nút.
Các đường trục khối là một lựa chọn rất tốt cho những thay đổi về giá tiền điện tử vì các kết nối rất trơn tru. Độ dốc của các đường trục bậc ba và đạo hàm cấp một và cấp hai của chúng trùng nhau. Spline bậc ba là một hàm đa thức bậc 3, vẫn đủ nhỏ để tránh sự biến đổi.
Đường bậc ba B-spline là một biến thể dễ dàng hơn của đường bậc ba và được sử dụng để tính toán hiệu quả vì có tới 5 hàm cơ bản tham gia đóng góp vào phép nội suy. Dưới đây chúng ta có thể thấy một B-spline khối hoạt động như thế nào đối với giá ptecoin, sau khi đặt các nút thắt ở các phần tư.

Bằng cách chọn các nút theo cách thủ công , tức là trong trường hợp chúng tôi có nhiều điểm dữ liệu, chúng tôi sẽ đạt được R2 trên tập dữ liệu thử nghiệm tốt hơn so với khi chúng tôi đặt các nút dựa trên giá trị tứ phân vị.

Ba lần gần biên giới Splines có thể hoạt động một cách kỳ lạ, như bạn có thể nhận thấy trong biểu đồ màu đỏ ở trên. Cái gọi là splines bậc ba tự nhiên buộc hàm phải tuyến tính bên ngoài các nút giới hạn bằng cách thay đổi đa thức bậc ba thành tuyến tính ở mỗi giới hạn.
Các đường trục bậc ba tự nhiên đòi hỏi phải chọn một bậc tự do. Đối với giá của ptecoin, tôi đã tìm thấy mức độ tự do tối ưu thông qua xác thực chéo: chọn lượng tử 174 nút thích hợp cho ngày làm công cụ dự đoán. Các kết quả ít khác biệt hơn ở các cạnh so với các đường B-spline, nhưng R2 kém hơn một chút đối với tập dữ liệu thử nghiệm.

Cuối cùng, tôi đã triển khai một đường trục làm mịn, Thu nhỏ sai số bình phương trung bình trong khi phạt thay đổi giá.

Đường spline làm mịn dường như be ptecoin Nội suy phân đoạn hợp lý nhất. Mô hình này đạt được giá trị R2 tốt nhất thu được cho đến nay trên tập dữ liệu thử nghiệm.

Thứ tự mô hình spline khối The Phần thú vị là cách ngoại suy ngoài dữ liệu được sử dụng để huấn luyện mô hình.
Theo Rob Jhyndman, một nhà thống kê nổi tiếng với công trình nghiên cứu về dự báo và chuỗi thời gian, mô hình spline làm trơn bậc ba có thể được sử dụng trong dự báo cũng như mô hình ARIMA Một mô hình hiệu quả nhưng không gian tham số của nó bị hạn chế. Rob tuyên bố rằng mô hình spline cung cấp một xu hướng lịch sử trơn tru cũng như chức năng dự đoán tuyến tính.
Tôi mời bạn thử nghiệm thêm ý tưởng này. Mã máy tính của tôi có thể được xem trực tuyến dưới dạng Notebook Jupyter Python/R.

Google sử dụng trong bài viết này Colab Notebook
Các loại tiền kỹ thuật số và tiền điện tử, chẳng hạn như ptecoin, là những đổi mới công nghệ phức tạp và gây tranh cãi nhất trong nền kinh tế toàn cầu hiện đại. Bài viết này nhằm mục đích dự đoán sự thay đổi giá của ptecoin bằng một phương pháp ít phổ biến hơn: khối splines.
Liên kết gốc
Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:
Nhóm Telegram đăng ký: https://t.me/theblockbeats
Nhóm Telegram thảo luận: https://t.me/BlockBeats_App
Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia