当前位置: 玩币族首页 > 区块链资讯 > EOS sw/eden | 利用机器学习来帮助加密货币交易

EOS sw/eden | 利用机器学习来帮助加密货币交易

2020-11-11 EOSsweden 来源：区块链网络

给EOS sw/eden | EOS瑞典投票，请认准我们的主网节点ID：eosswedenorg

今日BP排名：34

编译：aLex_区块链行者[EOS sw/eden中文社区经理]
声明：文章内容仅为原作者观点，不代表本节点立场，且不构成任何投资建议

利用机器学习来帮助加密货币交易

在最近的一篇文章中，我讨论了为著名的OpenAI的GPT-3提供动力的机器学习技术可能对加密市场的相关性。GPT-3—可以回答问题、进行语言分析和生成文本—可能是近年来深度学习领域最著名的成就。但是，它绝不是最适用于加密领域的。在这篇文章中，我想讨论深度学习的一些新领域，这些领域可以对应用于加密的量子模型产生近乎直接的影响。

像GPT-3或谷歌的BERT这样的模型，是深度学习中被称为语言预训练和变换器模型的巨大突破的结果。这些技术，可以说是过去几年深度学习行业最大的里程碑，它们的影响在资本市场上并没有被忽视。

在过去的一年里，量化金融领域一直在积极的研究工作，探索如何将变换器模型应用于不同的资产类别。然而，这些努力的结果仍然是粗略的，表明变压器远未准备好在金融数据集中操作，它们仍然主要适用于文本数据。但我们没有理由感到沮丧。虽然将变换器适应金融场景仍然具有相对的挑战性，但深度学习领域的其他新领域在各种资产类别（包括加密）的量子模型中应用时，正在显示出前景。

从很多角度来看，加密似乎像是基于深度学习的量子模型的完美资产类别。这是因为加密资产的数字DNA和透明性，而且加密的兴起恰逢机器学习的复兴和深度学习的出现。

在经历了几十年的奋斗和几次所谓的“人工智能（AI）寒冬“之后，深度学习终于在软件行业的不同领域成为了真正的、某种程度上的主流。量化金融是新的深度学习技术和研究最快的采用者之一。市场上一些顶级的量化基金非常普遍地尝试着与Facebook、谷歌或微软等高科技人工智能研究实验室产生的相同类型的想法。

现代量化融资中一些最激动人心的发展并不是来自于变压器等华丽的技术，而是来自于激动人心的机器学习突破，这些突破更多是针对量化场景开发的。其中许多方法完全适用于加密资产量化技术，并开始在加密量化模型中取得进展。

下面，我列举了深度学习的五个新兴领域，这些领域对加密量子化场景尤为重要。我尽量保持相对简单的解释，并针对加密场景。

1）图形神经网络

区块链数据集是加密领域量子模型的独特alpha来源。从结构的角度来看，区块链数据本质上是分层的，由一个图来表示，图中的节点代表地址，由代表交易的边连接。想象一下这样一个场景：一个量子模型试图根据地址将资金转移到交易所的特征来预测比特币在某个交易所的波动性。这种模型需要在分层数据上高效运行。但大多数机器学习技术都被设计成可以在表格数据集上工作，而不是图形。

图形神经网络（GNNs）是一门新的深度学习学科，它专注于在图形数据结构上高效操作的模型。GNN是2005年才发明的一个相对较新的深度学习领域。不过，GNN已经被Uber、谷歌、微软、DeepMind等公司大量采用。
在我们的样本场景中，GNN可以使用一张图作为输入，代表交易所的进出流量，并推断其对价格影响的相关知识。在加密资产的背景下，GNN有可能实现基于区块链数据集的新量化方法。

2）生成模型

机器学习量子模型的局限性之一是缺乏大量的历史数据集。假设你正试图根据链克（LINK）的历史交易行为建立一个价格的预测模型。虽然这个概念看起来很吸引人，但它可能被证明是具有挑战性的，因为LINK在Coinbase等交易所的历史交易数据只有一年多一点。对于大多数深度神经网络来说，这个小数据集将不足以概括任何相关知识。

生成模型是一种专门生成与训练数据集分布相匹配的合成数据的深度学习方法。在我们的场景中，想象一下，我们在Coinbase的链接订单本的分布中训练一个生成模型，以便生成与真实订单本的分布相匹配的新订单。

结合真实数据集和合成数据集，我们可以建立一个足够大的数据集来训练一个复杂的深度学习模型。生成式模型的概念并不是特别新，但近一年来，随着生成式对抗神经网络（GANs）等流行技术的出现，生成式模型已经成为图像分类等领域最流行的方法之一，并在时间序列金融数据集上取得了相关成功。

