Прогноз на биткоин на 2018 год: Биткоин-2018: $50 тысяч — это минимум?

• Легендарный инвестор Уоррен Баффет избегает делать прогнозов, но мы собрали 12 его лучших предположений о криптовалюте, настольном теннисе и даже о его собственной смерти.
• Мы подробно описали каждый прогноз и оценили его точность в слайд-шоу ниже.

Легендарный инвестор Уоррен Баффет знает лучше, чем делать прогнозы.

«Мы понятия не имеем — и никогда не знали — будет ли рынок расти, падать или находится в боковом направлении в ближайшем или среднесрочном будущем», — написал он в своем письме 1986 году акционерам Berkshire Hathaway.

И все же Оракул из Омахи не мог удержаться от некоторых предположений о будущем на протяжении многих лет. Мы собрали 12 его самых интригующих предсказаний и оценили их точность в слайд-шоу ниже.

1. Криптовалюты

Прогноз:

«Что касается криптовалют в целом, я могу почти с уверенностью сказать, что они дойдут до плохого конца, — сказал Баффет в интервью CNBC в январе 2018 года». Теперь, когда это произойдет, или как, или что-нибудь еще, я не знаю ».

Он добавил: «Если бы я мог купить пятилетний опцион на каждую из криптовалют, я был бы рад сделать это, но я никогда не стал бы шортить ни копейки. «

Результат:

До сих пор Баффет был прав насчет криптовалют. На момент своего прогноза биткойн торговался выше 14 000 долларов. К концу 2018 года криптовалюта упала ниже 4000 долларов, а сейчас торгуется примерно на 7 800 долларов.

3. Berkshire Hathaway

Прогноз:

«Вполне уместно, что визит кометы Галлея совпал с этим процентным приростом: ни того, ни другого больше не будет при моей жизни», — сказал Баффет акционерам Berkshire Hathaway в 1985 г., когда чистая стоимость конгломерата выросла на 48.2%.

Он также предсказал, что совокупный годовой рост балансовой стоимости компании на акцию на 23,2% в этом году был «еще одним процентом, который не повторится».

Результат:

Баффету потребовалось почти 20 лет, чтобы доказать свою неправоту с первого взгляда. В 1998 году чистая стоимость Berkshire Hathaway подскочила на 48,3%, хотя в основном это произошло из-за того, что компания выпустила акции для приобретений.

«Обычно прирост в 48,3% требует дополнительных усилий, но не в этом году», — сказал он инвесторам.

Второй прогноз Баффета далек от истины. Балансовая стоимость Berkshire Hathaway на акцию выросла на 23,3% в 1986 году. Кроме того, с 1985 года она выросла как минимум на 23,2% за более чем 10 лет.

4. Sears

Прогноз:

Баффет сказал студентам Канзасского университета в мае 2005 года, что председатель Sears Эдди Лэмперт будет бороться за оживление сети универмагов. Он предупредил, что такие конкуренты, как Walmart и Costco, могут обойти Sears, которую только что приобрела Kmart.

«Эдди — очень умный парень, но объединить Kmart и Sears — непростая задача», — сказал Баффет. «Обратить внимание на розничного торговца, который долгое время не работал, было бы очень сложно».

Результат:

Баффет был прав на деньги. Sears подала заявление о защите от банкротства в октябре.

Однако некоторая надежда остается: Lampert недавно добился одобрения суда, чтобы выкупить 126-летнего ритейлера из-за банкротства и избежать ликвидации.

5.ABC, Geico и The Washington Post

Прогноз:

«Мы рассчитываем навсегда сохранить три наших основных холдинга: Capital Cities / ABC, Inc., Geico Corporation и The Washington Post», — сказал Баффет Berkshire. Акционеры Hathaway в своем письме 1986 года.

«Даже если бы цены на эти ценные бумаги оказались значительно завышенными, мы не стали бы ожидать их продажи, так же как мы не продали бы See’s или Buffalo Evening News, если бы кто-то предложил нам цену, намного превышающую ту, которая, по нашему мнению, стоит этих предприятий», добавил он.

Результат:

Несмотря на свои лучшие намерения, Баффет не может сопротивляться многому. Berkshire Hathaway продала свою долю в Capital Cities / ABC компании Walt Disney в 1996 году в рамках сделки наличными и акциями на сумму 2,5 миллиарда долларов.

Он также передал Graham Holdings 28% акций своей компании в The Post в рамках сделки на сумму более 1,1 миллиарда долларов в 2014 году, сообщает газета. Семья Грэхема продала The Post генеральному директору Amazon Джеффу Безосу за 250 миллионов долларов в 2013 году.

Berkshire Hathaway остается крупным инвестором в Geico, See’s Candies и The Buffalo News.

6. Фредди Мак

Прогноз:

«В 1988 году мы сделали крупные покупки Federal Home Loan Mortgage Pfd. (« Freddie Mac »)», — сказал Баффет в своем письме акционерам Berkshire Hathaway в том же году.

«Мы рассчитываем держать эти ценные бумаги в течение длительного времени. Фактически, когда мы владеем долями
выдающихся предприятий с выдающимся менеджментом, наш любимый период владения — навсегда.»

Результат:

К счастью для Баффета, он передумал. Berkshire Hathaway продала почти все свои акции Freddie Mac и Fannie Mae в 2000 году, сократив свою долю до 0,3% с 8,6% в 1999 году. Баффет рассказал о финансовом кризисе. Комиссия по расследованию в 2010 году сообщила, что он «обеспокоился» менеджментом компаний.

«Они пытались и заявляли, что могут увеличить прибыль на акцию в каком-то низком двузначном диапазоне или что-то в этом роде», — сказал он.«И каждый раз, когда крупное финансовое учреждение начинает обещать регулярное увеличение прибыли, у вас будут проблемы, понимаете?»

