Как искусственный интеллект предсказывал цену биткоина
Искусственный интеллект (ИИ) уже давно применяется для прогнозирования различных событий. Алгоритмы, основываясь на исторических данных, успешно предсказывают лауреатов Оскара, котировки ценных бумаг и даже распространение пандемии.
В последние пять лет предпринимались и попытки предсказать курс биткоина в паре с долларом. Стартапы, исследовательские группы и энтузиасты до сих пор не оставляют попыток создать алгоритм, который смог бы предсказывать поведение цифрового золота на бирже в краткосрочной и долгосрочной перспективах.
Рекуррентные нейронные сети и прогнозная аналитика
Разработчики алгоритмов машинного обучения используют разные подходы в создании прогнозных инструментов. Наиболее популярные из них - рекуррентная нейронная сеть и модель с долгой краткосрочной памятью (LSTM).
LSTM-модель - это разновидность рекуррентной нейронной сети, которая может запоминать долгосрочные зависимости. Подобно тому, как мы используем предыдущий опыт для прогнозирования будущих событий, нейросеть способна запоминать информацию в течение длительных периодов и быстро находить закономерности.
Принцип работы модели Long-Short Term Memory (LSTM).
Первые попытки предсказать цену биткоина предпринимались во времена бума, который пришелся на конец 2017 года.
Сербский предприниматель и разработчик Огньен Гатало [Ognjen Gatalo] создал бота в Twitter, который каждые два часа должен был публиковать прогнозные котировки биткоина на последующие несколько дней, используя исторические данные. Для этого он использовал API blockchain.info (сегодня blockchain.com), откуда алгоритм собирал данные о ценах за последние два месяца и методом поиска ближайших соседей старался "угадать" будущие колебания.
Попытка разработчика не увенчалась успехом. Алгоритм учитывал лишь исторические данные о ценах, в то время как на стоимость влияет множество других факторов.
Другую попытку уже в 2019 году предпринял американский разработчик алгоритмов машинного обучения Марко Сантос [Marco Santos]. Марко использовал LSTM-модель для своего прогнозного инструмента, а в качестве источника данных выбрал Yahoo Finance. По задумке разработчика, алгоритм должен был анализировать колебания цены за последние 30 дней и предсказывать курс биткоина к доллару на ближайшие 10 дней.
Как и в предыдущем примере, алгоритм опирался лишь на исторические данные, однако метод обучения алгоритма, а именно использование LSTM-модели, позволил разработчику добиться более точных прогнозов. Марко предупреждает, что его алгоритм может иметь погрешности, ведь никто - ни человек, ни алгоритмы не могут достоверно предсказывать будущее.
Нейронная сеть может лишь отображать тренды, сформированные на прошлом опыте.
Фактические цены на биткоин за последние 10 дней (синий график) и прогнозируемые значения рекуррентной нейросети за последние 10 дней (красный график).
Пример предсказания цены на биткоин с помощью алгоритма на базе LSTM-модели.
В 2020 году австралийский разработчик Дерк Зомер [Derk Zomer] разработал алгоритм, который предсказывал цену биткоина на ближайшие 20 минут с помощью рекуррентной нейросети и LSTM-модели. Результаты показали, что нейросети способны предсказывать курс, основываясь лишь на простых финансовых данных. Однако, по заявлению самого разработчика, с точки зрения трейдерских перспектив такая модель абсолютно бесполезна.
Другой пример, заслуживающий внимания, - алгоритм американского предпринимателя Фредерика Риверолла [Federico Riveroll], который попытался строить прогнозы с использованием искусственного интеллекта, используя не только исторические данные о цене, но и новостные заголовки.
Для своего алгоритма Фредерик использовал два датасета: Bitcoin vs USD и Fox Business News, данные из которых были обработаны и сопоставлены по дате. Нейронная сеть выявила ряд закономерностей между ключевыми словами в заголовках новостей и ценой первой криптовалюты.
Например, когда в СМИ обсуждали импичмент президента Трампа, цена биткоина росла, а когда СМИ писали про Netflix - падала. Именно эти корреляционные признаки и использовала разработанная модель для дальнейших предсказаний.
В результате тестирования алгоритм показал точность 64,7%, чего недостаточно для уверенного прогнозирования. Тем не менее эксперимент показал, что если учитывать большее число факторов, которые могут влиять на курс, то можно получить более точные предсказания.
Факторы, сдерживающие ИИ
Недостаток данных
В отличие от фондового рынка, на котором есть данные для изучения почти за 100 лет, криптовалютный рынок таким похвастаться не может.
Кроме того, одних лишь финансовых данных недостаточно - для создания алгоритмов и предсказания цены необходимо учитывать и другие факторы.
Человеческое мышление
В настоящее время все лучшие инженерные разработки все еще создаются людьми. Это значит, что трейдинговые инструменты подвержены предубеждениям и ограничениям обычного человека. Если мы не до конца понимаем, как работает рынок, то как мы можем создать алгоритм на базе ИИ, который превосходит наши возможности?
Ограниченные вычислительные мощности
Сложнейшие алгоритмы машинного обучения требуют огромных вычислительных мощностей. Например, компании DeepMind потребовалось 1202 центральных и 176 графических процессоров, чтобы запустить алгоритм AlphaGo. Это примерно в 25 раз больше вычислительных единиц, чем у версии для одного компьютера. Крупные компании могут с легкостью преодолевать эти барьеры, в то время как для начинающих стартапов или независимых исследователей такие вычислительные мощности все еще недоступны.
Отсутствие общественного доверия
Несмотря на то, что ИИ доказал свою эффективность во многих отраслях, для рынка высокорискованных инвестиций он все еще ненадежен.
Трейдерским компаниям, которые будут внедрять его в качестве прогнозного инструмента, необходимо потрудиться, чтобы доказать общественности высокую степень безошибочности для долгосрочных предсказаний.
Перспективы на будущее
Инструменты на базе ИИ открывают новые возможности для развития и роста.
Предсказательные алгоритмы могут распознавать паттерны новых товаров и явлений. Криптовалюты - не единственный новый и изменчивый инвестиционный актив. Изучение закономерностей волатильности и извлечение уроков из них может стать кратчайшим путем к более быстрому успеху.
Помимо этого, рано или поздно неопределенность среди пользователей криптовалют пойдут на спад, что приведет к более устойчивому развитию рынка. Стабилизация и предсказуемость поведения цифровых активов позволит создавать более точные инструменты аналитики и прогнозирования в будущем.
Выводы
На сегодняшний день все попытки создать надежный инструмент на базе искусственного интеллекта оказались тщетными.
Да, на практике уже удавалось создавать относительно точные алгоритмы, однако они все еще непригодны для долгосрочного прогнозирования. Высокая волатильность, непредсказуемость и недостаток данных усложняют задачу разработчиков.
Однако все может измениться совсем скоро. Как показывает практика, рекуррентные нейронные сети отлично зарекомендовали себя в прогнозных инструментах в других отраслях. И чем больше сил исследователи приложат к сбору данных и лучшему пониманию рынка, тем быстрее наступит тот день, когда появятся устойчивые инструменты для криптовалютных инвесторов.