3）半监督学习

标签数据集在加密领域是稀缺的，这严重限制了在现实世界场景中可以建立的机器学习（ML）量子模型的类型。想象一下，我们正试图建立一个ML模型，根据场外交易（OTC）柜台的活动进行价格预测。为了训练该模型，我们需要一个大型的标签数据集，其中的地址属于场外交易柜台，而这种数据集是加密市场中只有少数实体才拥有的。

半监督学习是一种深度学习技术，它专注于创建能够使用小标签数据集和大量非标签数据学习的模型。半监督学习类似于老师向一群学生介绍一些概念，而将其他概念留给家庭作业和自学。

在我们的样本场景中，想象一下，我们用一小组来自OTC桌面的有标签的交易和一大组无标签的交易来训练一个模型。我们的半监督学习模型将从标记数据集学习关键特征，如交易规模或频率，并将使用未标记数据集来扩展训练。

4）表征学习

特征提取和选择是任何量子化机器学习模型的关键组成部分，在加密资产预测等不是很了解的问题上尤为重要。想象一下，我们正试图根据订单记录建立一个比特币价格的预测模型。

我们努力的一个最重要的方面是确定哪些属性或特征可以作为预测因素。是中间价、成交量还是其他百般因素？传统的方法是依靠主题专家来手工制作这些特征，但随着时间的推移，这可能会变得难以扩展和维护。

表征学习是dep学习的一个领域，专注于自动学习实体表征或特征，以建立更有效的模型。表征学习不依赖于人类的特征建模，而是尝试直接从未标记的数据集中推断特征。在我们的例子中，表征学习方法可以分析订单簿，并识别出数十万个潜在的特征，这些特征可以作为比特币价格的预测器。这种规模化和自动化程度是人工特征工程无法实现的。

5）神经架构搜索

创建量子化机器学习模型的过程在很多方面仍然具有很强的主观性。让我们以一个模型的场景为例，该模型试图根据一组DeFi协议的活跃度来预测以太坊的价格。鉴于问题的性质，数据科学家会对使用的模型类型和架构有一定的偏好。

在我们的方案中，这些想法大多会基于领域知识和关于DeFi协议中的活动对以太坊价格的影响方式的主观意见。鉴于机器学习是基于构建知识，而知识并不是一个离散的单位，其几乎不可能为给定的问题辩论一种方法与另一种方法的优点。

神经架构搜索（NAS）是深度学习的一个领域，它试图利用机器学习来自动创建模型。算是用机器学习来创建机器学习。给定一个目标问题和数据集，NAS方法会评估数百种可能的神经网络架构，并输出最有希望的结果。
在我们的示例场景中，NAS方法可以处理一个包含去中心化交易所交易的数据集，并产生一些模型，这些模型有可能根据这些记录预测以太坊的价格。

Numerai（NMR）

Numeraire - 2017年，Numerai发布了一个新的API，允许世界各地的人提交来自机器学习模型的预测，为他们的对冲基金提供动力。2018年，Numeraire token诞生，为网络带来更多价值。Numerai上的每个用户都有机会在他们的预测上押注NMR代币，以此来表达他们对模型的信心。如果他们的预测很好，他们就能赚到钱，他们的NMR也会得到回报。如果他们的预测很差，他们的NMR就会被销毁。对我们来说，最重要的使用指标是NMR的最大收入者是否也是最大的赌徒，即鲸鱼是用户。而这正是Numerai上发生的事情。

矢量空间人工智能（VXV）

Vectorspace AI(VXV)为基因泰克公司、劳伦斯伯克利国家实验室、美国能源部(DOE)、国防部(DOD)、NASA的空间生物科学部门、DARPA和SPAWAR(美国海军的太空和海战系统部门)等发明了模仿人类认知的系统和数据集，以达到信息套利和科学发现的目的。

矢量空间人工智能特别感兴趣的是，如何让机器之间相互交换信息，或者以最小化选定的损失函数的方式交换和交易数据。

他们的目标是让任何分析数据的群体能够通过测试一个假设或以更高的吞吐量运行实验来节省时间。这可以让投资者通过发现信息套利的机会来预测未来的关联性并捕捉到阿尔法，提高创新、新颖的科学突破和发现的速度。
这里有一个有趣的用例。

“地塞米松的宣布可能会让对冲基金大赚一笔“

Fetch.AI (FET)

Fetch.ai(FET)创建了一个开放经济框架(OEF)，作为各种自主经济主体的去中心化搜索和价值交换平台。这是由一个智能分类账支持的，据说它可以支持每秒超过3万笔交易，其目的是为了满足下一代互联设备的需求。Fetch.ai的核心是数字智能：它旨在提供可操作的预测、即时的信任信息，实现构建强大的协作模型，并提高效率和简化流程。

EOS sw/eden | 利用机器学习来帮助加密货币交易

相关阅读：

新文章

知识推荐