7. Coca-Cola and Gillette

Прогноз:

«Ни один здравомыслящий наблюдатель — даже самые энергичные конкуренты этих компаний, если они предполагают, что они честно оценивают ситуацию, — сомневается, что Coke и Gillette будут доминировать их месторождения по всему миру на всю жизнь », — написал Баффет в своем письме к акционерам Berkshire Hathaway в 1996 году.

«В самом деле, их доминирование, вероятно, усилится. Обе компании значительно расширили свои и без того огромные доли рынка за последние десять лет, и все признаки указывают на то, что они будут повторять эти показатели в следующем десятилетии».

Результат:

Заявления Баффета пока подтвердились: и Coke, и Gillette остаются крупнейшими игроками на своих рынках, хотя последний находится под растущим давлением.

Доля Coca-Cola на рынке безалкогольных напитков США составляла 41% в 1991 году по сравнению с 33% Pepsi, и, по данным New York Times, в четыре раза превосходила своего главного конкурента на зарубежных рынках.По данным Statista, в 2015 году ее доля на мировом рынке газированных напитков составляла почти 49%.

В отличие от этого, доля рынка Gillette упала примерно с 70% в 2010 году до 54% ​​в 2016 году из-за жесткой конкуренции со стороны стартапов, включая Dollar Shave Club, принадлежащую Unilever, и Harry’s, согласно отчету фирмы по отслеживанию данных. Euromonitor, цитируется The Wall Street Journal.

8. Смерть

Прогноз:

«Моя ожидаемая продолжительность жизни около 12 лет (хотя, естественно, я стремлюсь к большему)», — написал Баффет в своем письме к акционерам в 2006 году.

Результат:

Если бы Баффету пришлось выбрать один прогноз с недостижением, он, вероятно, выбрал бы этот. Спустя более 12 лет после написания письма он все еще жив и, кажется, здоров.

10. Жилье

Прогноз:

«Жилье вернется — вы можете быть уверены в этом», — сказал Баффет акционерам в своем письме в 2011 году после того, как пузырь на рынке жилья в США лопнул, что привело к финансовому кризису.

Он добавил: «Мы снова будем строить один миллион или больше жилых единиц ежегодно. Я полагаю, что эксперты будут удивлены, насколько сильно упадет безработица, когда это произойдет».

Результат:

Баффет был прав насчет восстановления жилищных условий и занятости. По данным Министерства торговли США, количество вводов в эксплуатацию жилья в США в октябре с учетом сезонных колебаний составило около 1,3 млн единиц в год.

Безработица также снизилась с 8.По данным Бюро статистики труда, с 9% в 2011 году до менее 3,8% в 2018 году, что является минимумом за 18 лет.

11. Индексные фонды

Прогноз:

«В течение десятилетнего периода, начинающегося 1 января 2008 г. и заканчивающегося 31 декабря 2017 г., S&P 500 будет превосходить портфель фондов хедж-фонды, когда результаты оцениваются на основе за вычетом комиссий, затрат и расходов », — предсказал Баффет.

Он разместил вышеупомянутый прогноз на Long Bets, веб-сайте, на котором можно делать долгосрочные ставки и назначать благотворительные организации для получения выигрышей.Тед Зайдес, менеджер Protégé Partners, управляющего активами, инвестирующего в несколько хедж-фондов, согласился поспорить, что портфель из пяти фондов, инвестированных в более чем 200 хедж-фондов, превзойдет индекс S&P 500.

Результат:

Баффет годами утверждал, что индексные фонды предлагают инвесторам более высокую доходность, чем сборщики акций, поскольку они открывают доступ к широкому спектру акций и взимают меньшую комиссию.

Он выиграл пари. S&P 500 вернул в среднем 8.5% с 2008 по 2017 год, в то время как средняя доходность пяти фондов, с которыми он боролся, была менее 3%.

Баффет пожертвовал выплату в размере 2,2 миллиона долларов компании Girls Incorporated из Омахи.

12. S&P 500

Прогноз:

Баффет, как известно, скептически относится к тому, что хорошие времена продолжатся. В письме акционерам Berkshire Hathaway в 1999 г. Баффет и его партнер Чарли Мангер считали «фактическую уверенность» в том, что в следующие десять или два десятилетия индекс S&P 500 «будет гораздо хуже, чем с 1982 года.«

Результат:

Баффет был прав в том, что звездная средняя общая доходность S&P, составлявшая чуть более 19% с 1982 по 1999 год, не продлилась бы. По данным SlickCharts, в течение следующего десятилетия индекс возвратился в среднем на 1,2%. восстановление до приличных 12,2% с 2010 по 2018 год.

Почему прогнозы популярных цен на биткойны (BTC) на конец 2018 года больше не актуальны

С праздником в разгаре у нас меньше трех недель до наступления нового 2019 года.Многие люди по всему миру, вероятно, украшают свои рождественские елки и планируют, как они встретятся с близкими в ближайшие несколько дней, а также на празднование Нового года. Многие криптотрейдеры и энтузиасты надеялись, что к концу 2018 года биткойн (BTC) и другие популярные криптовалюты вырастут в цене и сделают их праздничные торжества намного лучше.

В течение года мы видели, как известные аналитики Биткойн предсказывали стоимость BTC к концу года.Было предоставлено несколько прогнозов цен, но давайте резюмируем два.

1. Томас Ли — генеральный директор Fundstrat еще в июле предсказал, что к концу года BTC будет на уровне 25000 долларов. Мистер Ли довольно долго оставался верным своему оружию. Однако недавно он снизил этот прогноз до 15000 долларов к концу
года.
2. Энтони Памплиано — основатель и партнер Morgan Creek ранее в том же году предсказал, что биткойн может вырасти до 50 000 долларов.

Большинство прогнозов цен на биткойны на 2018 год основывались на том факте, что цифровой актив продемонстрировал впечатляющий четвертый квартал в 2017 году, когда он достиг пика в 20000 долларов.Прогнозы также основывались на предположении, что институциональные инвесторы с Уолл-стрит войдут в отрасль с новым капиталом.

Однако этот год был пронизан событиями, которые постоянно наносили удары по стоимости BTC и всему крипторынку. Можно сказать, что начало тяжелых стадий медвежьего рынка связано с фальшивыми новостями о том, что Goldman Sachs отказывался от планов создания криптобиржи.

Слухи о Goldman Sachs впервые появились в начале сентября, когда BTC был оценен в 7300 долларов.С тех пор на цифровой актив повлияла задержка Bakkt, SEC также отложила свое решение по VanEck ETF и Hash Wars. Предполагалось, что последнее событие не продлится долго и не повлияет на стоимость BTC и всех других цифровых активов, как это произошло.

Графики могут предсказывать будущее только на несколько часов или дней. Но когда случаются события, которые изначально не учитывались в расчетах, мы обнаруживаем, что графики больше не помогают.

Лу Кернер, партнер Crypto Oracle, сравнивает это с тем, как мы не можем предсказать погоду слишком далеко в будущем:

В то время как метеорологи могут довольно хорошо прогнозировать один день вперед, к 10 дням разница довольно значительна…

Погоду на месяц нельзя точно предсказать, потому что этот прогноз должен учитывать ряд крупномасштабных явлений, каждое из которых определяется множеством переменных и факторов.

г.Кернер продолжает признавать, что он тоже не знает точного направления движения BTC в ближайшие дни или месяцы. Однако он дает три возможности его будущего.

1. Биткойн не работает как средство сбережения — в этом случае я думаю, что Биткойн — это тост
2. Он превосходит золото как средство сбережения — в этом случае, при общем количестве золотых слитков в настоящее время около 2,5 млрд унций и рыночной капитализации золотых слитков в 3,1 триллиона долларов, каждый биткойн будет стоить к северу от 145000 долларов
3. Биткойн занимает второе место в качестве средства сбережения — Серебро в целом считается игроком №2 по хранимой стоимости.В настоящее время имеется около 4,0 миллиардов унций серебра в слитках при общей рыночной капитализации в 58 миллиардов долларов, что приведет к сегодняшней цене Биткойн в 3346 долларов. В настоящее время рыночная капитализация Биткойна составляет 62 миллиарда долларов
.

Подводя итог, в этом году было много прогнозов цен на BTC на конец года, которые не были подтверждены со временем. Поскольку в году осталось 3 недели, реальность такова, что BTC вряд ли достигнет этих значений. Прогнозы цен на далекое будущее не учитывают множество факторов и событий, которые могут произойти со временем.Это приводит нас к выводу, что мы, возможно, можем предсказать стоимость активов только на несколько дней вперед, аналогично тому, как метеорологи прогнозируют погоду.

Что вы думаете о многочисленных прогнозах цен на 2018 год? Должны ли мы прекратить предоставлять прогнозы цен на конец года для всех цифровых активов? Пожалуйста, дайте нам знать в разделе комментариев ниже.

Заявление об отказе от ответственности: Эта статья не предназначена для предоставления финансовых советов.Любое дополнительное мнение в данном документе принадлежит исключительно автору и не отражает мнение Ethereum World News или каких-либо других авторов. Пожалуйста, проведите собственное исследование, прежде чем инвестировать в любую из многочисленных доступных криптовалют. Спасибо.

Прогнозирование цен на биткойны по временным рядам с использованием многомерных функций: подход машинного обучения

В этом исследовании мы фокусируемся на прогнозировании цен на биткойны по временным рядам с использованием машинного обучения. Временной ряд — это набор значений данных относительно последовательных моментов времени.Прогноз временных рядов — это прогноз будущего поведения на основе анализа данных временных рядов. Цель состоит в том, чтобы оценить значение целевой переменной x в будущей временной точке \ (\ hat {x} [t + s] = f (x [t], x [t-1], …, x [ tn]), s> 0 \), где s — горизонт прогноза. В качестве горизонта прогноза мы принимаем во внимание конец дня, 7, 30 и 90 дней.

Рисунок 2 дает обзор основных идей, использованных в этой статье. Метод прогнозирования временных рядов на основе машинного обучения начинается с создания набора данных.Затем следует обучение моделей машинного обучения и прогнозов на основе этих моделей для различных горизонтов прогнозирования. Прогноз временных рядов цен на криптовалюту имеет лежащие в основе взаимозависимости, которые трудно понять и смоделировать. Например, существуют статистические факторы, такие как дисперсия и стандартное отклонение, которые меняются со временем. Эти взаимозависимости отображаются в виде технических индикаторов, которые объясняются в разд. 3.1. В нашем исследовании открытые источники данных использовались для сбора технических индикаторов цены BTC.На этапе предварительной обработки данных данные собираются, очищаются и масштабируются / нормализуются. Собранные данные BTC обрабатываются и делятся на три интервала. Выбор функций используется для определения соответствующих функций. Кроме того, на основе третьего интервала создаются наборы данных прогноза / прогноза n на -й день. Мы производим несколько наборов данных для разных горизонтов прогнозов, для трех разных периодов времени и выполняем выбор функций отдельно для каждого набора данных. Выбор признаков является наиболее важным шагом в машинном обучении для прогноза временных рядов и поясняется на рис.5 и в разд. 3.2.1. Отбор признаков выполняется для извлечения признаков с высоким рейтингом из каждого из этих наборов данных с использованием метода случайного леса (RF) и отсечения на основе коэффициента инфляции дисперсии (VIF) и взаимной корреляции Пирсона. Возможные функции — это пояснительные функции, основанные на различных статистических данных о работе самой цепочки блоков, а также на технических индикаторах рынка. Наборы данных разделены на наборы для обучения и проверки. Модели классификации и регрессии машинного обучения обучаются на обучающей группе и проверяются на контрольной группе.

