Прогнозирование цены на криптовалюту с помощью услуг прогнозирования ITB

Текущий выпуск включает прогнозы цен на биткойны, биткойн наличными, эфириум и лайткойн.

Сегодня рано утром пользователи платформы IntoTheBlock (ITB) откроют для себя совершенно новый раздел, посвященный прогнозам цен. Эти функции являются частью бета-версии сервиса ITB Price Predictions Service, который использует модели глубокого обучения для прогнозирования краткосрочных движений криптоактивов. В этом посте я хотел бы уделить несколько минут тому, чтобы познакомить вас с пользовательским интерфейсом и прояснить некоторые ключевые моменты, касающиеся наших тезисов, связанных с этим выпуском.

Что такое услуги прогнозирования ITB?

ITB Prediction Services - это платформа, которая использует модели глубокого обучения для обнаружения закономерностей и прогнозирования направленных движений криптоактивов. Платформа была разработана для поддержки всевозможных прогнозных экспериментов, многие из которых очень специфичны для конкретного криптоактива. Например, вы можете найти модели в ITB Prediction Services, основанные на наборах данных книги заказов, которые могут быть применимы к различным криптоактивам, в то время как другие модели могут быть невероятно адаптированы к конкретному криптопротоколу.

ITB Predictions Services основывается на больших наборах данных, агрегированных основной платформой ITB за 11 месяцев работы. Сегодня ITB включает более 15 ТБ данных, связанных с криптоактивами, и каждый день включает новые данные. Большинство данных можно отнести к одной из следующих групп:

· Наборы данных цепочки блоков: транзакции, блоки, адреса и т. Д.

· Наборы данных книги спотовых заказов: сделки, заказы и т. Д.

· Производные наборы данных: фьючерсные контракты, бессрочные свопы, сделки и т. Д.

· Альтернативные наборы данных: Twitter, Telegram, поиск в Google, GitHub и т. Д.

Вы можете разделить на ITB Predictive Services три основных блока. Первый блок включает тщательно подобранную группу наборов данных, используемых для обучения различных прогнозных моделей. Второй блок будет основан на серии моделей глубокого обучения, которые реализуют различные тезисы прогнозирования, а третий блок - это уровень доставки, который включает API и веб-интерфейсы, используемые для использования прогнозов.

Эта модель архитектуры позволяет ITB экспериментировать со всеми видами различных моделей, чтобы выявить прогнозные тенденции в отношении криптоактивов.

Почему акцент делается на глубоком обучении?

Глубокое обучение - один из тех терминов, которые довольно часто используются без особого смысла, поэтому я хотел бы уделить минуту, чтобы прояснить акцент ITB на моделях глубокого обучения. В общем, глубокое обучение относится к типу архитектуры машинного интеллекта, основанной на глубоких нейронных сетях. Из всех школ искусственного интеллекта (ИИ) глубокое обучение было вдохновлено человеческим мозгом. Глубокие нейронные сети - это многоуровневые структуры, которые соединяют миллионы нейронов, которые работают вместе для достижения интеллектуальной задачи (например, прогнозирования цены биткойнов). Хотя глубокие нейронные сети существуют с 1970-х годов, они стали мейнстримом лишь недавно, что вызвало бурный рост исследований и технологий в области глубокого обучения.

В количественных финансах появляются теории, которые считают, что глубокие нейронные сети могут быть более эффективными в раскрытии альфа-возможностей, чем традиционные машинное обучение или статистические модели. По нашему опыту, использование глубокого обучения для прогнозирования цен на криптоактивы дает ощутимые преимущества.

· Сложные нелинейные отношения. Глубинные нейронные сети могут моделировать очень сложные нелинейные отношения между различными предикторами.

· Устойчивость: благодаря постоянному обучению модели глубокого обучения доказали свою устойчивость к постоянным колебаниям на рынке криптовалют.

· Большая исследовательская группа: Глубокое обучение в области количественных финансов растет быстрее, чем любая другая дисциплина, предлагая множество исследовательских идей, которые можно адаптировать к криптопространству.

В то же время есть несколько потенциальных недостатков применения моделей глубокого обучения для прогнозов цен на криптоактивы:

· Интерпретируемость. Глубинные нейронные сети сложны и поэтому очень трудно интерпретировать.

· Создание и поддержка моделей глубокого обучения требует больших затрат вычислительных ресурсов.