Fünf Methoden des maschinellen Lernens, über die Kryptohändler Bescheid wissen sollten

Free Bitcoins: FreeBitcoin | BonusBitcoin

Coins Kaufen: Bitcoin.deAnycoinDirektCoinbaseCoinMama (mit Kreditkarte)Paxfull

Handelsplätze / Börsen: Bitcoin.de | KuCoinBinanceBitMexBitpandaeToro

Lending / Zinsen erhalten: Celsius NetworkCoinlend (Bot)

Cloud Mining: HashflareGenesis MiningIQ Mining


In einem kürzlich erschienenen Artikel habe ich die Relevanz der Techniken des maschinellen Lernens für den berühmten OpenAI GPT-3 für den Kryptomarkt erörtert. GPT-3 – das Fragen beantworten, Sprachanalysen durchführen und Text generieren kann – könnte die berühmteste Errungenschaft des Deep-Learning-Raums in den letzten Jahren sein. Aber es ist keineswegs das am besten geeignete für den Kryptoraum. In diesem Artikel möchte ich einige neuartige Bereiche des Deep Learning diskutieren, die einen nahezu unmittelbaren Einfluss auf die auf Krypto angewendeten Quant-Modelle haben können.

Jesus Rodriguez ist der CEO von IntoTheBlock, einer Market-Intelligence-Plattform für Krypto-Assets. Er hatte Führungspositionen bei großen Technologieunternehmen und Hedgefonds inne. Er ist aktiver Investor, Redner, Autor und Gastdozent an der Columbia University in New York.

Modelle wie GPT-3 oder Googles BERT sind das Ergebnis eines massiven Durchbruchs beim Deep Learning, der als Sprachvorschulungs- und Transformatormodelle bekannt ist. Diese Techniken stellen wohl den größten Meilenstein in den letzten Jahren der Deep-Learning-Branche dar und ihre Auswirkungen sind auf den Kapitalmärkten nicht unbemerkt geblieben.

Im letzten Jahr wurden aktive Forschungsanstrengungen im Bereich der quantitativen Finanzierung durchgeführt, um zu untersuchen, wie Transformatormodelle auf verschiedene Anlageklassen angewendet werden können. Die Ergebnisse dieser Bemühungen bleiben jedoch lückenhaft und zeigen, dass Transformatoren bei weitem nicht betriebsbereit in Finanzdatensätzen sind und hauptsächlich auf Textdaten anwendbar sind. Aber es gibt keinen Grund, sich schlecht zu fühlen. Während die Anpassung von Transformatoren an Finanzszenarien relativ schwierig bleibt, sind andere neue Bereiche des Deep-Learning-Bereichs vielversprechend, wenn sie in Quant-Modellen für verschiedene Anlageklassen einschließlich Krypto angewendet werden.

Aus vielen Blickwinkeln scheint Krypto die perfekte Asset-Klasse für Deep-Learning-basierte Quant-Modelle zu sein. Dies liegt an der digitalen DNA und der Transparenz von Krypto-Assets und daran, dass der Aufstieg der Krypto mit einer Renaissance des maschinellen Lernens und der Entstehung von Deep Learning zusammenfiel.

Nach jahrzehntelangem Kampf und ein paar sogenannten Wintern mit „künstlicher Intelligenz (KI)“ ist Deep Learning in verschiedenen Bereichen der Softwareindustrie endlich real und etwas Mainstream geworden. Quantitative Finance war einer der schnellsten Anwender neuer Deep-Learning-Technologien und -Forschungen. Es ist sehr üblich, dass einige der Top-Quant-Fonds auf dem Markt mit denselben Ideen experimentieren, die aus High-Tech-KI-Forschungslabors wie Facebook, Google oder Microsoft stammen.

Siehe auch: Jesus Rodriguez – 10 Gründe Quant Strategien für Crypto Fail

Einige der aufregendsten Entwicklungen in der modernen Quant-Finanzierung beruhen nicht auf auffälligen Techniken wie Transformatoren, sondern auf aufregenden Durchbrüchen beim maschinellen Lernen, die für Quant-Szenarien weiterentwickelt wurden. Viele dieser Methoden sind perfekt auf Crypto-Asset-Quant-Techniken anwendbar und beginnen, in Crypto-Quant-Modellen Einzug zu halten.

Im Folgenden habe ich fünf neue Bereiche des Deep Learning aufgelistet, die für Krypto-Quant-Szenarien besonders wichtig sind. Ich habe versucht, die Erklärungen relativ einfach und auf Kryptoszenarien zugeschnitten zu halten.