Подробные этапы прогнозирования временных рядов на основе ML

Основным отличием подходов на основе ML от методов для временных рядов на основе моделей является фаза обучения. Методы машинного обучения извлекают многомерные статистические тренды и лежащие в основе функции из данных обучения, чтобы позволить ему предсказать результат в ранее невиданных случаях. ML для прогноза временных рядов может использоваться для классификации и регрессии. Мы используем следующие модели машинного обучения для классификации и регрессии: искусственная нейронная сеть (ИНС), многослойная искусственная нейронная сеть (SANN), вспомогательные векторные машины (SVM) и долговременная краткосрочная память (LSTM).Классификация применяется следующим образом: Если дневная цена закрытия BTC \ (P_ {BTC} [t + 1] -P_ {BTC} [t] \ ge 0 \), то \ (y [t] = +1 \) , и если \ (P_ {BTC} [t + 1] -P_ {BTC} [t] <0 \), то \ (y [t] = 0 \), где y [ t ] — целевая переменная для категорий увеличения и уменьшения цены. Модели регрессии используются для прогнозирования цен BTC в горизонте прогноза на конец дня, 7, 30 и 90 дней. На рисунке 3 показаны подробные этапы методологии на основе машинного обучения, использованной в этой статье.

BTC оказались нестационарными временными рядами, основанными на расширенном тестировании Дики-Фуллера (ADF) с единичным корнем со статистикой ADF \ (- 1.K_ {i = 1} \ beta _i \ varDelta y_ {t-1} + \ epsilon _t \ end {align} $$

(1)

где \ (\ varDelta \) — оператор конечных разностей, интересующая переменная — \ (y_t \), \ (\ alpha \) — константа, \ (\ zeta \) — коэффициент детерминированного тренда, \ (y_ {t-1} \) — запаздывающий ряд, \ (\ delta \) — коэффициент запаздывающего ряда, \ (\ beta _i \) — коэффициент запаздывания, а \ (\ epsilon _t \ ) — остаточная ошибка.

Нестационарные данные временных рядов демонстрируют различные статистические свойства, как показано на рис.4. Графики ящиков и усов трех различных линейных сегментов временного ряда цен BTC. Временной ряд разделен на 3 сегмента, каждый из которых состоит из 822 дней. Каждый сегмент имеет разные средние значения, стандартные отклонения, максимальные и минимальные цены, как показано в Таблице 1.

Коробчатые диаграммы различных сегментов временной шкалы цен BTC

Data

Функции BTC и данные о ценах доступны онлайн и в свободном доступе.Данные для этого исследования были собраны с https://bitinfocharts.com с помощью веб-парсера, написанного на Python 3.6. Собрано более 700 характеристик на основе технических индикаторов. Из этого большого набора функций было выбрано меньшее подмножество функций с помощью метода выбора функций. Технические индикаторы: простая скользящая средняя (SMA), экспоненциальная скользящая средняя (EMA), индекс относительной силы (RSI), взвешенная скользящая средняя (WMA), стандартное отклонение (STD), дисперсия (VAR), тройная скользящая экспонента (TRIX). и скорость изменения (ROC).Эти технические индикаторы рассчитываются с использованием разных периодов, таких как конец дня, 7, 30 и 90 дней. Цены закрытия на конец дня считаются необработанными. Необработанные характеристики, на которых основаны эти технические индикаторы, приведены в таблице 2. Технические индикаторы демонстрируют свойства, которые не всегда можно найти в исходных характеристиках: такие вещи, как дисперсии и стандартные отклонения как функция времени. Эти технические индикаторы рассчитываются для отображения этих свойств в функциях временного ряда цен BTC.Например, они показывают, как цена BTC связана со стандартным отклонением транзакций или хешрейтом за 30-дневные периоды, а не только с необработанными транзакциями и хешрейтом.

В этом исследовании были рассмотрены три интервала данных для сравнения с современными данными, приведенными в [10] и [9]. В первом интервале учитывались данные с 1 апреля 2013 г. по 19 июля 2016 г. Второй интервал — данные с 1 апреля 2013 г. по 1 апреля 2017 г.Третий и самый большой интервал содержит данные с 1 апреля 2013 г. по 31 декабря 2019 г. Этот интервал ранее в литературе не исследовался.

Предварительная обработка

При предварительной обработке пропущенные случаи были вычислены с использованием метода линейной интерполяции, где это было возможно. В противном случае для вменения используется наиболее часто встречающееся значение внутри признака. Для всех регрессионных моделей набор данных был перемешан и разделен на два набора: обучающий набор и набор проверки. 20% данных были предназначены для проверки, а 80% данных использовались для обучения.Пятикратная перекрестная проверка была применена к обучающей выборке для обучения составной искусственной нейронной сети. Для всех моделей классификации набор данных был линейно разделен на два набора: обучающий и проверочный. Первые 80% данных были назначены обучающему набору, а последние 20% оставлены для проверки.

Для обучения моделей ИНС, составных ИНС и LSTM функции были масштабированы с использованием робастного масштабирования с последующим масштабированием по минимальному максимальному значению. При масштабировании minmax характеристики сдвигаются между 0 и 1, сохраняя при этом относительную величину выбросов.В методе надежного масштабирования для масштабирования данных используются медиана и межквартильный размах. Параметры масштабирования подбираются с использованием обучающего набора и преобразуются как в обучающий, так и в проверочный наборы. Для обучения SVM к функциям было применено стандартное масштабирование, поскольку оно улучшило производительность модели по сравнению с другими методами масштабирования, основанными на наших данных.

