Исследование: может ли нейросеть предсказывать курс криптовалюты на рынке?

Что вы знаете о работе над нейронными сетями? А о том, как с их помощью можно предугадывать курс криптовалют? В этой статье постараемся выяснить, как эти технические новшества могут дополнять друг друга.

Об обоих по отдельности

Если вам кажется, что нейросеть – это выращиваемые нейроны в лабораториях, то вы почти правы. На самом деле происходит сложный процесс машинного обучения искусственных “нейронов”. Он базируется на универсальных алгоритмах, которые могут проанализировать данные без какого-либо специального написанного кода. Вместо того, чтобы писать соответствующий  код, вы просто вводите данные в алгоритм, и на их основе нейросеть выстраивает свою собственную логику.

Более понятную информацию по этому поводу можно найти в других источниках, а пока разберёмся в понятии криптовалюты. В первую очередь – это цифровой актив, средство обмена, использующее криптографические методы для защиты финансовых транзакций. С их помощью контролируется создание новых денежных единиц и проверка передач активов.

Существует 2 типа алгоритмов онлайн-торговли. Они характеризуются различными скоростями, показателями оборота, инструментами электронного рынка. Хотя не существует единого определения высокочастотной (High-frequency, HFT) и низкочастотной (Low-frequency, LFT), торговли принято различать по скорости соединения. Моргание человеческого глаза длится от 300 до 400 миллисекунд. За это время при HFT проходит около 400 заказов, поскольку обмен данных настроен только с одним сервером. Но для криптовалют централизованная система не подходит, так как требует новейшего и быстрого обеспечения, которое доступно не всем. LFT не требует особого оборудования, не привязывается к одному серверу, потому она и стала основой крипто-рынка. Процесс управляется децентрализованно и хаотично, в чём и состоит его главное преимущество.

Но так ли он непредсказуем? Может, как и любой рынок, его можно проанализировать с помощью нейросети и теоретически найти закономерность в изменениях курса того же биткойна?

Возьмём во внимание то, что люди уже пытались применить тип машинного обучения “Long Short Time Memory (LSTM)” для этой цели.

LSTM

«Долгосрочная Короткая Память» – это модель, которая обрабатывает старые данные, чтобы дать прогноз на будущее. Давайте проиллюстрируем это на примере.

Если я спрошу у вас следующую цифру после «6», естественно вы назовёте «7». Но почему бы не назвать «8», если считать «N+2»? Если я спрошу следующее число после «3, 6, …», вы скорее всего ответите «9» или «12», потому что связь между 3 и 6 может быть «N+3» или «N*2». Затем я скажу назвать следующее число после «0,3,6», и вы точно увидите закономерность «N+3». Так в мозгу реализуется серия простых проверок и вычислений. Вы использовали известные значения, чтобы предсказать следующие. Тем не менее, вам понадобилось определённое количество цифр в примерном диапазоне, чтобы предсказать правильный результат или, по крайней мере, наиболее вероятный. Мы способны делать это для большого разнообразия «данных». Например, наблюдая мяч, подброшенный в воздух, легко предсказать, где он упадет, потому что мозг анализирует его положение. У LSTM принцип действия немного сложнее, но основы те же: достаточно загрузить «хронологический ряд», чтобы нейронная сеть нашла следующее вероятное значение в нём.

Данные

Исследователи использовали программное обеспечение для получения данных от «Bittrex» и внесли их в таблицу.

В финансовой среде такой формат называется «тикер» – это все рыночные переменные в момент времени t. В нашем случае рассматриваемый рынок криптовалюты – это пара активов, таких как BTC и NEO. Если сравнить с обычными деньгами по ценности, они аналогичны евро и доллару США.

Для начала учёные максимально сократили количество столбцов, отмели малозначимые факторы, чьё значение почти всегда одинаково. Затем провелась маркировка, чтобы нейросеть понимала свою задачу. Ей могли предоставить спрогнозировать курс или обесценивание валюты, сымитировать прогноз профессионального трейдера, установить максимальные и минимальные возможные значения в ближайшее время. Исследователи выбрали последнее.

Для прогнозирования LSTM было предоставлено три действия:

– купля (зеленая точка)

– продажа (красная точка)

– ожидание (синяя линия)

Например, вы хотите купить криптовалюту на этапе нижней зелёной точки, потому что знаете, что после этого минимума цена вырастет до красной точки, и валюту можно будет выгодно продать.

Анализируя этот график, нейросеть составляет ряд числовых значений и ищет закономерность. Но поскольку «ждать» наблюдается гораздо больше, чем «купить» или «продать», возникает дисбаланс. Нейросеть можно обучить только при равномерном распределении разных типов данных, что и попытались сделать исследователи. Настроив гиперпараметры, в результате долгих тренировок они смогли достигнуть точности в 80%, сравнивая работу LSTM и текущую ситуацию на рынке криптовалют. Но подправлять, ориентируясь на настоящее время, и безошибочно предсказывать – разные вещи.

Результат

Для получения конечного результата создатели LSTM использовали немеченый новый алгоритм, чтобы обученная сеть проанализировала его и продлила. Единственным отличием от процесса обучения стал только размер данных – нейросети пришлось «додумывать» их самой. Подождав реальную информацию и сверившись, исследователи пришли к выводу что LSTM действительно понимает тенденции рынка и может предсказывать приблизительный курс.

Если бы все умели пользоваться нейросетями, то обогатиться было бы проще простого. Но следует учитывать, что LSTM работает только для площадки, на которой проходило её обучение, и к тому же ей необходимы постоянные поправки и мощности для работы.

Проведённое исследование в очередной раз доказало, что обучаемым машинам можно найти применение абсолютно в любой сфере. За нейротехнологиями будущее.