deep learning bitcoin

Wenn Bitcoin auf künstliche Intelligenz trifft

Ausnutzung von Bitcoin-Preismustern mit Deep Learning. Wie OpenAI trainieren wir unsere Modelle anhand von Rohpixeldaten. Genau so würde ein erfahrener Mensch die Kurven sehen und Maßnahmen ergreifen.

Bisher haben wir Folgendes erreicht:

• Laden Sie Bitcoin-Tick-Daten herunter
• Konvertieren Sie in 5-Minuten-Daten
• Konvertieren Sie in die Darstellung „Open High Low Close“.
• Trainieren Sie ein einfaches AlexNet anhand von 20.000 Beispielen: Die Genauigkeit bei der Vorhersage, ob das Asset nach oben oder unten geht, beträgt 70 %. Die Schulung erfolgt auf NVIDIA DIGITS und mit dem Caffe-Framework.
• Quantifizieren Sie, um wie viel der Preis steigen oder sinken wird. Weil der Preis in 99 % der Fälle um Epsilon-Prozent steigen und um 50 % sinken kann.
• Trainieren Sie mit mehr als 1.000.000 Proben (mindestens)
• Komplexere Conv-Netze anwenden (zumindest Google LeNet)
• Integrieren Sie Balkenvolumina in das generierte OHLC-Bild (Open, High, Low, Close).
• Nutzen Sie die CNN-Aufmerksamkeit, um zu wissen, was für welches Bild wichtig ist. Möglicherweise ist nur ein Bruchteil des Bildes für die Vorhersage von Bedeutung

Ergebnisse zu 20.000 Proben (kleiner Datensatz)

Schulung zu 5-Minuten-Preisdaten (Coinbase USD)

---

Einige Beispiele des Trainingssets

---

Abbildung des Datensatzes von CoinbaseUSD

                     price_open  price_high  price_low  price_close      volume  close_price_returns close_price_returns_bins  close_price_returns_labels
DateTime_UTC                                                                                                                                             
2017-05-29 11:55:00     2158.86     2160.06    2155.78      2156.00   21.034283             0.000000          (-0.334, 0.015]                           5
2017-05-29 12:00:00     2155.98     2170.88    2155.79      2158.53   47.772555             0.117347           (0.015, 0.364]                           6
2017-05-29 12:05:00     2158.49     2158.79    2141.12      2141.92  122.332090            -0.769505        (-1.0322, -0.683]                           3
2017-05-29 12:10:00     2141.87     2165.90    2141.86      2162.44   87.253402             0.958019          (0.713, 1.0623]                           8

• Scrollen Sie nach rechts, um alle Spalten zu sehen!
• Volumina werden in BTC angezeigt.
• Die Renditen sind in Prozent angegeben und werden anhand der Schlusskurse berechnet.

Wie fange ich an?

 git clone https://github.com/philipperemy/deep-learning-bitcoin.git
cd deep-learning-bitcoin
./data_download.sh # will download it to /tmp/
python3 data_generator.py /tmp/btc-trading-patterns/ /tmp/coinbaseUSD.csv 1 # 1 means we want to use quantiles on returns. 0 would mean we are interested if the bitcoin goes UP or DOWN only.

Wenn Sie daran interessiert sind, einen großen Datensatz zu erstellen (coinbase.csv enthält etwa 18 Millionen Zeilen), ist es vorzuziehen, das Programm im Hintergrundmodus auszuführen:

 nohup python3 -u data_generator.py /tmp/btc-trading-patterns/ /tmp/coinbaseUSD.csv 1 > /tmp/btc.out 2>&1 &
tail -f /tmp/btc.out

Wenn dieser Fehler jemals angezeigt wird:

 _tkinter.TclError: no display name and no $DISPLAY environment variable

Bitte beziehen Sie sich auf diese Lösung: https://stackoverflow.com/questions/37604289/tkinter-tclerror-no-display-name-and-no-display-environment-variable

Mit Docker ausführen

Um das Docker-Image zu erstellen, führen Sie es einfach aus

 docker build -t dlb .

aus dem Repository-Ordner und führen Sie dann den Container aus

 docker run -it --name dlb -v $PWD:/app dlb /bin/bash

Der aktuelle Ordner wird in /app gemountet. Um den korrekten Mount zu überprüfen, führen Sie ihn im Container aus

 root@c11ef702a6d6:/app# mount| grep app
/dev/sda2 on /app type ext4 (rw,relatime,errors=remount-ro,data=ordered)