1) Zeichnen Sie neuronale Netze

Blockchain-Datensätze sind eine einzigartige Alpha-Quelle für Quant-Modelle im Kryptoraum. Aus struktureller Sicht sind Blockchain-Daten an sich hierarchisch und werden durch ein Diagramm mit Knoten dargestellt, die Adressen darstellen, die durch Kanten verbunden sind, die Transaktionen darstellen. Stellen Sie sich ein Szenario vor, in dem ein Quant-Modell versucht, die Volatilität von Bitcoin in einer bestimmten Börse basierend auf den Merkmalen von Adressen vorherzusagen, die Geld in die Börse transferieren. Diese Art von Modell muss effizient über hierarchische Daten arbeiten. Die meisten Techniken des maschinellen Lernens sind jedoch so konzipiert, dass sie mit tabellarischen Datensätzen und nicht mit Diagrammen arbeiten.

Graph Neural Networks (GNNs) sind eine neue Deep-Learning-Disziplin, die sich auf Modelle konzentriert, die effizient mit Graphdatenstrukturen arbeiten. GNNs sind ein relativ neuer Bereich des Deep Learning, der erst 2005 erfunden wurde. GNNs wurden jedoch häufig von Unternehmen wie Uber, Google, Microsoft, DeepMind und anderen übernommen.

In unserem Beispielszenario könnte ein GNN ein Diagramm als Eingabe verwenden, das die Ströme in und aus Börsen darstellt, und auf relevantes Wissen schließen, das für seine Auswirkungen auf den Preis relevant ist. Im Zusammenhang mit Krypto-Assets haben GNNs das Potenzial, neue Quant-Methoden zu ermöglichen, die auf Blockchain-Datasets basieren.

2) Generative Modelle

Eine der Einschränkungen von Quant-Modellen für maschinelles Lernen ist das Fehlen großer historischer Datensätze. Angenommen, Sie versuchen, ein Vorhersagemodell für den Preis von ChainLink (LINK) basierend auf dem historischen Handelsverhalten zu erstellen. Obwohl das Konzept ansprechend erscheint, könnte es sich als herausfordernd erweisen, da LINK über etwas mehr als ein Jahr historische Handelsdaten an Börsen wie Coinbase verfügt. Dieser kleine Datensatz reicht für die meisten tiefen neuronalen Netze nicht aus, um relevantes Wissen zu verallgemeinern.

Generative Modelle sind eine Art Deep-Learning-Methode, die darauf spezialisiert ist, synthetische Daten zu generieren, die der Verteilung eines Trainingsdatensatzes entsprechen. Stellen Sie sich in unserem Szenario vor, wir trainieren ein generatives Modell für die Verteilung des Link-Orderbuchs in Coinbase, um neue Aufträge zu generieren, die der Verteilung des realen Orderbuchs entsprechen.

Durch die Kombination des realen und des synthetischen Datensatzes können wir einen ausreichend großen Datensatz erstellen, um ein ausgeklügeltes Deep-Learning-Modell zu trainieren. Das Konzept des generativen Modells ist nicht besonders neu, hat jedoch im letzten Jahr mit dem Aufkommen populärer Techniken wie generativen kontradiktorischen neuronalen Netzen (GANs), die zu einer der beliebtesten Methoden in Bereichen wie Bildklassifizierung und Bildgebung geworden sind, viel Anklang gefunden wurden mit relevantem Erfolg mit Zeitreihen-Finanzdatensätzen verwendet.

3) Halbüberwachtes Lernen

Beschriftete Datensätze sind im Kryptoraum rar und schränken die Art der Quantmodelle für maschinelles Lernen, die in realen Szenarien erstellt werden können, stark ein. Stellen Sie sich vor, wir versuchen, ein ML-Modell zu erstellen, das Preisvorhersagen basierend auf der Aktivität von OTC-Schreibtischen erstellt. Um dieses Modell zu trainieren, benötigen wir einen großen beschrifteten Datensatz mit Adressen, die zu OTC-Desks gehören. Dies ist der Dataset-Typ, den nur wenige Unternehmen auf dem Kryptomarkt besitzen.

Halbüberwachtes Lernen ist eine Deep-Learning-Technik, die sich auf die Erstellung von Modellen konzentriert, die mit kleinen beschrifteten Datensätzen und einer großen Menge unbeschrifteter Daten lernen können. Halbüberwachtes Lernen ist analog zu einem Lehrer, der einer Gruppe von Schülern einige Konzepte vorstellt und die anderen Konzepte den Hausaufgaben und dem Selbststudium überlässt.

Stellen Sie sich in unserem Beispielszenario vor, wir trainieren ein Modell mit einer kleinen Anzahl von gekennzeichneten Trades von OTC-Desks und einer großen Gruppe von nicht gekennzeichneten Trades. Unser halbüberwachtes Lernmodell lernt wichtige Funktionen aus dem gekennzeichneten Datensatz wie Handelsgröße oder -häufigkeit und verwendet den nicht gekennzeichneten Datensatz, um das Training zu erweitern.

