資訊專欄INFORMATION COLUMN
摘要：對(duì)于以比特幣為首的數(shù)字貨幣近期的表現(xiàn)，只能用瘋狂來形容。比特幣的成交記錄就是事件序列上的加個(gè)數(shù)據(jù)，可以基于過去的成交記錄序列來對(duì)未來的價(jià)格作出預(yù)測(cè)，和的模型比較合適。最后采用了，用爬取，它包含比特幣的個(gè)交易記錄。
簡(jiǎn)介
TensorFlow-Bitcoin-Robot:一個(gè)基于 TensorFlow LSTM 模型的 Bitcoin 價(jià)格預(yù)測(cè)機(jī)器人。
文章包括一下幾個(gè)部分：
1.為什么要嘗試做這個(gè)項(xiàng)目？
2.為什么選取了這個(gè)模型？
3.模型的數(shù)據(jù)從哪里來？
4.模型的優(yōu)化過程？
5.項(xiàng)目可以進(jìn)一步提升的方向。
對(duì)于以比特幣為首的數(shù)字貨幣近期的表現(xiàn)，只能用瘋狂來形容。來自比特幣交易平臺(tái)的最新價(jià)格行情顯示，就在此前一天，比特幣盤中最高價(jià)格達(dá)到29838.5元，距離3萬元大關(guān)僅有咫尺之遙。比特幣最近火熱的行情，吸引了眾多的關(guān)注，還有一個(gè)人工智能似乎無所不能，那么問題來了，能否用人工智能來進(jìn)行比特幣交易呢？
使用什么模型來進(jìn)行價(jià)格預(yù)測(cè)？現(xiàn)在熱門的 深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)更適合處理圖片，循環(huán)神經(jīng)網(wǎng)絡(luò)比較適合處理序列化內(nèi)容，尤其是 LSTM 是 RNN 的升級(jí)版。
LSTM（Long Short-Term Memory）是長(zhǎng)短期記憶網(wǎng)絡(luò)，是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件。LSTM 已經(jīng)在科技領(lǐng)域有了多種應(yīng)用?；?LSTM 的系統(tǒng)可以學(xué)習(xí)翻譯語言、控制機(jī)器人、圖像分析、文檔摘要、語音識(shí)別圖像識(shí)別、手寫識(shí)別、控制聊天機(jī)器人、預(yù)測(cè)疾病、點(diǎn)擊率和股票、合成音樂等等任務(wù)。比特幣的成交記錄就是事件序列上的加個(gè)數(shù)據(jù)，可以基于過去的成交記錄序列來對(duì)未來的價(jià)格作出預(yù)測(cè)，和 LSTM 的模型比較合適。接下來的價(jià)格可以作為預(yù)測(cè)結(jié)果。
數(shù)據(jù)集新的問題來了，數(shù)據(jù)從哪里來？
需要的數(shù)據(jù)是一個(gè)包含成交價(jià)格的序列，然后可以截取一部分作為輸入值，接下來的一部分作為預(yù)測(cè)值。后來找了一下，主流的交易平臺(tái)都提供了部分歷史數(shù)據(jù)，但都不是很多。最后采用了 btctrade ，用 requests 爬取，它包含比特幣的 50 個(gè)交易記錄。
獲取數(shù)據(jù)集的腳本
get_trades.py 會(huì)獲取這些交易記錄，重新轉(zhuǎn)化為 json ,并且用圖片的方式展示出來,供下一步數(shù)據(jù)分析使用。
運(yùn)行前需要安裝的依賴：
為了爬取數(shù)據(jù)，需要使用 requests 庫(kù)，一個(gè)非常好用的 HTTP 庫(kù)。為了把交易的數(shù)據(jù)可視化，使用了 matplotlib。
pip install requests pip install matplotlib模型
rnn_predicter.py
使用 LSMT 模型。截取 10個(gè)交易記錄作為輸入，如果 第 11個(gè)價(jià)格比第10個(gè)高，就把輸出設(shè)置為 [1,0,0]，如果低就設(shè)置為 [0,0,1] ，如果相同 [0,1,0]。
for i in range(0,20):
#print(price)
one_predictor=np.array(price[i:i+20],dtype=float)
#print(one_predictor)
train_x.append(one_predictor)
if(int(price[i+20])>int(price[i+21])):
train_y.append(np.array([1,0,0]))
elif (int(price[i + 20]) == int(price[i + 21])):
train_y.append(np.array([0,1,0]))
elif(int(price[i+20])
下一步定義模型：
tensorflow lstm 模型，需要把 tensor 拆分成序列，然后傳入模型。否則回報(bào)錯(cuò)，也就是代碼中的 x = tf.unstack(x, n_steps, 1) 。
def RNN(x, weights, biases):
#首先把數(shù)據(jù)拆分為 n 個(gè)序列，每一個(gè)的維度 (batch_size, n_input)
x = tf.unstack(x, n_steps, 1)
# 定一個(gè) lstm cell
lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
# 獲得 lstm 的輸出
outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)
# 加個(gè)線性激活
return tf.matmul(outputs[-1], weights["out"]) + biases["out"]
獲得結(jié)果，定義損失函數(shù)和優(yōu)化函數(shù)
如何優(yōu)化模型？
預(yù)測(cè)值獲取之后，對(duì)比實(shí)際的價(jià)格，會(huì)有一個(gè)損失函數(shù)。損失函數(shù)使用 softmax_cross_entropy_with_logits 來計(jì)算預(yù)測(cè)值和標(biāo)記值的差，然后用 AdamOptimizer 來優(yōu)化損失函數(shù)優(yōu)化模型。
pred = RNN(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
項(xiàng)目開源地址和訓(xùn)練結(jié)果
https://github.com/TensorFlow...
