Kutabiri Bei za Fedha za Dijiti Kwa Kutumia Masomo ya Mashine

Yaliyomo

1. Utangulizi

Soko la fedha za dijiti limepata ukuaji usio na kifani tangu mwaka 2017, huku thamani ya soko ikifikia kilele cha zaidi ya trilioni $800 mnamo Januari 2018. Utafiti huu unashughulikia dhana ya kutokuwa na ufanisi wa soko kwa kutumia algoriti za kisasa za masomo ya mashine kutabiri bei za fedha za dijiti na kuzalisha faula isiyo ya kawaida kupitia mikakati ya biashara ya ki-algorithm.

2. Mbinu

2.1 Ukusanyaji wa Data

Utafiti ulichambua data ya kila siku kwa fedha za dijiti 1,681 kuanzia Novemba 2015 hadi Aprili 2018. Seti ya data ilijumuisha mienendo ya bei, ujazo wa biashara, na vipimo vya thamani ya soko katika maduka mbalimbali ya kubadilishana ikiwemo Binance, Upbit, na Kraken.

2.2 Miundo ya Masomo ya Mashine

Miundo mitatu kuu ilitathminiwa:

• Utekelezaji mbili wa uboreshaji wa gradient wa mti wa uamuzi (XGBoost, LightGBM)
• Mitandao ya neva ya kurudia ya Kumbukumbu ya Muda Mfupi-Mrefu (LSTM)

2.3 Utekelezaji wa Mkakati wa Biashara

Portfolio za uwekezaji ziliundwa kulingana na utabiri wa miundo, huku utendaji ukipimwa kwa faida ya uwekezaji (ROI) ikilinganishwa na viwango vya kawaida ikiwemo mikakati ya nunua-na-shikilia.

3. Utekelezaji wa Kiufundi

3.1 Mfumo wa Kihisabati

Tatizo la utabiri wa bei linaweza kuundwa kama kazi ya utabiri wa mfululizo wa wakati. Acha $P_t$ iwakilishe bei kwa wakati $t$, na $X_t$ iwakilishe vekta za vipimo ikiwemo bei za kihistoria, ujazo, na viashiria vya kiufundi. Mfumo wa utabiri unalenga kujifunza:

$P_{t+1} = f(X_t, X_{t-1}, ..., X_{t-n}) + \epsilon_t$

ambapo $f$ inawakilisha mfumo wa masomo ya mashine na $\epsilon_t$ ni neno la makosa.

3.2 Maelezo ya Algorithm

Uboreshaji wa gradient huunda mkusanyiko wa miundo dhaifu ya utabiri, kwa kawaida miti ya uamuzi, kwa njia ya hatua kwa hatua. Algorithm hupunguza kitendakazi cha hasara $L$ kwa kuongeza miti inayotabiri mabaki ya miti ya awali:

$F_m(x) = F_{m-1}(x) + \gamma_m h_m(x)$

ambapo $h_m(x)$ ni mjifunzaji wa msingi na $\gamma_m$ ni ukubwa wa hatua.

4. Matokeo ya Majaribio

Utafiti ulionyesha kuwa mikakati ya biashara iliyosaidiwa na masomo ya mashine ilifanikiwa kuwazidi viwango vya kawaida. Matokeo muhimu ni pamoja na:

• Miundo yote mitatu ilizalisha faula chanya isiyo ya kawaida
• Algoriti za uboreshaji wa gradient zilionyesha utendaji bora katika hali nyingi
• Mitandao ya LSTM ilikamata utegemezi tata wa kitempo lakini ilihitaji rasilimali zaidi za kompyuta
• Mifumo rahisi ya ki-algorithm ilitabiri kwa ufanisi mageuzi ya soko ya muda mfupi

5. Utekelezaji wa Msimbo

Hapa chini kuna utekelezaji rahisi wa Python wa mbinu ya uboreshaji wa gradient:

import xgboost as xgb
import pandas as pd
from sklearn.metrics import mean_squared_error

# Kitendakazi cha uhandisi wa vipimo
def create_features(df):
    df['price_lag1'] = df['price'].shift(1)
    df['volume_lag1'] = df['volume'].shift(1)
    df['price_rolling_mean'] = df['price'].rolling(window=7).mean()
    return df.dropna()

# Mafunzo na utabiri wa mfumo
model = xgb.XGBRegressor(
    n_estimators=100,
    max_depth=6,
    learning_rate=0.1
)

# Tukichukulia X_train, y_train ni vipimo na malengo yaliyoandaliwa
model.fit(X_train, y_train)
predictions = model.predict(X_test)

6. Matumizi ya Baadaye

Mafanikio ya masomo ya mashine katika utabiri wa fedha za dijiti inafungua mwelekeo kadhaa wa baadaye:

• Ujumuishaji wa vyanzo mbadala vya data (hisia za media ya kijamii, vipimo vya blockchain)
• Maendeleo ya miundo mseto inayounganisha uchambuzi wa msingi na wa kiufundi
• Matumizi ya usanifu wa kubadilisha kwa ajili ya uboreshaji wa muundo wa mfuatano
• Mifumo ya biashara ya wakati halisi na mifumo ya usimamizi wa hatari
• Uboreshaji wa portfolio ya mali anuwai ukijumuisha mali za kawaida na za dijiti

7. Marejeo

1. ElBahrawy, A., et al. (2017). Evolutionary dynamics of the cryptocurrency market. Royal Society Open Science.
2. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. KDD '16.
3. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
4. Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
5. Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance.