Что я узнал, пытаясь предсказать цену криптовалюты

Несколько дней назад я представил вебинар о прогнозировании цен на криптовалюты. На вебинаре были обобщены некоторые уроки, которые мы извлекли при построении моделей прогнозирования для криптоактивов. в платформе IntoTheBlock, У нас есть много интересных ИС и исследований в этой области, но я хотел бы обобщить некоторые ключевые идеи, которые могут оказаться полезными, если вы заинтригованы идеей прогнозирования цены крипто-активов.

Вот несколько интересных идей:

1] Прогнозирование цены криптовалюты — это решаемая проблема, но не с помощью единого подхода и определенно не для всех рыночных условий.

Как великий британский статистик Джордж Е. П. Бокс однажды сказал: «по сути, все модели ошибочны, но некоторые полезны». Это особенно верно, когда речь идет о сложных субъектах, таких как финансовые рынки. В случае криптоактивов, безусловно, можно прогнозировать движение цен в криптовалютах, но ни одна модель не будет эффективной во всех рыночных условиях. Всегда предполагайте, что, в конце концов, ваши модели потерпят неудачу и ищите альтернативу.

2] Есть два основных способа думать о прогнозе: на основе активов или факторов.

Если вы думаете о прогнозировании цены Биткойна, то вы следуете стратегии, основанной на активах. В качестве альтернативы, стратегии, основанные на факторах, фокусировались на прогнозировании конкретных характеристик, таких как стоимость или импульс, для пула активов.

3] Существует три основных технических подхода к прогнозированию криптоактивов.

Большинство прогнозирующих моделей для рынков капитала в целом и, в частности, криптоактивов можно сгруппировать в следующие категории: прогнозирование временных рядов, традиционное машинное обучение и методы глубокого обучения. Методы прогнозирования временных рядов, такие как ARIMA или Prophet, фокусируются на прогнозировании конкретной переменной на основе известных атрибутов временных рядов. Методы машинного обучения, такие как линейная регрессия или деревья решений, были в центре прогнозных моделей на рынках капитала в течение последнего десятилетия. Наконец, новая школа глубокого обучения предлагает методы глубокой нейронной сети для выявления нелинейных отношений между переменными, которые могут привести к прогнозированию цен.

4] Методы прогнозирования временных рядов просты в реализации, но не очень устойчивы.

В ходе наших экспериментов мы тестировали различные методы временных рядов, такие как ARIMA, DeepAR + или Пророк Facebook. Результаты привели нас к убеждению, что методы такого типа не были разработаны для сложных сред, таких как рынки капитала. Их невероятно легко реализовать, но они продемонстрировали очень низкую устойчивость к рыночным изменениям, которые часто встречаются в криптографии. Кроме того, одно из самых больших ограничений методов временных рядов состоит в том, что они полагаются на небольшое и фиксированное количество предикторов, которых оказалось недостаточно для описания поведения криптоактивов.

5] Традиционные модели машинного обучения показали слабые возможности обобщения

Такие методы, как линейная регрессия и деревья решений, находились на переднем крае и в центре количественных исследований на рынках капитала. С этой точки зрения, существует множество исследований, которые могут быть применены к криптовалюте. Однако, учитывая необычное поведение криптовалют, мы обнаружили, что большинство традиционных моделей машинного обучения имеют проблемы с обобщением знаний и очень быстро подходят для них.

6] Модели глубокого обучения трудно интерпретировать, но они могут хорошо работать в сложных рыночных условиях.

Глубокие нейронные сети не совсем новые, но их широкое распространение стало возможным только в последние несколько лет. В этом смысле практические реализации этих моделей относительно зарождаются. В случае криптовалют, мы обнаружили, что модели глубокого обучения могут достигать достойного уровня производительности, когда дело доходит до прогнозов. Тем не менее, практически невозможно интерпретировать, что эти модели делают внутри, учитывая их сложность, и их, безусловно, сложно реализовать.

7] Есть некоторые очень интересные проблемы, которых нет на рынках капитала.

Прогнозирующие модели для криптоактивов сталкиваются со многими проблемами, которых нет на традиционных рынках капитала. От поддельных объемов, массовой торговли до низкого качества многих API-интерфейсов и наборов данных — существует много инфраструктурных работ, которые должны сопровождать любые предсказательные действия в криптографическом пространстве. Кроме того, многие из моделей, включенных в исследовательские работы, на самом деле не были протестированы на реальных мировых рынках и, конечно, не в криптографии.

8] Много проблем, но и захватывающих возможностей.

Я надеюсь, что эти заметки дают некоторые перспективы о практических проблемах и возможностях прогнозных моделей для криптоактивов. Мы продолжим публиковать наши исследования и результаты в этой области и хотели бы получить ваши отзывы.



Источник: Что я узнал, пытаясь предсказать цену криптовалюты


Похожие материалы по теме: Что я узнал, пытаясь предсказать цену криптовалюты

Leave a comment