deep learning bitcoin

Cuando Bitcoin se encuentra con la inteligencia artificial

Explotando los patrones de precios de Bitcoin con Deep Learning. Al igual que OpenAI, entrenamos nuestros modelos con datos de píxeles sin procesar. Exactamente cómo un humano experimentado vería las curvas y tomaría una acción.

Hasta ahora hemos logrado:

• Descargar datos de ticks de Bitcoin
• Convertir a datos de 5 minutos
• Convertir a representación Abierta Alta Baja Cerrada
• Entrene un AlexNet simple con 20 000 muestras: la precisión es del 70 % para predecir si el activo subirá o bajará. La formación se realiza en NVIDIA DIGITS y con el framework Caffe.
• Cuantifique cuánto subirá o bajará el precio. Porque el precio puede subir un porcentaje épsilon el 99% de las veces y retroceder un 50%.
• Entrene con más de 1.000.000 de muestras (al menos)
• Aplicar Conv Nets más complejas (al menos Google LeNet)
• Integre volúmenes de barras en la imagen OHLC (Abrir, Alto, Bajo, Cerrar) generada
• Utilice la atención de CNN para saber qué es importante para cada imagen. Quizás sólo una fracción de la imagen importe para la predicción.

Resultados de 20.000 muestras (pequeño conjunto de datos)

Entrenamiento sobre datos de precios de 5 minutos (Coinbase USD)

---

Algunos ejemplos del conjunto de entrenamiento.

---

Ilustración del conjunto de datos de 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

• ¡Desplácese hacia la derecha para ver todas las columnas!
• Los volúmenes se muestran en BTC.
• Los rendimientos son en porcentaje y se calculan sobre los precios de cierre.

¿Cómo empezar?

 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.

Si está interesado en crear un conjunto de datos enorme (coinbase.csv contiene alrededor de 18 millones de filas), es preferible ejecutar el programa en segundo plano:

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

Si alguna vez ves este error:

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

Consulte esta solución: https://stackoverflow.com/questions/37604289/tkinter-tclerror-no-display-name-and-no-display-environment-variable

Ejecutar con Docker

Para construir la imagen de la ventana acoplable simplemente ejecute

 docker build -t dlb .

desde la carpeta del repositorio y luego ejecute el contenedor

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

la carpeta actual se montará en /app . Para verificar el montaje correcto ejecute dentro del contenedor

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