Исследователь данных из престижного Индийского технологического института Vellore обрисовал метод прогнозирования цен на криптовалюту в режиме реального времени с использованием нейронной сети с кратковременной памятью (LSTM).
В своем блоге, опубликованном 2 декабря, исследователь Абинхав Сагар продемонстрировал четырехэтапный процесс использования технологии машинного обучения для прогнозирования цен в предполагаемом секторе, который «относительно непредсказуем» по сравнению с традиционными рынками.
Машинное обучение для прогнозирования цен на криптовалюту было «ограничено»
Сагар предвосхитил свою демонстрацию, отметив, что, хотя машинное обучение достигло некоторого успеха в прогнозировании цен на фондовом рынке, его применение в области криптовалют было ограничено.В подтверждение этого утверждения он утверждал, что цены на криптовалюту колеблются в соответствии с быстрым развитием технологий, а также экономическими факторами, факторами безопасности и политическими факторами.
Предложенный Сагаром четырехэтапный метод включает в себя: 1) сбор данных о криптовалюте в реальном времени;2) подготовка данных для обучения нейронной сети;3) тестирование прогноза с использованием нейронной сети LSTM;4) визуализация результатов прогноза.
Как отметил разработчик программного обеспечения Адити Миттал, LSTM является аббревиатурой от «Long Short-Term Memory» – типа нейронной сети, которая предназначена для классификации, обработки и прогнозирования временных рядов с учетом временных задержек неизвестной длительности.
Для обучения своей сети Сагар использовал набор данных от CryptoCompare, используя такие функции, как цена, объем и открытие, высокие и низкие значения.
Он предоставляет ссылку на код для всего проекта на GitHub и описывает функции, которые он использовал для нормализации значений данных при подготовке к машинному обучению.
Прежде чем составить график и визуализировать результаты сетевых прогнозов, Сагар отмечает, что в качестве показателя оценки он использовал «Среднее абсолютное отклонение», который, как он отмечает, измеряет среднюю величину ошибок в наборе прогнозов без учета их направления.
Визуализация Сагаром его предсказаний криптовалюты в реальном времени с использованием нейронной сети LSTM.Источник: vs.datascience.com
С рынков в космос
Помимо рыночных прогнозов, сближение новых децентрализованных технологий, таких как блокчейн, с машинным обучением приобретает все большую популярность.
Как сообщалось осенью этого года, НАСА недавно опубликовало список на роль ученого в области данных, выделив криптовалюту и опыт работы с блокчейном как «плюс».
Агентство, основной функцией которого является строительство и эксплуатация планетарных роботизированных космических аппаратов и выполнение миссий на околоземной орбите, дополнительно требовало квалификации в одной или нескольких смежных областях, включая машинное обучение, большие данные, Интернет вещей, аналитику, статистику и облачные вычисления.