Для прогноза цены n на -й день разделение поезд-тест такое же, за исключением того, что столбец цен смещается вверх (или, что то же самое, назад во временной области) в зависимости от количества необходимых дней.Например, для прогнозов на 7 дней столбец цен смещен вверх на 7 дней. Это позволяет регрессионным моделям изучать связь между функциями и будущими ценами. Для моделей классификации цена преобразуется в категориальное значение путем присвоения значения 1, если цена увеличивается или остается такой же по сравнению с предыдущим днем. В противном случае ему присваивается 0. Для прогнозирования цены n -го дня используется тот же метод. Например, для прогнозирования цен на 30-й день цена на 30-й день сравнивается с сегодняшней ценой, и соответствующим образом присваивается категория 0 или 1.Было изучено влияние выбросов цен на характеристики моделей, и их устранение привело к повышению производительности.

В этом случае использовался метод Isolation Forest [26]. Это неконтролируемый метод обнаружения выбросов на основе леса решений. Он основан на предположении, что выбросы обычно немногочисленны и обладают свойствами, отличными от основной массы данных. Например, случайным образом возникающий необычно большой скачок цен на BTC можно считать выбросом.Удаление около 10% выбросов повысило производительность большинства моделей машинного обучения. Некоторые модели показали хорошие результаты, несмотря на выбросы.

Выбор функций

Выбор функций, который является важной частью предварительной обработки данных, необходим для повышения производительности модели. Признаки были извлечены и итеративно сокращены с использованием ряда различных подходов. Во-первых, важность функции была определена с использованием метода ансамбля, основанного на случайном лесу решений. Во-вторых, сокращенный набор функций был проверен на мультиколлинеарность и взаимную корреляцию.Для этих шагов использовались коэффициент инфляции дисперсии (VIF) и корреляция Пирсона. Получившееся подмножество признаков имело относительно высокую важность с низкими значениями взаимной корреляции и отсутствием мультиколлинеарности. Выбор функции повторяется для каждого из трех интервалов. При прогнозировании или прогнозировании на n -й день процесс выбора признаков повторяется, чтобы создать новое подмножество признаков, которое лучше подходит для интересующего периода. Например, функции, которые могут прогнозировать движение цен на 7 дней вперед, не могут разумно прогнозировать цены на 90 дней вперед.Кроме того, процесс выбора характеристик требуется для моделей классификации в каждом интервале после их кодирования в такие категории, как увеличение, 1 или уменьшение, 0. На рисунке 5 показан процесс выбора характеристик.

Случайный лес — это метод ансамблевого машинного обучения, основанный на деревьях решений, который может применяться как к задачам регрессии, так и к задачам классификации. В отличие от одного дерева решений, случайный лес может использовать сотни деревьев для составления прогнозов, дающих лучшие результаты. Он не требует обширного обучения и полезен для относительно небольших наборов данных и для быстрой оценки.Элементам, которые повлияли на результаты прогноза, присваиваются оценки важности, которые можно проверить для настройки результатов, например, путем сохранения или удаления этих функций. Поскольку случайный лес не учитывает мультиколлинеарность и взаимную корреляцию, для проверки этих проблем необходимо использовать другие методы. VIF используется для измерения коллинеарности в модели множественной регрессии. Он сравнивает разницу между моделью с несколькими функциями и одной и той же моделью с отдельным элементом. Это указывает на изменчивость, которая возникает в модели из-за наличия функции, которая коррелирует с другой функцией, присутствующей в модели.Хотя можно принять VIF \ (\ le \) 10, некоторые предлагают использовать VIF \ (\ le \) 5.

В таблице 3 показаны некоторые особенности, которые являются общими для нескольких периодов прогноза, на основе важности признаков, определенной случайным лесом. . Чтобы уточнить номенклатуру функций, возьмите, к примеру, метку функции median_transaction_fee30trxUSD . Это 30-дневное трехступенчатое экспоненциальное сглаживание средней комиссии за транзакцию BTC, выраженной в обменном курсе доллара США на тот момент. Альтернативой ручному выбору функций является уменьшение размерности с помощью анализа главных компонентов (PCA).Таким образом, все функции преобразуются в новый набор компонентов посредством манипуляций с матрицами. Эти новые функции линейно независимы. Несколько наборов данных были подготовлены с использованием PCA, который улавливает 95% дисперсии в исходном наборе данных.

Процесс выбора характеристик

Модели машинного обучения

Мы смоделировали цены на биткойны, используя различные модели регрессии и классификации машинного обучения, основанные на ANN, SANN, SVM и LSTM.Эти модели описаны ниже.

Искусственная нейронная сеть

Искусственная нейронная сеть — это модель машинного обучения, которая состоит из входного слоя, выходного слоя и одного или нескольких скрытых слоев. ИНС — это универсальные аппроксиматоры функций [27], которые широко используются в машинном обучении для прогнозов и классификаций. Модель ИНС обучается на обучающем сплите с настройкой гиперпараметров для оптимальной производительности. Удовлетворительные результаты были получены при использовании конфигурации, показанной в таблице 4 для интервала II.Для этой модели и большинства других ИНС использовался оптимизатор на основе стохастического градиента Adam [28], поскольку он работал лучше по сравнению с другими оптимизаторами на основе градиента в нашем наборе данных. Скрытые слои, количество нейронов на скрытый слой, скорость обучения, эпохи и размеры пакетов были настроены эмпирически для получения оптимальных результатов. Использовалась функция потерь logcosh , поскольку на нее меньше влияют редко распределенные большие ошибки прогноза, чем на обычно используемую среднеквадратичную ошибку. Выпрямленный линейный блок (ReLU) [29] использовался в качестве функции активации, поскольку он более устойчив к проблеме исчезающего градиента.

