deep learning bitcoin

Quando o Bitcoin encontra a Inteligência Artificial

Explorando padrões de preços do Bitcoin com Deep Learning. Assim como o OpenAI, treinamos nossos modelos em dados brutos de pixel. Exatamente como um ser humano experiente veria as curvas e agiria.

Até agora, conseguimos:

• Baixe dados de ticks do Bitcoin
• Converter para dados de 5 minutos
• Converter para representação Open High Low Close
• Treine um AlexNet simples em 20.000 amostras: a precisão é de 70% para prever se o ativo subirá ou descerá. O treinamento é feito em NVIDIA DIGITS e com o framework Caffe.
• Quantifique quanto o preço subirá ou descerá. Porque o preço pode subir em épsilon por cento 99% das vezes e recuar 50%
• Treine com mais de 1.000.000 de amostras (pelo menos)
• Aplique redes de conversão mais complexas (pelo menos Google LeNet)
• Integre volumes de barras na imagem OHLC (Open, High, Low, Close) gerada
• Use a atenção da CNN para saber o que é importante para cada imagem. Talvez apenas uma fração da imagem importe para a previsão

Resultados em 20.000 amostras (pequeno conjunto de dados)

Treinamento em dados de preços de 5 minutos (Coinbase USD)

---

Alguns exemplos do conjunto de treinamento

---

Ilustração do conjunto de dados da 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

• Role para a direita para ver todas as colunas!
• Os volumes são exibidos em BTC.
• Os retornos são em porcentagem e são calculados sobre os preços de fechamento.

Como começar?

 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.

Se você estiver interessado em construir um enorme conjunto de dados (coinbase.csv contém cerca de 18 milhões de linhas), é preferível executar o programa em modo de 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

Se você vir este erro:

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

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

Execute com Docker

Para construir a imagem docker basta executar

 docker build -t dlb .

da pasta do repositório e execute o contêiner

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

a pasta atual será montada em /app . Para verificar a montagem correta, execute dentro do contêiner

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