訓(xùn)練設(shè)備：
GeForce GTX 980 Ti
訓(xùn)練結(jié)果：
Iter 998000, Minibatch Loss= 0.730588, Training Accuracy= 0.75000 Optimization Finished!
后續(xù)更新發(fā)布
http://www.tensorflownews.com/
更新計(jì)劃
因?yàn)榻灰灼脚_(tái)提供的歷史交易記錄非常少，所以為了進(jìn)一步提高訓(xùn)練效果，后續(xù)要持續(xù)的自己保存歷史交易數(shù)據(jù)或者是找到更好的數(shù)據(jù)來源。還有一個(gè)方面是，模型訓(xùn)練完了之后，保存下來，后續(xù)可以直接使用。還有針對(duì)模型本身還可以做一定的優(yōu)化，現(xiàn)在只是預(yù)測(cè)，漲，跌，維持，后續(xù)可以進(jìn)行更加精細(xì)的評(píng)分，按照歷史數(shù)據(jù)進(jìn)行回測(cè)等等。
模型持久化，訓(xùn)練數(shù)據(jù)集持久化，測(cè)試數(shù)據(jù)集。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/40734.html
摘要：簡(jiǎn)介一個(gè)比特幣交易機(jī)器人基于模型，僅供娛樂。數(shù)據(jù)集數(shù)據(jù)來自，用爬取，它包含比特幣的個(gè)交易記錄。會(huì)獲取這些交易記錄并且用圖片的方式展示出來。訓(xùn)練結(jié)果之前的項(xiàng)目推薦后續(xù)更新發(fā)布更新計(jì)劃模型持久化，訓(xùn)練數(shù)據(jù)集持久化。 簡(jiǎn)介 一個(gè)比特幣交易機(jī)器人基于 Tensorflow LSTM 模型，僅供娛樂。A Bitcoin trade robot based on Tensorflow LSTM m...
Introduction [Under developing,it is not working well yet.But you can just train,and run it.]ChatGirl is an AI ChatBot based on TensorFlow Seq2Seq Model. TensorFlowNews TensorFlow CNN Model Project:h...
摘要：和分別是樣本輸入和輸出二進(jìn)制值第位，對(duì)于每個(gè)樣本有兩個(gè)值，分別是和對(duì)應(yīng)第位。最簡(jiǎn)單實(shí)現(xiàn)，沒有考慮偏置變量，只有兩個(gè)神經(jīng)元。存儲(chǔ)神經(jīng)元狀態(tài)，包括，是內(nèi)部狀態(tài)矩陣記憶，是隱藏層神經(jīng)元輸出矩陣。表示當(dāng)前時(shí)序表示時(shí)序記憶單元。下載甄環(huán)傳小說原文。 真正掌握一種算法，最實(shí)際的方法，完全手寫出來。 LSTM（Long Short Tem Memory）特殊遞歸神經(jīng)網(wǎng)絡(luò)，神經(jīng)元保存歷史記憶，解決自然...
摘要：令人驚訝的是，創(chuàng)作出了一個(gè)有一定含義的故事。再次聲明，本文中的示例只為了簡(jiǎn)化討論。這是由于精度依賴于初始參數(shù)的隨機(jī)設(shè)定。訓(xùn)練次數(shù)越多超過次精度也會(huì)相應(yīng)提高。 在深度學(xué)習(xí)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一系列善于從序列數(shù)據(jù)中學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。由于對(duì)長(zhǎng)期依賴問題的魯棒性，長(zhǎng)短期記憶（LSTM）是一類已經(jīng)有實(shí)際應(yīng)用的循環(huán)神經(jīng)網(wǎng)絡(luò)?，F(xiàn)在已有大量關(guān)于 LSTM 的文章和文獻(xiàn)，其中推薦如下兩篇：Goodfel...
摘要：本文詳細(xì)討論了自然語言理解的難點(diǎn)，并進(jìn)一步針對(duì)自然語言理解的兩個(gè)核心問題，詳細(xì)介紹了規(guī)則方法和深度學(xué)習(xí)的應(yīng)用。引言自然語言理解是人工智能的核心難題之一，也是目前智能語音交互和人機(jī)對(duì)話的核心難題。 摘要：自然語言理解是人工智能的核心難題之一，也是目前智能語音交互和人機(jī)對(duì)話的核心難題。之前寫過一篇文章自然語言理解，介紹了當(dāng)時(shí)NLU的系統(tǒng)方案，感興趣的可以再翻一番，里面介紹過的一些內(nèi)容不再贅...
閱讀 2918·2023-04-26 00:26
閱讀 3521·2023-04-25 14:30
閱讀 3412·2021-10-09 09:44
閱讀 3703·2021-09-28 09:35
閱讀 1898·2021-09-22 16:02
閱讀 1284·2021-09-03 10:30
閱讀 3248·2019-08-30 15:53
閱讀 2190·2019-08-30 14:07