Составная искусственная нейронная сеть

Множественные ИНС могут использоваться для создания модели машинного обучения с помощью метода, называемого наложением. Сложенная ИНС (SANN) состоит из 5 отдельных моделей ИНС, которые используются для обучения более крупной ИНС. Отдельные модели были обучены с использованием обучающего сплита с пятикратной перекрестной проверкой — каждая модель обучалась в отдельной группе. Поскольку ИНС являются стохастическими, каждая обученная модель имеет разные веса, что позволяет им хорошо изучать соответствующую складку.Последняя ИНС учится на этих различных моделях, тем самым превосходя любую отдельную модель по всему обучающему набору. На рисунке 6 показана многослойная архитектура регрессионной модели SANN. На этом рисунке состав поезда разделен на пять частей. На каждой из этих складок обучается отдельная ИНС. Выходные данные этих ИНС передаются в окончательную ИНС. Окончательная ИНС использует тестовое разделение для сравнения выходных данных меньших ИНС и использует лучшие выходные данные в качестве входных данных для составления прогнозов. Несмотря на то, что он использует тестовое разбиение при принятии решения, какой вывод выбрать из меньшего ввода, он не извлекает уроки из тестового разбиения.Модель SANN отличается от модели ИНС, которая обучается на всем разделении поездов. Модель SANN не извлекает непосредственного обучения из всего разбиения поездов, а скорее тренируется на выходных данных отдельных меньших ИНС.

Архитектура плотно связанного SANN, в которой отдельная ANN обучается на уникальных свертках обученного разбиения. Выходные данные обученных подмоделей используются в качестве входных данных для окончательной модели, которая использует лучшие входные данные для создания собственных прогнозов

Машины опорных векторов

В качестве алгоритма машинного обучения с учителем SVM используется как для классификации, так и для регрессии. проблемы.SVM основан на идее разделения точек данных в обучающем разбиении с использованием гиперплоскостей, чтобы расстояние разделения было максимальным. Опорные векторы — это точки, ближайшие к гиперплоскости, которые используются для расчета ее положения. Ядра SVM могут быть линейными или нелинейными, включая радиальную базисную функцию (RBF), гиперболический тангенс и полином. Для небольших наборов данных SVM может давать прогнозы с низким уровнем ошибок, не требуя длительного времени на обучение. Для вычисления SVM любая из целевых функций на основе L1 (2) или L2 SVM (3) должна быть минимизирована при условии, заданном в (4).{{n}} \ zeta _ {{i}} \ end {align} $$

(3)

$$ \ begin {align} & {y} _ {{i}} (\ mathbf {w} \ cdot \ phi ({x} _ {{i}}) + {b} \ ge 1 — \ zeta _ {{i}}, \ quad \ hbox {where} \ \ zeta _ {{i}} \ ge 0 \ end {align} $$

(4)

, где \ ({x} _ {{i}} \) и \ ({y} _ {{i}} \) — точки данных, а \ (\ phi ({x} _ {{i}}) \) — преобразование данных. Смещение гиперплоскости от начала координат по нормали к гиперплоскости \ (\ mathbf {w} \) задается выражением \ (\ frac {{b}} {\ Vert \ mathbf {w} \ Vert} \) .2 \) — квадрат евклидова расстояния между объектами \ (\ mathbf {x} _ {{i}} \) и \ (\ mathbf {x} _ {{j}} \), а \ (\ upsigma \) — свободный параметр.

Долгосрочная краткосрочная память

Сеть долгосрочной краткосрочной памяти (LSTM) — это тип рекуррентной нейронной сети, которая может учиться как на долгосрочных, так и на краткосрочных зависимостях. Эта модель глубокого обучения особенно полезна для моделирования и прогнозирования данных временных рядов. Поскольку ежедневная цена биткойнов и ее характеристики представляют собой данные временного ряда, LSTM можно использовать для составления прогнозов цен и прогнозирования роста или падения цен на биткойны.Блок LSTM аналогичен нейрону в ИНС. Он имеет три логических элемента, представленных сигмовидными функциями: вентили забыть (f), входа (i) и выхода (o). В блоке LSTM \ ({C} _ {{t} -1} \) — это состояние памяти или ячейки из предыдущего блока, \ ({h} _ {{t} -1} \) — это предыдущий блок output, \ ({X} _ {{t}} \) — векторный вход, \ ({C} _ {{t}} \) — состояние ячейки или память текущего блока, а \ ({h} _ {{t}} \) — вывод текущего блока. На стыке \ (\ otimes \) произведение Адамара выполняется поэлементно, и аналогично на стыке \ (+ \) суммирование выполняется поэлементно.Уравнения вентилей LSTM и состояний ячеек задаются формулами (6) — (11).

$$ \ begin {выровнено} f_t = \ sigma _g (W_f x_t + U_f h_ {t-1} + b_f) \ end {выравнивается} $$

(6)

, где \ (f_t \) — вектор активации схемы забывания, W и U — весовые матрицы, b — вектор смещения, а \ (\ sigma _g \) — сигмоидальная функция.

$$ \ begin {выровнено} i_t = \ sigma _g (W_i x_t + U_i h_ {t-1} + b_i) \ end {выравнивается} $$

(7)

где \ (i_t \) — вектор действия входного или обновляющего вентиля.

$$ \ begin {выровнено} o_t = \ sigma _g (W_o x_t + U_o h_ {t-1} + b_o) \ end {align} $$

(8)

где \ (o_t \) — вектор активации выходного вентиля.

$$ \ begin {align} \ tilde {c} _t = \ sigma _h (W_c x_t + U_c h_ {t-1} + b_c) \ end {выравнивается} $$

(9)

, где вектор активации входа ячейки задается как \ (c_t \), а \ (\ sigma _h \) — функция гиперболического тангенса.

$$ \ begin {align} c_t = f_t \ otimes c_ {t-1} + i_t \ otimes \ tilde {c} _t \ end {align} $$

(10)

где \ (c_t \) — это состояние ячейки или вектор памяти.

$$ \ begin {выровнено} h_t = o_t \ otimes \ sigma _h (c_t) \ end {выровнено} $$

(11)

где \ (h_t \) — выходной вектор блока LSTM или вектор скрытого состояния.

