deep learning bitcoin

Когда Биткойн встречается с искусственным интеллектом

Использование моделей цен на биткойны с помощью глубокого обучения. Как и OpenAI, мы обучаем наши модели на необработанных пиксельных данных. Именно так опытный человек увидит кривые и предпримет действия.

На данный момент мы достигли:

• Загрузите данные биткойн-тика
• Конвертировать в 5-минутные данные
• Преобразование в представление Открыть Высокий Низкий Закрыть
• Обучите простой AlexNet на 20 000 выборках: точность прогнозирования того, пойдет ли актив ВВЕРХ или ВНИЗ, составляет 70%. Обучение проводится на NVIDIA DIGITS и с использованием платформы Caffe.
• Определите, насколько цена поднимется ВВЕРХ или ВНИЗ. Потому что цена может подняться на эпсилон-процент в 99% случаев и откатиться назад на 50%.
• Тренируйтесь на более чем 1 000 000 сэмплах (минимум)
• Примените более сложные сети конверсий (по крайней мере, Google LeNet).
• Интегрируйте объемы баров на сгенерированном изображении OHLC (Open, High, Low, Close).
• Используйте внимание CNN, чтобы узнать, что важно для какого изображения. Возможно, для предсказания важна только часть изображения

Результаты по 20 000 образцов (небольшой набор данных)

Обучение на 5-минутных ценовых данных (Coinbase USD)

---

Несколько примеров обучающего набора

---

Иллюстрация набора данных 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

• Прокрутите вправо, чтобы увидеть все столбцы!
• Объемы отображаются в BTC.
• Доходность выражается в процентах и ​​рассчитывается по ценам закрытия.

Как начать?

 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.

Если вы заинтересованы в создании огромного набора данных (coinbase.csv содержит около 18 миллионов строк), предпочтительно запускать программу в фоновом режиме:

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

Если вы когда-нибудь увидите эту ошибку:

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

Пожалуйста, обратитесь к этому решению: https://stackoverflow.com/questions/37604289/tkinter-tclerror-no-display-name-and-no-display-environment-variable

Запускайте с помощью Докера

Чтобы создать образ докера, просто выполните

 docker build -t dlb .

из папки репозитория, а затем запустите контейнер

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

текущая папка будет смонтирована в /app . Чтобы проверить правильность монтирования, выполните внутри контейнера

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