Derin öğrenme ile kripto para fiyat tahmini ne kadar başarılı?

Derin öğrenme ile kripto para fiyat tahmini ne kadar başarılı?
Derin öğrenme ile kripto para fiyat tahmini ne kadar başarılı?

Hindistan’da prestije sahip Vellore Institute of Technology’nin veri uzmanı,”Long-Short Term Memory” (LSTM) Yapay Sinir Ağı kullanarak gerçek zamanlı olarak kripto para fiyatlarını tahmin etmek için bir yöntem geliştirdi.

Araştırmacı Abhinav Sagar, bir sektördeki fiyatları tahmin etmek için makine öğrenme teknolojisinin nasıl kullanılacağı konusunda dört aşamalı bir sürece işaret etti. Geleneksel pazarlara kıyasla “nispeten öngörülemeyen” olduğunu iddia ediyor.

Derin öğrenme ile Kripto para fiyatlarını tahmin etme

Kripto paraların popülerliği, 2017 yılında pazar değerinde art arda artan üssel büyüme nedeniyle 2017’de arttı. Ocak 2018’de sermaye miktarı, 800 milyar dolardan fazla arttı.

Sagar, sunumuna makine öğreniminin çok sayıda zaman serisi modelini kullanarak hisse senedi fiyatlarını tahmin edebildiğini belirterek başladı. Ve kripto para fiyatlarının tahmini için ise uygulamanın çok kısıtlayıcı olduğu vurgulandı. Bunun nedeni olarak da kripto para fiyatlarının birçok faktöre bağlı olduğu gösteriliyor. Bunlar teknolojik ilerleme, iç rekabet, piyasa baskısı, ekonomik sorunlar, güvenlik sorunları, politik faktörler vb. gibi.

Bu tarz akıllı buluş stratejileri çalışırsa, yüksek volatilite, yüksek kazanç için büyük potansiyele sunabilir. Ne yazık ki, ipuçlarından yoksun olmalarından ötürü, kripto paralar, hisse senedi tahminleri gibi geleneksel finansal tahminlere kıyasla nispeten tahmini daha zor varlıklar olarak karşımıza çıkıyor.

Sagar’a göre, kripto para birimi fiyatlarını tahmin etmek için dört adım bulunuyor:

  •     Gerçek zamanlı olarak kripto para verilerini alma.
  •     Eğitim ve test için veri hazırlama.
  •     LSTM sinir ağını kullanarak kripto para biriminin fiyatını tahmin etme.
  •     Tahmin sonuçlarını görselleştirme.

https://i2.wp.com/atozmarkets.com/wp-content/uploads/amicus/2019/12/1_dqNZXivRrYtXnWuFQqzDcg.png?w=796&ssl=1

Araştırmacı Sagar’ın CryptoCompare veri kümesi

Sagar, ağını oluşturmak için, fiyat, hacim ve açılış, en yüksek ve en düşük değerler gibi özellikleri kullanarak bir CryptoCompare veri kümesi kullandı:

Verileri iki gruba ayırdım: sırasıyla bir eğitim seti ve yüzde 80 ve yüzde 20 veri içeren bir test seti. Ancak, buradaki karar sadece bu ders için. Gerçek işlemlerde, verilerinizi daima eğitim, doğrulama, testler (% 60,% 20,% 20 gibi) şeklinde bölmek zorundasınız.

Sagar, GitHub’da tüm proje kodunu veriyor. Ayrıca, makine öğrenmeye hazırlanırken veri değerlerini standartlaştırmak için kullandığı işlevleri de açıklıyor.

Ağ tahminlerinin sonuçlarını çizmeden ve görselleştirmeden önce, Sagar, Ortalama Mutlak Hata’yı bir değerlendirme önlemi olarak kullandığını da not ediyor. Bununla birlikte, bu, hataların ortalama büyüklüğünü, yönlerini dikkate almadan bir dizi tahminde ölçüyor.

Pazar tahminlerinin ötesinde, makine öğrenmesi ile blokzincir gibi yeni merkezi olmayan teknolojilerin bir noktada birleşmesi daha da popüler hale geldi.

atozmarkets


Buraya tıklayarak Binance borsasında yüzde 15 komisyon indirimi kazanabileceğiniz bir hesap açabilirsiniz!


En güncel haberlerimizi Telegram kanalımızdan, Instagram hesabımızdan, Facebook sayfamızdan ve Twitter hesabımızdan takip edebilirsiniz.


Yazı içeriğindeki bilgiler, tamamen bilgilendirme amaçlıdır. Herhangi bir yatırım tavsiyesi niteliği taşımaz. Yapıyor olduğunuz yatırımlardan kaynaklı kâr ya da zararınızdan yazar ve kriptoparahaber.com sorumlu değildir. Yatırım, nihayetinde bilgi, birikim, tecrübe, araştırma ve şahsi kararlar gibi birçok temele dayanır.


Siz ne düşünüyorsunuz?