Насколько точны были прогнозы цен на биткойны на 2020 год?

Куда движется цена биткойна? Это вопрос, на который многие инвесторы хотят получить ответ, и никогда не было недостатка в экспертах и ​​личностях, которые могли бы предложить свои предложения.Но насколько хороши прогнозы инсайдеров отрасли относительно цен на биткойны?

Некоторое время назад мы взглянули на некоторые прогнозы на 2015 год, сделанные в 2014 году, и обнаружили, что практически все были дико оптимистичны (и совершенно ошибались) в отношении цены Биткойна. Теперь, когда наступил 2020 год, мы попробовали нечто подобное, просматривая сообщения СМИ в поисках прогнозов относительно цены Биткойна на конец 2019 года или «к 2020 году».

Получили аналогичный результат. Почти все были неправы, и большинство людей были излишне оптимистичны.

В приведенной ниже таблице мы представили результаты, включая расчет процентной доли прогнозируемой цены от истинной цены биткойнов (на основе реальной цены около 7 050 долларов США на момент написания этой статьи).

Мы отсортировали прогнозы с использованием рейтинга «Ошибочность» — прогнозы с отклонением менее чем в 2 раза «слегка неверны», прогнозы с отклонением в 2–3 раза «умеренно неверны», прогнозы с отклонением в 3–10 раз «очень неверны», и прогнозы с отклонением более чем в 10 раз (или прогнозы цены 0 долларов) «крайне неверны.”

Синие строки на диаграмме показывают, что человек предсказал диапазон цен, а не одну цену. В этом случае мы указали, какой конец их диапазона был ближе к реальной цене Биткойна, как их прогноз цены. Один диапазон, Джоэл Крюгер, включает истинную цену Биткойна, поэтому мы полностью признаем его правильность.

12/7/2018

0

Поскольку он ограничен прогнозами цены Биткойна «к 2020 году» или в конце 2019 года, этот график не включает некоторые из самых диких прогнозов на 2020 год, например печально известное обещание Джона Макафи, что он будет съедать свои собственные гениталии. национальное телевидение, если биткойн не достигнет 1 миллиона долларов в 2020 году.

Из этих данных можно извлечь несколько уроков.

Во-первых, значительное большинство прогнозов относительно цены Биткойна, вероятно, будут ошибочными, даже в относительно коротких временных масштабах, таких как год. Математические модели кажутся ошибочными с такой же вероятностью, как и инсайдеры отрасли. Другими словами, никто не знает, куда движется цена Биткойна.

Во-вторых, что неудивительно, одни из худших прогнозов исходят от партизан. Например, прогноз Кэлвина Эйра о цене BTC в $ 0 определенно кажется корыстным, учитывая, что он является основателем Bitcoin Cash, конкурента Биткойн.

В-третьих, люди, предсказывающие цену Биткойна, склонны ошибаться в высокой степени. Это может быть связано с тем, что 2019 год был относительно разочаровывающим для Биткойна, или с тем фактом, что люди, которых спрашивают о ценах на биткойны, как правило, являются энтузиастами биткойнов. Но стоит отметить, что наука предполагает, что большинство людей — около 80%, согласно этой статье — проявляют «предвзятость к оптимизму», склонность делать излишне позитивные и, в конечном итоге, неточные прогнозы о будущем.

Это не так уж и плохо, поскольку наука показывает, что оптимисты, помимо других преимуществ, обычно более здоровы и живут дольше.Наша общая склонность к нереалистичному оптимизму, вероятно, является эволюционным преимуществом в целом, но это означает, что мы можем проявлять особую осторожность, основывая инвестиции на прогнозах.

И когда дело доходит до такого нестабильного актива, как Биткойн, попытки делать прогнозы в любом случае могут быть бессмысленными. К такому выводу Fundstrat Global Partners пришли через несколько месяцев после того, как сделали прогнозы, которые мы оценили в приведенной выше таблице. В декабре 2018 года компания сообщила клиентам, что перестанет прогнозировать цены на биткойны с указанием сроков из-за «присущей криптовалюте нестабильности».”

Если у вас есть хорошая идея для истории данных, не стесняйтесь обращаться к нам! Отправляйте презентации и советы по адресу:

Страница не найдена — ScienceDirect

Будет ли биткойн продолжать расти? Крипто-эксперты Finixio Make

Лондон, Великобритания, декабрь.12, 2020 (GLOBE NEWSWIRE) — В понедельник, 30 ноября, финансовый мир затаил дыхание, когда Биткойн достиг своего наивысшего значения, превысив рекорд декабря 2017 года. Скептики ошибались.

Finixio уже много лет внимательно следит за этой историей. Медиа-компания издает широкий спектр контента и делает это уже несколько лет. В результате их опыт в этой области не имеет себе равных, и они делают свои прогнозы на будущее ….

История

В 2017 году Биткойн потряс рынок, достигнув непредвиденного пика в $ 19 783. Это заставило профессионалов и любителей в равной степени встать на передний план и начать серьезно относиться к криптовалютам.

Мечта длилась недолго. Биткойн по-прежнему оставался чрезвычайно нестабильным активом, и вскоре после этого валюта резко упала. Он потерял 25% своей стоимости всего за день и к концу 2018 года оценивался ниже 4000 долларов. В отношении ее будущего не было недостатка в финансовом скептицизме.

Но Биткойн стоил всего сотни в 2016 году и всего центов в 2008 году. Несмотря на колоссальное падение, он стабилизировался на уровне, который по-прежнему будет приносить ранним последователям невероятную прибыль.

Настоящее

За восемнадцать дней до трехлетней годовщины своего предыдущего максимума Биткойн достиг стоимости 19 857,03 доллара. Он начал год около 7100 долларов, и к октябрю он уже демонстрировал удивительно прибыльный год.

