deep learning bitcoin

Quand Bitcoin rencontre l’Intelligence Artificielle

Exploiter les modèles de prix du Bitcoin avec le Deep Learning. Comme OpenAI, nous entraînons nos modèles sur des données brutes de pixels. Exactement comment un humain expérimenté verrait les courbes et agirait.

Jusqu'à présent, nous avons réalisé :

• Télécharger les données des ticks Bitcoin
• Convertir en données de 5 minutes
• Convertir en représentation Ouvrir High Low Close
• Entraînez un simple AlexNet sur 20 000 échantillons : la précision est de 70 % pour prédire si l'actif va monter ou descendre. La formation se fait sur NVIDIA DIGITS et avec le framework Caffe.
• Quantifiez de combien le prix augmentera ou diminuera. Parce que le prix peut augmenter d'epsilon pour cent 99 % du temps et reculer de 50 %
• Entraînez-vous sur plus de 1 000 000 d’échantillons (au moins)
• Appliquer des Conv Nets plus complexes (au moins Google LeNet)
• Intégrer les volumes de barres sur l'image OHLC (Open, High, Low, Close) générée
• Utilisez l'attention de CNN pour savoir ce qui est important pour quelle image. Peut-être que seule une fraction de l'image compte pour la prédiction

Résultats sur 20 000 échantillons (petit ensemble de données)

Formation sur les données de prix de 5 minutes (Coinbase USD)

---

Quelques exemples de l'ensemble de formation

---

Illustration de l'ensemble de données 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

• Faites défiler vers la droite pour voir toutes les colonnes !
• Les volumes sont affichés en BTC.
• Les rendements sont en pourcentage et sont calculés sur les prix de clôture.

Comment commencer ?

 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 vous souhaitez créer un énorme ensemble de données (coinbase.csv contient environ 18 millions de lignes), il est préférable d'exécuter le programme en mode arrière-plan :

 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 jamais vous voyez cette erreur :

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

Veuillez vous référer à cette solution : https://stackoverflow.com/questions/37604289/tkinter-tclerror-no-display-name-and-no-display-environment-variable

Exécuter avec Docker

Pour créer l'image Docker, exécutez simplement

 docker build -t dlb .

à partir du dossier du référentiel, puis exécutez le conteneur

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

le dossier actuel sera monté dans /app . Pour vérifier le montage correct, exécutez à l'intérieur du conteneur

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