Coinscious價格預測使用了什麼模型？
Coinscious依託Conscious Core TM技術的大數據服務平台，利用人工智慧和機器學習的強大功能來提供數字貨幣分析，包括價格預測、不確定性估計和市場相關性檢測。
影響數字貨幣價格波動的因素很多，比如交易所、新聞、社交媒體、貨幣動向和區塊鏈交易。然而絕大部分數字貨幣市場交易者不知道這些因素最終將如何影響數字貨幣價格。而且交易過程中的每一步都需要大量信息，而大多數數字貨幣交易僅僅依靠很少量信息就做出了交易決策。所以交易者迫切需要一個價格預測的模型來輔助決策。
目前在數學領域已經有很多預測價格走勢的模型，介紹比較重要的幾種：
Part 1：ARIMA——自回歸移動平均模型
ARIMA是一個著名的時間序列預測方法。時間序列是基於歷史數據的分析，即包含了根據歷史數據的走勢會在未來重複的假設，用一定的數學模型來近似描述這個序列。這個模型一旦被識別後就可以從時間序列的過去值及現在值來預測未來值。
1
簡介
自回歸移動平均模型ARIMA用於平穩序列或通過差分而平穩的序列分析，簡記為ARIMA( p , d , q )，用公式表示為：
其中，p、d、q分別是自回歸階數、差分階數和滑動平均階數；Zt是時間序列；Xt是經過d階差分後的時間序列值；at-q是時間為t-q的隨機擾動項；p、q分別是對應項前的係數。
2
應用舉例：股價預測
將ARIMA應用於金融等時間序列問題的研究和預測方面，為投資者提供決策指導。
3
建模方法：
① 平穩性檢驗：以某隻股票某個區間的收盤價作為模型的數據進行建立時間序列模型；做出折線圖觀察數據的特徵；進行單位根檢驗，判別序列是否為平穩序列；若一階差分後的數據為平穩序列，可以建立時間序列模型。
② 模型的選擇和參數的估計：根據數據的平穩性特徵，初步確定建立ARIMA模型。觀察一階差分以後的序列的自相關函數和篇自相關函數的特徵，從而確定模型的階數。建立模型，觀察模型的參數估計結果。擬合股票數據的回歸，得到回歸方程。
Part 2：隱馬爾可夫模型
1
簡介
馬爾可夫鏈，是指數學中具有馬爾可夫性質的離散事件隨機過程。在給定當前知識或信息的情況下，過去（即當前以前的歷史狀態）對於預測將來（即當前以後的未來狀態）是無關的。
2
模型
隱馬爾可夫模型（Hidden Markov Model）是一種統計模型，用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數，然後利用這些參數來作進一步的分析。
下圖是一個三個狀態的隱馬爾可夫模型狀態轉移圖，其中x表示隱含狀態，y表示可觀察的輸出，a表示狀態轉換概率，b表示輸出概率。
3
應用舉例：股價預測
在股市中，如果只是觀測市場，我們只能知道當天的價格、成交量等信息，但是並不知道當前股市處於什麼樣的狀態（牛市、熊市、震蕩、反彈等等），在這種情況下我們有兩個狀態集合，一個可以觀察到的狀態集合（股市價格成交量狀態等）和一個隱藏的狀態集合（股市狀況）。
隱馬爾可夫模型可以用來將股票價格建模為時間序列，預測K天后股票價格是更高還是更低。
Part 3：人工神經網路
1
簡介
人工神經網路(Artificial Neural Networks，ANN)，是人工智慧的一種核心方法，是人類中樞（大腦）神經系統的簡化模型，是由大量簡單的並行分布的計算單元（神經元，neurons）互相連接而成的自適應非線性系統。
生物神經元
人工神經元
2
BP神經網路介紹：
BP神經網路已廣泛應用於函數逼近、模式識別／分類、數據壓縮等領域,它也是前饋網路的核心內容,是人工神經網路最精的部分。
神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
BP演算法即反向傳播演算法，在BP神經網路生成和初始化以後，即可以利用現有的「輸入一輸出」樣本矢量數據對網路進行訓練。採用訓練數據訓練得到網路，可將訓練數據和測試數據一起代入網路中得到網路的模擬數據的輸出，與實際數據輸出做對比，可以觀察到網路的預測效果。
3
應用舉例：
給定某隻股票某個時間段內的價格，使用BP神經網路對數據進行訓練，可以得到股票價格的預測結果。
Part 4：Coinscious的價格預測——深度時間模型
Coinscious使用了深度貝葉斯學習為基礎的深度時間模型來預測數字貨幣的價格走勢。
上述3種模型根據經驗已經證明可以為預測股票價格提供一些保證，但與Coinscious的深度時間模型相比，模型種類還是較少。Coinscious的深度時間模型不使用單一方法，而是使用多種演算法混合的集合方法來獲得更好的預測效果。無論從理論還是從經驗上看，集合方法都可以減少模型中的偏差，並且勝過大多數的單一方法。
Coinscious的深度時間模型的預測是由數據驅動的，其中數據包括數字貨幣價格，交易歷史，新聞和社交媒體文章等。Jegadeesh和Titman曾經闡述股價在短期內傾向於顯示出一定的趨勢——比如最近一直在上漲的股票繼續上漲，最近下跌的股票繼續下跌。這種趨勢意味著對未來股票價格的一定程度的可預測性，同樣這也適用於數字貨幣價格。Coinscious的深度時間模型可以模擬過去數字貨幣價格之間的隨機依賴關係，以預測未來的數字貨幣價格。
Coinscious
作為人工智慧和數據驅動的公司，專註於三個目標：收集捕捉交易風險因素的數據，分析交易因素與潛在影響，並開發出可預測的人工智慧模型。這些目標可以幫助數字貨幣市場的交易者做出更好的決策。
TAG:康深思 |