Возобновился интерес, и с конца весны финансовые эксперты начали делать удивительные прогнозы.К лету стало ясно, что криптовалюта и цифровая валюта будут играть огромную роль в новой мировой экономике.

BTC начали ноябрь с 14000 долларов и закончили его на ура. После пика понедельника последовала ожидаемая девальвация. К четвергу объем торгов немного снизился: данные биржи показали, что объем торгов составил всего 990 миллионов долларов по сравнению со средним показателем в 1,3 миллиарда долларов и 1,5 миллиарда долларов в ноябре.

Однако на этот раз люди не ждут аварии. Фактически, как восторженные, так и осторожные инвесторы предсказывают значительную прибыль Биткойн в следующие два года.

Неустойчивый актив

Оценки сильно различаются в зависимости от того, где упадет цена биткойнов. Некоторые говорят, что к следующему году он может достичь 60 000 долларов, другие полагают, что он может даже превысить 100 000 долларов.

Но Адам Грюнверг из Finixio предупреждает, что Биткойн по-прежнему является очень нестабильным активом, который, вероятно, будет продолжать испытывать приливы и отливы. В следующем году мы можем увидеть колебания стоимости BTC на 20-30% ». Как партнер, который торговал взлетами, падениями и подъемами валюты на протяжении многих лет, он имеет опыт, подтверждающий это.

Тем не менее, эксперт по криптовалюте Адам смотрит в будущее с оптимизмом: «Этих колебаний недостаточно, чтобы его замедлить. Биткойн, вероятно, вырастет до 50 000 долларов в 2021 году ».

Тенденция на рынке очевидна. Несмотря на изменчивость Биткойна, новые бычьи циклы показывают, что максимумы поднимаются выше, а минимумы также становятся выше. Это означает, что Биткойн продолжает бить свои предыдущие рекорды и стабилизируется на более высоких ценах после падения.

Откуда исходит доверие?

Причина новой веры инвесторов в криптовалюту связана с тем, кто инвестирует.В 2017 году цена Биткойна была повышена за счет индивидуальных инвесторов, которые верили в будущее и ценность технологии. Однако в то время Биткойн не считался надежной инвестицией. Он не поддерживался никакими активами или государством, и отсутствие основной поддержки увеличивало его риск.

В 2020 году рост биткойнов обусловлен институциональными инвестициями. Крупные хедж-фонды и публичные компании движут этот бычий цикл, и у них нет таких же негативных последствий для репутации, как у розничных инвесторов.

Недавно Square и Paypal добавили в свое предложение криптовалюту. Основные финансовые СМИ уделяют внимание криптовалюте и ежедневно сообщают о ней. И на этот раз не пренебрежительно. На этот раз дело серьезное.

Участие таких крупных игроков в мире криптографии придает ему необходимую легитимность. Скорее всего, мы наблюдаем начало появления цифровой валюты в мейнстриме, и в следующие годы этот рынок укрепится в надлежащую форму.

Почему институциональные инвесторы начинают уделять так много внимания биткойнам? Ответ кроется в нашем мире, пораженном Covid-19. Странам пришлось увеличивать долг, чтобы поддержать финансовое бремя закрытой экономики и сокращения производства.

«Covid полностью изменил правила инвестирования капитала. Нации и компании как никогда ранее хеджируют свои активы с помощью криптовалюты », — говорит Адам Грюнверг.

Это привело к инфляции, которая заставила инвесторов стремиться застраховаться от нее, поскольку покупательная способность доллара и других бумажных валют начала быстро снижаться.

Проблема предложения

Еще одним важным фактором, который, вероятно, продолжит поднимать цену биткойнов, является проблема предложения.

Доступно ограниченное количество биткойнов. Хотя Биткойн можно добывать, очень немногие на самом деле этим занимаются, и все другие инвесторы зависят от предложения. Более того, биткойн-майнеры будут заинтересованы в том, чтобы удерживать свои активы по мере роста цен.

Крис Томас из банка Swissquote объяснил, что «дисбаланс спроса и предложения просто невероятен».Институциональные покупатели довольно быстро набирают большие суммы, и похоже, что спрос не иссякнет.

Glassnode сообщает, что кошельки майнеров, такие как Lubian.com, F2Pool, Binance Pool и Poolin, в совокупности содержат более 33000 BTC. Томас добавил: «Горнодобывающим компаниям необходимо покрывать свои операционные расходы […] ясно, что мы собираемся продолжать довольно убедительно расти еще в течение некоторого времени».

По мере продолжения этой тенденции цены на BTC будут продолжать расти, но проблема предложения будет иметь еще одно заметное последствие, на которое Finnixio советует обратить внимание изобретателям.

Другие криптовалюты

Биткойн — не единственная криптовалюта в городе, и проблемы с ее предложением, вероятно, будут стимулировать рост других конкурирующих валют.

В последние несколько дней курс ETH / BTC также был бычьим. С начала года стоимость Ethereum выросла на 350%, и инвесторы, похоже, готовы покупать Ethereum за биткойны.

На прошлой неделе эфир ненадолго перевалил за отметку в 600 долларов, сообщил нам г-н Грюнверг.Его создатели также объявили о захватывающих обновлениях, которые, как говорят, исправляют проблемы с масштабируемостью эфира, что делает валюту еще более конкурентоспособной.

Помимо Ethereum, и Cardano, и Orchid извлекли выгоду из роста биткойнов на прошлой неделе.

Будущее

Как и предполагалось, похоже, что мы вступаем в эру криптовалюты и цифровых монет. Finixio здесь, чтобы взять вас с собой в поездку и рассказать все, что вам нужно знать о тенденциях и их влиянии.Это время преобразований для индустрии финансовых технологий, и на этот раз она не замедлится.