TensorFlow-Bitcoin-Robot:一個基於 TensorFlow LSTM 的 Bitcoin 價格預測機器人

簡介

TensorFlow-Bitcoin-Robot:一個基於 TensorFlow LSTM 模型的 Bitcoin 價格預測機器人。

文章包括一下幾個部分：
1.爲何要嘗試作這個項目？
2.爲何選取了這個模型？
3.模型的數據從哪裏來？
4.模型的優化過程？
5.項目能夠進一步提高的方向。

對於以比特幣爲首的數字貨幣近期的表現，只能用瘋狂來形容。來自比特幣交易平臺的最新價格行情顯示，就在此前一天，比特幣盤中最高價格達到29838.5元，距離3萬元大關僅有咫尺之遙。比特幣最近火熱的行情，吸引了衆多的關注，還有一我的工智能彷佛無所不能，那麼問題來了，可否用人工智能來進行比特幣交易呢？

使用什麼模型來進行價格預測？如今熱門的 深度神經網絡，卷積神經網絡，循環神經網絡，由於卷積神經網絡更適合處理圖片，循環神經網絡比較適合處理序列化內容，尤爲是 LSTM 是 RNN 的升級版。

LSTM（Long Short-Term Memory）是長短時間記憶網絡，是一種時間遞歸神經網絡，適合於處理和預測時間序列中間隔和延遲相對較長的重要事件。LSTM 已經在科技領域有了多種應用。基於 LSTM 的系統能夠學習翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別圖像識別、手寫識別、控制聊天機器人、預測疾病、點擊率和股票、合成音樂等等任務。比特幣的成交記錄就是事件序列上的加個數據，能夠基於過去的成交記錄序列來對將來的價格做出預測，和 LSTM 的模型比較合適。接下來的價格能夠做爲預測結果。

數據集

新的問題來了，數據從哪裏來？
須要的數據是一個包含成交價格的序列，而後能夠截取一部分做爲輸入值，接下來的一部分做爲預測值。後來找了一下，主流的交易平臺都提供了部分歷史數據，但都不是不少。最後採用了 btctrade ，用 requests 爬取，它包含比特幣的 50 個交易記錄。

獲取數據集的腳本
get_trades.py 會獲取這些交易記錄，從新轉化爲 json ,而且用圖片的方式展現出來,供下一步數據分析使用。

運行前須要安裝的依賴：
爲了爬取數據，須要使用 requests 庫，一個很是好用的 HTTP 庫。爲了把交易的數據可視化，使用了 matplotlib。

pip install requests
pip install matplotlib

模型

rnn_predicter.py

使用 LSMT 模型。截取 10個交易記錄做爲輸入，若是 第 11個價格比第10個高，就把輸出設置爲 [1,0,0]，若是低就設置爲 [0,0,1] ，若是相同 [0,1,0]。

for i in range(0,20):
    #print(price)
    one_predictor=np.array(price[i:i+20],dtype=float)
    #print(one_predictor)
    train_x.append(one_predictor)
    if(int(price[i+20])>int(price[i+21])):
        train_y.append(np.array([1,0,0]))
    elif (int(price[i + 20]) == int(price[i + 21])):
        train_y.append(np.array([0,1,0]))
    elif(int(price[i+20])<int(price[i+21])):
        train_y.append(np.array([0,0,1]))

下一步定義模型：
tensorflow lstm 模型，須要把 tensor 拆分紅序列，而後傳入模型。不然回報錯，也就是代碼中的 x = tf.unstack(x, n_steps, 1) 。

def RNN(x, weights, biases):
    #首先把數據拆分爲 n 個序列，每個的維度 (batch_size, n_input)
    x = tf.unstack(x, n_steps, 1)

    # 定一個 lstm cell
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

    # 得到 lstm 的輸出
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)
    # 加個線性激活
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

得到結果，定義損失函數和優化函數

如何優化模型？
預測值獲取以後，對比實際的價格，會有一個損失函數。損失函數使用 softmax_cross_entropy_with_logits 來計算預測值和標記值的差，而後用 AdamOptimizer 來優化損失函數優化模型。

pred = RNN(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

項目開源地址和訓練結果

https://github.com/TensorFlow...

訓練設備：

GeForce GTX 980 Ti

訓練結果：

Iter 998000, Minibatch Loss= 0.730588, Training Accuracy= 0.75000 Optimization Finished!

後續更新發布

http://www.tensorflownews.com/

更新計劃

由於交易平臺提供的歷史交易記錄很是少，因此爲了進一步提升訓練效果，後續要持續的本身保存歷史交易數據或者是找到更好的數據來源。還有一個方面是，模型訓練完了以後，保存下來，後續能夠直接使用。還有針對模型自己還能夠作必定的優化，如今只是預測，漲，跌，維持，後續能夠進行更加精細的評分，按照歷史數據進行回測等等。模型持久化，訓練數據集持久化，測試數據集。