Ponieważ Bitcoin stara się odzyskać część blasku, który miał miejsce pod koniec 2017 r., Kiedy prawie osiągnął wartość 20 000 USD, władze monetarne do tej pory dążą do tego, by przewidzieć tak chwiejne pieniądze.
Jako zaawansowana gotówka, nie ma fizycznej struktury, która zapewniałaby Bitcoinowi szacunek, więc trudno jest przeprowadzić standardową analizę gotówki. W ten sposób różni teoretycy śledzą przypuszczalne specyficzne wskaźniki handlowe (modele geometryczne utworzone z oczywistych wydatków i wolumenów handlowych), aby docenić i przewidzieć przyszły postęp Bitcoin.
Kilku badaczy odkryło osiągnięcia dzięki olbrzymim zamroczonym modelom. W każdym razie te często mają kilka elementów (lub wskaźników) i trudno jest wybrać kluczowe czynniki lub przetestować powtarzalność takich podejść. W podobny sposób trudno jest zrozumieć, jakie czynniki rzeczywiście prowadzą do niestabilności bitcoinów.
Od ponad 20 lat badam zastosowania sztucznej inteligencji w rezerwie. W Lang School of Business and Economics na University of Guelph, mój współpracownik i absolwent klasowy Robert Adcock i ja stworzyliśmy fałszywy model neuronowy (ANN), aby sprawdzić spójność kosztów Bitcoin.
Przewidywanie zmian
Użyliśmy konkretnych wskaźników zwanych ruchomymi punktami środkowymi jako znacznikami. Ruchome punkty środkowe są obliczane przez uśrednienie kosztów w pewnym okresie czasu (na przykład 50 lub 200 dni) i wykreślenie ich jako linii w pobliżu wydatków. Celem stosowania ruchomych punktów środkowych jest to, że jeśli koszt bitcoinów stanie się dziś bardziej oczywisty lub niższy niż zwykły wydatek w ciągu ostatnich 50 lub 200 dni, przedstawiciele mogliby spodziewać się wzniesienia lub spadku.
Jeśli Bitcoin jest fantazyjny, to nasz model nie jest uzależniony od pokonania nieprzewidywalnego modelu chodu - zasadniczo nie jest lepszy od teoretyzowania.
W każdym razie nasz model dał pewne zniewalające wyniki dotyczące spójności Bitcoina po pewnym czasie i podczas scen niesamowitych ekscentrycznych.
Sztuczne wskaźniki myślowe
Używając rozeznawania krok po kroku w latach 2011-2018, stworzyliśmy SSN z trzema wskaźnikami: zwroty, 50-dniowy sygnał kupna sprzedaży i 200-dniowy sygnał sprzedaży kupna.
W podobny sposób próbowaliśmy modelu SSN, który skonsolidował Chicago Board Options Exchange Volatility Index (VIX), aby sprawdzić, czy zabezpieczenia ekscentryczne handlu mają wyraźny wpływ na postępy Bitcoinów. VIX to rekord umożliwiający teoretyczną 30-dniową trybunę, która zależy od indeksu S&P 500. Wyższe szacunki VIX pokazują, że rynek dokona ogromnej huśtawki.
Fałszywe struktury neuronowe działają w podobny sposób na podstawowe działanie ludzkiej osobowości. Nasz model bierze markery lub źródła danych i plony (krok po kroku warta różnica w bitcoinie) i próbuje przyjąć model ze wszystkich danych. Kontynuuje testowanie swoich modeli, aż osiągnie idealny punkt, w którym dalsze testowanie jest nadmiarowe. Te modele pchają strukturę różnych programów nauczania AI, które są wykorzystywane w biznesie i planowaniu.
Przystępując do Bitcoin w szczególnym badaniu i strukturach neuronowych, wierzyliśmy, że SSN znajdzie model wśród danych, które umożliwiły nam jeszcze dokładniejsze przewidywanie przyszłych zwrotów.
Nietradycyjni mistrzowie związani z pieniędzmi
Nasz model SSN w rzeczywistości wygrał w odniesieniu do zmniejszenia domniemanego pomyłki subiektywnego spaceru o około 5 do 10 procent w całym okresie obserwacji. Te ulepszenia są naprawdę istotne, pokazując, że wyobrażanie sobie kosztów bitcoinów każdego dnia nie jest już nigdy zagadką. Nasze wyniki pokazują, że na Bitcoin nie ma wpływu to, jak zmienia się handel ochroną, co zaleca, aby standardowi teoretycy rynku i mistrzowie budżetowi w Bitcoin byli dwoma konkretnymi wydarzeniami społecznymi.
Ponadto oddzieliliśmy dane na cztery podpróbki względnych zakresów czasu, aby dalej koncentrować się na nieefektywnych perspektywach rynkowych. Dalekowzroczne wprowadzenie naszej ANN poprawiło się w tych podpróbkach.
Jedna podpróbka, działająca od października 2014 r. Do czerwca 2016 r., Dała najlepsze wyniki badania. Izolowany 200-dniowy model znaku pokonał sporadyczny spacer około 43,55 procent. Widzieliśmy, że ta podpróbka odznaczała się niską niezwykłością i wyróżniała się spośród pozostałych trzech podpróbek i była najtrwalszym czasem oglądanych danych. Ogólnie rzecz biorąc, stopniowo niepewna rynkowa niepewność sprawia, że uczenie się modeli danych i przygotowywanie modelu SSN staje się stopniowo niewygodne.
Dokładnie według dokładności kosztów, w podobny sposób dostrzegliśmy, jak co jakiś czas modele naszej ANN odpowiednio przewidywały, czy wydatki wzrosną lub zanikną. Nasz całkowity model reguł w całym okresie 2011-2018 miał około 63 procent precyzji przypuszczeń. W nagły sposób handel Bitcoinami z naszym modelem byłby generalnie bardziej zyskowny niż wprowadzenie samowystarczalnych żądań kupna i sprzedaży, które mają 50-procentową przewagę.
Brak komentarzy:
Prześlij komentarz