姓名：王正帅
学号：14020120007
转载自：mp.weixin.qq.com/s ，有删节
【嵌牛导读】：截至 11 月 22 日，比特币的价格再创历史新高（约 1 比特币兑 8120 美元），在惊讶于虚拟货币「不可战胜」的同时，我们或许能可以从这一波热潮中学到些什么。本文中，博士毕业于伦敦大学学院（UCL）的 David Sheehan 为我们介绍了使用 Keras 基于 LSTM 预测比特币价格走势的详细方法。在测试中，这个机器学习预测法似乎有着不错的准确度。
【嵌牛鼻子】：比特币、虚拟货币、Keras、比特币价格走势
【嵌牛提问】：比特币有何神奇之处？如何用机器学习预测比特币价格走势？
【嵌牛正文】：
如果要列出 2017 年最为荒谬的三样事物，则一定是指尖陀螺、人工智能，当然，还有加密虚拟货币（cryptocurrency）。以上是玩笑话，实际上我对虚拟货币的原理印象深刻，而且非常看好这种颠覆性技术的长期前景。我试图通过深度学习、机器学习或者说人工智能（是的，所有这三个！）成功预测虚拟货币的价格。
我认为把深度学习和虚拟货币结合起来是非常独特的想法，但是在写本文时，我发现了一些类似的内容（http://www.jakob-aungiers.com/articles/a/Multidimensional-LSTM-Networks-to-Predict-Bitcoin-Price）。这篇文章只关注比特币（最有名的虚拟货币），但是我还想讨论一下以太币。
我们打算使用 LSTM 模型，一种非常适合时序数据的深度学习模型。
数据
在构建模型之前，我们需要先获取一些数据。Kaggle 上的数据集（https://www.kaggle.com/mczielinski/bitcoin-historical-data）非常详细地记录了近几年的比特币价格。在这个时间长度（数年）中，噪声可能盖住了信号，因此我们需要选择单日价格数据。问题在于我们可能没有充足的数据（我们需要数百行而不是数千行、数百万行）。在深度学习中，没有模型可以克服数据严重缺乏的问题。我同样不想使用静态文件，因为未来使用新数据更新模型时，这种做法会复杂化更新流程。于是，我们计划从网站和 API 中抓取数据。
我们将在一个模型中使用多种虚拟货币，因此从同一个数据源抓取数据或许是一个不错的主意。我们将使用 coinmarketcap.com。现在，我们只需要考虑比特币和以太币，但是使用这种方法添加最新火起来的山寨币（altcoin）就很难了。在输入数据之前，我们必须加载一些 Python 包，这样会容易一些。
为了证明数据是准确的，我们将两种虚拟币的价格和成交量按时间作图：
训练、测试和随机游走
有了数据，接下来就该建立模型了。深度学习中，通常把数据分为训练集和测试集。模型建立在训练集上，随后用未见过的测试集评估。在时间序列模型中，我们通常使用一段时期的数据训练，然后用另一段时期的数据进行测试。我把时间界限定为 2017 年 6 月 1 日（即模型将使用该日期之前的数据进行训练，用该日期之后的数据进行测试）。
结果很不错！除了一些缺陷，该模型基本上追踪到了两种货币的实际收盘价。它甚至捕捉到了六月中旬和八月下旬的以太币价格上升（和随后的下跌）。正如在其他博客中提到的，由于误差无法传递到随后的预测中，单点预测的模型通常是有误导性的。由于将真实价格馈送到模型中，无论误差有多大，都会在下一个时间点被重新设置。比特币随机游走其实特别具欺骗性，因为 y 轴的分布范围很宽，才使得预测线看起来很平滑。
长短期记忆（LSTM）
如果读者对 LSTM 的理论比较感兴趣，可以查看上文机器之心发过的教程与解释。在本文中，我们并不需要从头构建一个 LSTM 网络，我们甚至都不需要理解它就能通过如 Keras 或 PyTorch 那样的深度学习框架完成实现。本文选择的是 Keras 框架，因为它只需要很少的理论知识，并且是目前最直观的深度学习框架。
只是为了打败随机游走模型的话也太 low 了。对比 LSTM 模型和更合适的时序模型（加权平均值，ARIMA 或 Facebook 的 Prophet）岂不是更加有趣！另外，我确定很难再提升我们的 LSTM 模型了（添加更多层和／或神经元，改变批量大小、学习率等）。可能虚拟货币价格变化没有规律吧，可能没有一个模型可以把信号和噪声分离开（类似于使用深度学习预测地震的优点）。以后的文章中可能会讨论这些话题。
我确定他们最终最终会找到深度学习的使用案例的。同时，你可以下载完整的 Python 代码构建自己的模型。
