¿Puede el aprendizaje automático predecir los precios de las criptomonedas?

Esta guía práctica proporciona los conceptos básicos que necesita para predecir el aumento vertiginoso de los precios de las criptomonedas.

Hace quince años, comencé a explorar el mundo de las monedas digitales y creé un prototipo de una plataforma de dinero móvil peer-to-peer que solo usaba SMS.

Recientemente, uno de mis colaboradores me preguntó si la inteligencia artificial podía predecir los precios de las criptomonedas. Ella siente curiosidad por la exageración de blockchain.

Después de investigar, descubrí que predecir los precios de las criptomonedas es un problema solucionable, pero definitivamente no para todas las condiciones del mercado.

Un modelo de pronóstico típico para un criptoactivo utilizará pronósticos de series temporales (p. ej., ARIMA, Facebook Prophet), aprendizaje automático (p. ej., bosque aleatorio, regresión lineal) o métodos de aprendizaje profundo (p. ej., LSTM).

En este artículo, examino qué tan bien funciona la interpolación de piezas al predecir el precio promedio de Litecoin en una fecha determinada.

Veremos el precio histórico de Litecoin desde abril de 2013 hasta febrero de 2021. Estos datos se toman de coinmarketcap y están disponibles gratuitamente. Dividí los datos en un 80 % del conjunto de datos de entrenamiento y un 20 % del conjunto de datos de prueba. Este último se utiliza para evaluar la precisión de nuestra predicción del precio de cierre.

Historial de precios de la criptomoneda Litecoin (Fuente: Kaggle)

Un breve análisis exploratorio de datos muestra que el precio de cierre promedio es más alto al principio y al final del año. Mínimo en octubre.

Es posible que hayas oído hablar de la regresión polinomial, que posiblemente sea el ejemplo más simple de crear una base de orden d para aproximar una función no lineal (en nuestro caso, las fluctuaciones del precio de las criptomonedas).

Realicé una regresión polinomial simple sobre el precio histórico de Litecoin, usando grados de 5, 25 y 80. En cada caso, el valor R2 proporcionará información sobre qué tan bien se ajusta el modelo al conjunto de datos de prueba.

OKB cayó por debajo de la marca de $ 34 con una caída intradía del 5,55 %: los datos de Ouyi OKEx muestran que OKB cayó a corto plazo y cayó por debajo de la marca de $ 34. Ahora cotiza a $ 33,988, con una caída intradía del 5,55 %. El mercado fluctúa mucho , así que por favor haga un buen trabajo en el control de riesgos. [2021/5/13 21:58:50]

Al observar el ajuste de la línea azul a continuación a los datos de entrenamiento, podemos observar que la curva se vuelve más inclinada a medida que aumenta el grado del polinomio. Esto se debe a la mayor complejidad del modelo, ya que los polinomios de orden superior intentan perseguir cada punto de datos en el conjunto de entrenamiento.

El día 0 representa el 30 de abril de 2013 y el día 2800 representa el 28 de febrero de 2021.

Especialmente en regiones con valores atípicos (parte media de la gráfica), los polinomios de orden superior tienden a tender hacia estos valores atípicos. Por tanto, el modelo con polinomios de orden 80 tiene la varianza más alta.

También tiene el sesgo más bajo en los datos de entrenamiento, que se refleja en el valor R2 más alto, en comparación con el R2 más bajo del polinomio de orden inferior, lo que significa un sesgo más alto pero una varianza más baja. Los polinomios de bajo orden son menos sensibles a los datos de entrenamiento.

Descubrí que un enfoque más flexible es usar polinomios de piezas para predecir los precios de las criptomonedas.

La interpolación por partes ajusta una gran cantidad de puntos de datos con un polinomio de orden bajo. Dado que solo usamos polinomios de bajo orden, eliminamos las oscilaciones excesivas y la falta de convergencia.

Dado un conjunto de puntos de datos, la interpolación por partes funciona mediante el uso de un polinomio diferente en cada parte de los datos.

En particular, usamos polinomios por partes conectados, también conocidos como splines.

Un ejemplo de spline es la siguiente función lineal truncada. Es plano a la izquierda de 4 y se llama el nudo de la función.

Dados algunos nudos, podemos combinar varias funciones de base lineales y ajustarlas a datos no lineales.

Para detectar relaciones altamente curvilíneas que existen en los precios de las criptomonedas, utilizo una función cúbica truncada, también llamada spline cúbica.

Usando splines cúbicos, dividimos los datos en bloques y ajustamos un spline cúbico a cada bloque. Cada función spline está conectada a la siguiente función en nudos.

Las splines cúbicas son una muy buena opción para los cambios de precio de las criptomonedas porque las conexiones son fluidas. Las pendientes de splines cúbicos y sus derivadas primera y segunda se igualan. Una spline cúbica es una función polinomial de grado 3, que aún es lo suficientemente pequeña para evitar la varianza.

Los B-splines cúbicos son una variante más sencilla de los splines cúbicos y se utilizan para cálculos eficientes, ya que hasta 5 funciones básicas contribuyen a la interpolación. A continuación podemos ver cómo se comporta el B-spline cúbico sobre el precio de Litecoin, luego de ubicar los nudos en los cuartiles.

Al seleccionar manualmente los nodos, es decir, cuando tenemos un montón de puntos de datos, logramos un mejor R2 en el conjunto de datos de prueba que cuando colocamos los nodos según los cuartiles.

Las splines cúbicas pueden comportarse de manera extraña cerca de los límites, lo que puede notar en el diagrama rojo de arriba. Los llamados splines cúbicos naturales imponen la linealidad de la función más allá de los nudos límite al cambiar un polinomio cúbico a lineal en cada límite.

Las splines cúbicas naturales requieren la selección de un grado de libertad. Para el precio de Litecoin, encontré los grados de libertad óptimos mediante validación cruzada: elegí una cantidad adecuada de 174 nodos como la fecha del predictor. Los resultados son menos heterogéneos en los márgenes en comparación con B-splines cúbicos, pero R2 ligeramente peor en el conjunto de datos de prueba.

Al final, implementé splines de suavizado que minimizan el error cuadrático medio y penalizan las variaciones de precios.

Las splines de suavizado parecen ser la interpolación de fragmentos más apropiada para los precios de Litecoin. El modelo logra el mejor valor de R2 obtenido hasta ahora en el conjunto de datos de prueba.

La parte emocionante de los modelos spline cúbicos es cómo se pueden extrapolar más allá del rango de datos utilizados para entrenar el modelo.

Según Rob Jhyndman, un conocido estadístico conocido por su trabajo en pronósticos y series temporales, los modelos spline de suavizado cúbico se pueden usar como modelos equivalentes a los modelos ARIMA en términos de pronóstico, pero su espacio de parámetros es limitado. Rob afirma que el modelo spline proporciona una tendencia histórica suave, así como una función de pronóstico lineal.

Te invito a experimentar más con esta idea. El código de mi computadora está disponible en línea como Jupyter Python/R Notebook.

Bloc de notas de Google Colab utilizado en este artículo 

Las monedas digitales y las criptomonedas, como Litecoin, se encuentran entre las innovaciones tecnológicas más controvertidas y complejas de la economía global moderna. Este artículo tiene como objetivo predecir los cambios en el precio de Litecoin utilizando un método menos popular: splines cúbicos.

Michel Kana, Ph.D  Autor

Jeremy   Traducción

Jeremy  Editar

Tags：

ADA