TensorFlow-Bitcoin-Robot:一个基于 TensorFlow LSTM 模型的 Bitcoin 价格预测机器人
2017-08-17 15:31
519 查看
简介
TensorFlow-Bitcoin-Robot:一个基于 TensorFlow LSTM 模型的 Bitcoin 价格预测机器人。文章包括一下几个部分:
1.为什么要尝试做这个项目?
2.为什么选取了这个模型?
3.模型的数据从哪里来?
4.模型的优化过程?
5.项目可以进一步提升的方向。
对于以比特币为首的数字货币近期的表现,只能用疯狂来形容。来自比特币交易平台的最新价格行情显示,就在此前一天,比特币盘中最高价格达到29838.5元,距离3万元大关仅有咫尺之遥。比特币最近火热的行情,吸引了众多的关注,还有一个人工智能似乎无所不能,那么问题来了,能否用人工智能来进行比特币交易呢?
使用什么模型来进行价格预测?现在热门的 深度神经网络,卷积神经网络,循环神经网络,因为卷积神经网络更适合处理图片,循环神经网络比较适合处理序列化内容,尤其是 LSTM 是 RNN 的升级版。
LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。比特币的成交记录就是事件序列上的加个数据,可以基于过去的成交记录序列来对未来的价格作出预测,和 LSTM 的模型比较合适。接下来的价格可以作为预测结果。
数据集
新的问题来了,数据从哪里来?需要的数据是一个包含成交价格的序列,然后可以截取一部分作为输入值,接下来的一部分作为预测值。后来找了一下,主流的交易平台都提供了部分历史数据,但都不是很多。最后采用了 btctrade ,用 requests 爬取,它包含比特币的 50 个交易记录。
获取数据集的脚本
get_trades.py 会获取这些交易记录,重新转化为 json ,并且用图片的方式展示出来,供下一步数据分析使用。
运行前需要安装的依赖:
为了爬取数据,需要使用 requests 库,一个非常好用的 HTTP 库。为了把交易的数据可视化,使用了 matplotlib。
pip install requests pip install matplotlib
模型
rnn_predicter.py使用 LSMT 模型。截取 10个交易记录作为输入,如果 第 11个价格比第10个高,就把输出设置为 [1,0,0],如果低就设置为 [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])<int(price[i+21])): train_y.append(np.array([0,0,1]))
下一步定义模型:
tensorflow lstm 模型,需要把 tensor 拆分成序列,然后传入模型。否则回报错,也就是代码中的 x = tf.unstack(x, n_steps, 1) 。
def RNN(x, weights, biases): #首先把数据拆分为 n 个序列,每一个的维度 (batch_size, n_input) x = tf.unstack(x, n_steps, 1) # 定一个 lstm cell lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0) # 获得 lstm 的输出 outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32) # 加个线性激活 return tf.matmul(outputs[-1], weights['out']) + biases['out']
获得结果,定义损失函数和优化函数
如何优化模型?预测值获取之后,对比实际的价格,会有一个损失函数。损失函数使用 softmax_cross_entropy_with_logits 来计算预测值和标记值的差,然后用 AdamOptimizer 来优化损失函数优化模型。
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))
项目开源地址和训练结果
https://github.com/TensorFlowNews/TensorFlow-Bitcoin-Robot/训练设备:
GeForce GTX 980 Ti
训练结果:
Iter 998000, Minibatch Loss= 0.730588, Training Accuracy= 0.75000 Optimization Finished!
后续更新发布
http://www.tensorflownews.com/更新计划
因为交易平台提供的历史交易记录非常少,所以为了进一步提高训练效果,后续要持续的自己保存历史交易数据或者是找到更好的数据来源。还有一个方面是,模型训练完了之后,保存下来,后续可以直接使用。还有针对模型本身还可以做一定的优化,现在只是预测,涨,跌,维持,后续可以进行更加精细的评分,按照历史数据进行回测等等。模型持久化,训练数据集持久化,测试数据集。
相关文章推荐
- TensorFlow-Bitcoin-Robot:一个基于 TensorFlow LSTM 模型的 Bitcoin 价格预测机器人。
- TensorFlow-10-基于 LSTM 建立一个语言模型
- Tensorflow实战学习(三十五)【实现基于LSTM语言模型】
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- 用tensorflow实现的,基于mnist数据集上的一个简易模型
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- Tensorflow实例:实现基于LSTM的语言模型
- 解决学习tensorflow的LSTM模型中遇到一个版本不兼容问题
- Tensorflow实战-实现基于LSTM的语言模型
- 一个基于TensorFlow的简单故事生成案例:带你了解LSTM
- TensorFlow实现经典深度学习网络(6):TensorFlow实现基于LSTM的语言模型
- TensorFlow实现基于LSTM的语言模型
- 如何判断LSTM模型中的过拟合和欠拟合 By 机器之心2017年10月02日 11:09 判断长短期记忆模型在序列预测问题上是否表现良好可能是一件困难的事。也许你会得到一个不错的模型技术得分,但了解
- tensorflow38《TensorFlow实战》笔记-07-02 TensorFlow实现基于LSTM的语言模型 code
- TensorFlow-Bitcoin-Robot:Tensorflow 比特币交易机器人
- TensorFlow实战12:实现基于LSTM的语言模型
- TensorFlow-Bitcoin-Robot:Tensorflow 比特币交易机器人
- 基于LSTM搭建一个文本情感分类的深度学习模型:准确率往往有95%以上
- 如何预测一个互联网产品的未来:一套关于产品的数学模型