4) Repräsentationslernen

Die Extraktion und Auswahl von Merkmalen ist eine Schlüsselkomponente jedes quantitativen maschinellen Lernmodells und besonders relevant bei Problemen, die nicht sehr gut verstanden werden, wie z. B. Vorhersagen von Krypto-Assets. Stellen Sie sich vor, wir versuchen, ein Vorhersagemodell für den Preis von Bitcoin basierend auf Auftragsbuchaufzeichnungen zu erstellen.

Einer der wichtigsten Aspekte unserer Bemühungen ist die Bestimmung, welche Attribute oder Merkmale als Prädiktoren fungieren können. Ist es der mittlere Preis, das Volumen oder hundert andere Faktoren? Der traditionelle Ansatz besteht darin, sich bei der Herstellung dieser Funktionen auf Fachexperten zu verlassen. Dies kann jedoch im Laufe der Zeit schwierig zu skalieren und zu warten sein.

Repräsentationslernen ist ein Bereich des Dep-Lernens, der sich auf die Automatisierung des Lernens solider Repräsentationen oder Merkmale konzentriert, um effektivere Modelle zu erstellen. Anstatt sich auf die Modellierung menschlicher Merkmale zu verlassen, versucht das Repräsentationslernen, Merkmale direkt aus unbeschrifteten Datensätzen zu extrapolieren. In unserem Beispiel könnte eine Repräsentationslernmethode das Auftragsbuch analysieren und Hunderttausende potenzieller Merkmale identifizieren, die als Prädiktoren für die Bitcoin-Preise dienen können. Dieser Grad an Skalierung und Automatisierung ist im manuellen Feature-Engineering nicht zu erreichen.

5) Suche nach neuronaler Architektur

Der Prozess der Erstellung quantitativer Modelle für maschinelles Lernen bleibt in vielerlei Hinsicht sehr subjektiv. Nehmen wir das Szenario eines Modells, das versucht, den Preis von Ethereum basierend auf der Aktivität in einer Reihe von DeFi-Protokollen vorherzusagen. Angesichts der Art des Problems werden Datenwissenschaftler bestimmte Präferenzen hinsichtlich der Art des zu verwendenden Modells und der zu verwendenden Architektur haben.

In unserem Szenario basieren die meisten dieser Ideen auf Domänenwissen und subjektiven Meinungen darüber, wie sich die Aktivität in DeFi-Protokollen auf den Preis von Ethereum auswirken kann. Angesichts der Tatsache, dass maschinelles Lernen auf dem Aufbau von Wissen basiert und Wissen keine diskrete Einheit ist, ist es fast unmöglich, die Vorzüge einer Methode gegenüber einer anderen für ein bestimmtes Problem zu diskutieren.

Die Suche nach neuronaler Architektur (NAS) ist ein Bereich des Deep Learning, in dem versucht wird, die Erstellungsmodelle mithilfe von maschinellem Lernen zu automatisieren. Verwenden Sie maschinelles Lernen, um maschinelles Lernen zu erstellen. Angesichts eines Zielproblems und eines Datensatzes bewerten NAS-Methoden Hunderte möglicher neuronaler Netzwerkarchitekturen und geben diejenigen mit den vielversprechendsten Ergebnissen aus.

In unserem Beispielszenario kann eine NAS-Methode einen Datensatz verarbeiten, der Trades an dezentralen Börsen enthält, und einige Modelle erstellen, die möglicherweise den Preis von Ethereum basierend auf diesen Datensätzen vorhersagen können.

Da kommt noch mehr

Die oben beschriebenen Methoden stellen einige aufstrebende und weiter entwickelte Bereiche des Deep Learning dar, die sich kurzfristig wahrscheinlich auf die Krypto-Quant-Modelle auswirken werden. Und dies sind keineswegs die einzigen Bereiche, in denen Crypto Quant mit tiefem Lernen Beachtung finden sollte.

Andere Deep-Learning-Disziplinen wie Bestärkungslernen, selbstüberwachtes Lernen und sogar Transformatoren dringen schnell in den Quantenraum vor. Forschung und Experimente über Deep-Learning-Techniken, die auf Quantenmodelle angewendet werden, finden überall statt, und Krypto ist ein großer Nutznießer dieser Innovationswelle.

Free Bitcoins: FreeBitcoin | BonusBitcoin

Coins Kaufen: Bitcoin.deAnycoinDirektCoinbaseCoinMama (mit Kreditkarte)Paxfull

Handelsplätze / Börsen: Bitcoin.de | KuCoinBinanceBitMexBitpandaeToro

Lending / Zinsen erhalten: Celsius NetworkCoinlend (Bot)

Cloud Mining: HashflareGenesis MiningIQ Mining

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close