深度学习在加密货币价格预测中的应用

简介

本仓库利用最先进的深度学习算法来预测比特币价格，并且该方法具有推广到其他加密货币的潜力。它基于TensorFlow框架，使用由Keras实现的CNN和RNN等模型。更多详细说明请参阅这篇博客文章。

快速入门

要运行此仓库，请确保安装以下环境和库：

1. Python 2.7
2. Tensorflow=1.2.0
3. Keras=2.1.1
4. Pandas=0.20.3
5. Numpy=1.13.3
6. h5py=2.7.0
7. sklearn=0.19.1

文件说明

目前共有三种不同的模型：

1. LSTM.py
2. GRU.py
3. CNN.py（一维卷积神经网络）

验证结果绘制在：

1. Plot_LSTM.ipynb
2. Plot_GRU.ipynb
3. Plot_CNN.ipynb

数据来自poloniex，并被解析为h5py文件：

1. DataCollection.ipynb
2. PastSampler.ipynb

运行

要运行预测模型，选择其中一个模型即可。例如：

python CNN.py

如果要运行iPython文件，则需要启动Jupyter Notebook：

jupyter notebook

务必先运行DataCollection.ipynb和PastSampler.ipynb以创建用于训练模型的数据集。

输入、输出与损失

输入是一组过去1280分钟内的比特币数据，步长为256。输出是未来80分钟内的预测值，步长为16。由于数据每5分钟更新一次，因此输入覆盖了过去1280分钟，而输出则预测未来80分钟的变化。所有数据均使用sklearn提供的MinMaxScaler在整个数据集上进行归一化处理。损失函数定义为均方误差（MSE）。

结果

模型	层数	激活函数	验证集损失	测试集损失（反归一化后）
CNN	2	ReLU	0.00029	114308
CNN	2	Leaky ReLU	0.00029	115525
CNN	3	ReLU	0.00029	201718
CNN	3	Leaky ReLU	0.00028	108700
CNN	4	ReLU	0.00030	117947
CNN	4	Leaky ReLU	0.03217	12356304
LSTM	1	tanh + ReLU	0.00007	26649
LSTM	1	tanh + Leaky ReLU	0.00004	15364
GRU	1	tanh + ReLU	0.00004	17667
GRU	1	tanh + Leaky ReLU	0.00004	15474
基线（滞后法）	-	-	-	19122
线性回归	-	-	-	19789

上表每一行代表在总共100个训练轮次中取得最佳验证损失的模型。从结果可以看出，LeakyReLU似乎总是比普通的ReLU表现更好。然而，采用Leaky ReLU作为激活函数的四层CNN却产生了较大的验证损失，这可能是由于模型部署不当所致，可能需要重新验证。CNN模型可以非常快速地训练（使用GPU时每轮仅需2秒），但其性能略逊于LSTM和GRU。最好的模型似乎是使用tanh和Leaky ReLU作为激活函数的LSTM，尽管三层CNN在捕捉数据的局部时间依赖性方面表现更佳。

LSTM模型，使用tanh和Leaky ReLU作为激活函数。

三层CNN模型，使用Leaky ReLU作为激活函数。

基线模型

线性回归模型

更新

已进行了正则化处理，详情请参见PlotRegularization.ipynb。

CryptocurrencyPrediction 快速上手指南

本项目利用深度学习算法（CNN、LSTM、GRU）预测比特币及其他加密货币的价格走势。基于 TensorFlow 和 Keras 构建。

环境准备

在开始之前，请确保您的系统满足以下要求。注意：本项目基于较旧版本的库开发，建议创建独立的虚拟环境以避免冲突。

• 操作系统: Linux / macOS / Windows
• Python 版本: Python 2.7 (必须)
• 核心依赖:
  • Tensorflow == 1.2.0
  • Keras == 2.1.1
  • Pandas == 0.20.3
  • Numpy == 1.13.3
  • h5py == 2.7.0
  • sklearn == 0.19.1
  • Jupyter Notebook (用于运行数据收集和可视化脚本)

提示：由于项目依赖 Python 2.7 及特定旧版库，直接安装可能遇到兼容性问题。若在国内网络环境下安装缓慢，可配置 pip 使用清华或阿里镜像源： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目代码

   git clone <repository_url>
   cd CryptocurrencyPrediction
   

2. 安装依赖库 由于版本锁定严格，建议逐个安装或使用 requirements.txt（如果存在），以下是手动安装指定版本的命令：

   pip install tensorflow==1.2.0
   pip install keras==2.1.1
   pip install pandas==0.20.3
   pip install numpy==1.13.3
   pip install h5py==2.7.0
   pip install scikit-learn==0.19.1
   pip install jupyter
   

基本使用

使用前必须先准备数据，然后才能运行预测模型。

第一步：数据收集与预处理

项目需要从 Poloniex 获取数据并转换为 HDF5 格式。务必先执行此步骤，否则模型无法运行。

启动 Jupyter Notebook：

jupyter notebook

在浏览器打开的界面中，依次运行以下两个文件以生成训练数据库：

1. DataCollection.ipynb (采集数据)
2. PastSampler.ipynb (处理数据采样)

第二步：运行预测模型

数据准备完成后，您可以选择三种模型之一进行训练和预测。

示例：运行一维 CNN 模型

python CNN.py

其他可用模型：

• 运行 LSTM 模型：python LSTM.py
• 运行 GRU 模型：python GRU.py

第三步：查看结果

训练完成后，可通过对应的 Jupyter Notebook 文件查看验证结果图表：

• Plot_CNN.ipynb
• Plot_LSTM.ipynb
• Plot_GRU.ipynb
• PlotRegularization.ipynb (查看正则化效果)

输入输出说明：

• 输入: 过去 256 个时间步的数据（每步 5 分钟，共覆盖过去 1280 分钟）。
• 输出: 未来 16 个时间步的预测值（覆盖未来 80 分钟）。
• 损失函数: 均方误差 (MSE)。