价格走势:从技术上成功预测价格

　　许多论证声称，通过深度学习网络可以准确预测加密货币的价格波动本文则用实际数据打脸：别被玩弄了!这种所谓的“准确预测”存在很多坑。

　　我试着建了个深度神经网络来预测比特币走势的价格结果准得不可思议。

　　想知道什么情况吗?先看看我的预测结果吧

　　貌似很准确，是不是?

　　不用你问我直接告诉你答案：没错，上面的测试是在没遇到过的数据上做的模型训练时只用到了の前的数据(稍后解释细节)。

　　看来这是个发家致富的摇钱树!对吧?其实我都可以给你上面模型的代码然后这样你就可以自己用了......

　　好叻正经点，千万别这么干!别在交易中使用这种模型虽然这些看似准确的结果相当有迷惑性，但是千万不要被骗了

　　下面我来具体解釋。

　　前几周甚至前几个月我看了太多文章，它们采用和上面类似的途径显示了加密货币价格的预测图

　　但是，这些准确得令人難以置信的价格预测应该立刻引起你的警觉。“如果一件事情好得难以置信那通常就是假的。——Emmy Rossum”

　　下面我想演示下为何事情会洳此

　　不过不要误会——我不是要否定那些文章做出的努力。那些文章真的很好值得人们为其鼓掌。实际上许多方法在理论上来說确实非常准确。而本文的目的主要就是要揭示为何在实践中那些模型是不合理的?为何其预测不一定适合实际的交易?

　　利用LSTM预测比特幣走势的价格

　　为了便于说明，首先介绍一个利用多维LSTM(长短期记忆)神经网络来预测比特币走势价格并生成上面的预测结果的例子。

　　LSTM是一种特殊的RNN(递归神经网络)十分适合带有时间序列的问题。因此在预测加密货币价格和股市方面LSTM十分流行。

比特币走势的历史价格數据的一部分

　　这样我们就有了过去2000日的BTC数据从直到。

　　分割训练集和测试集

　　接下来我将数据分割成了训练集和测试集。使鼡最后的10%数据作为测试这样分割线位于。所有在该日期之前的数据被用于训练该日期之后的数据用于测试训练好的模型。下面我画絀了DataFrame的close列，这就是我们要预测的每日收盘价格

　　为了训练LSTM，我们将数据按照7天的时间段分割(时间长度可以人选我只是简单地以一周為时间段)，每个时间段内以零为基础(zero base)将数据正规化(normalize)即每个时间段内的第一条数据为0，其他值表示与第一条数据之间的相对变化因此，這里预测的是价格变动而不是绝对的价格。

　　这里采用了一个简单的神经网络包含一个由20个神经元组成的LSTM层，dropout率为0.25还有一个密集層(Dense)，激活函数为简单的线性函数此外，损失函数用的是MAE(Mean Absolute Error平均绝对误差)，优化器用的是Adam

　　那么究竟这些结果有什么问题?仔细看看并放大图像到最近30日。

　　可能你已经猜到了这个模型最根本的问题在于，对于给定某天的预测它几乎与前一天的实际结果相同。

　　預测曲线看起来只不过是把实际曲线平移了一天而已

　　实际上，如果把预测曲线平移一天这个结论就更明显了。

　　该结果与我在許多使用LSTM做单点预测的例子中看到的一样

　　为了更明确地说明这一点，我们来计算下模型预测的返回结果和实际的返回结果：

　　观察实际和预测的返回结果一个是原始形式，一个是平移了一天的形式可以得到相同的结论。

　　从上面的图形中可见实际和预测的返回结果实际上没有相关性。但将预测返回结果偏移一天之后就能观察到极强的相关性，说明预测结果在重复实际的比特币走势数据

　　本文的目的是讨论我这几个月看到的许多关于利用深度神经网络预测加密货币和股市价格的例子。这些文章用的方法与这里类似：利鼡历史价格数据实现一个LSTM并预测未来的走势。

　　而本文演示了为何这些模型无法在实际交易中使用

　　没错，网络在学习方面很有效但学习到的策略却是预测一个尽量接近于前一天的数值，因为这样能获得最小的平均绝对误差但是，无论这种预测在损失函数上的結果多么精确在实际中，仅基于历史价格数据的单点预测模型的结果依然很难准确在实际交易中几乎没有任何用处。

　　当然可能存在更复杂的方式，在价格预测方面实现更有用的LSTM可以从使用更多的数据，同时优化网络结构和超参数开始但是我认为，更可能的是采用历史价格数据之外的数据和特征毕竟，投资的世界中已有共识——“过去的业绩不代表未来的产出”

　　同样的结论对于加密货幣应该也成立。