Ein Datenwissenschaftler vom berühmten Vellore Institute of Technology in Indien hat ein Verfahren erläutert, mit dem man die Krypto-Kurse in Echtzeit vorhersagen kann. Dabei wird ein neuronales Netzwerk mit einem langen Kurzzeitgedächtnis (LSTM) verwendet.
In einem Blogbeitrag vom 2. Dezember demonstrierte der Forscher Abinhav Sagar einen vierstufigen Prozess, wie man maschinelles Lernen nutzen kann, um die Kurse in einem Sektor vorherzusagen, der laut ihm im Vergleich zu traditionellen Märkten "relativ unvorhersehbar" sei.
Maschinelles Lernen zur Prognose von Krypto-Kursen "eingeschränkt"
Sagar begann seine Demonstration mit einem Vorwort, in dem es hieß, dass das maschinelle Lernen zwar einige Erfolge bei der Vorhersage von Börsenkursen erzielen konnte, die Anwendung im Bereich Kryptowährungen jedoch eingeschränkt sei. Dieser Behauptung stützte er mit der Tatsache, dass die Schwankungen der Kryptowährungskurse mit der rasanten technologischen Entwicklung sowie wirtschaftlichen, sicherheitstechnischen und politischen Faktoren zusammenhängen würden.
Sagars vierstufige Methode umfasst 1) das Sammeln von Echtzeit-Kryptowährungsdaten; 2) Aufbereitung der Daten für das Training neuronaler Netze; 3) Testen der Vorhersage mit dem neuronalen LSTM-Netzwerk; 4) Visualisierung der Ergebnisse der Vorhersage.
Der Softwareentwickler Aditi Mittal hat erklärt, LSTM sei ein Akronym für "Long Short-Term Memory" - eine Art neuronales Netzwerk, das Zeitreihen mit Zeitverzögerungen von unbekannter Dauer klassifiziert, verarbeitet und vorhersagt.
Um sein Netzwerk zu trainieren, verwendete Sagar einen Datensatz von CryptoCompare, der Werte, wie etwa den Kurs, das Volumen und Eröffnungs-, Höchst- und Tiefstwerte verwendet.
Er stellte auch einen Link zum Code für das gesamte Projekt auf GitHub zur Verfügung und beschreibt die Funktionen, mit denen er die Datenwerte zur Vorbereitung auf das maschinelle Lernen normalisiert hat.
Vor der Darstellung und Visualisierung der Vorhersagen des Netzwerks, nutzte Sagar Mean Absolute Error als Bewertungsmetri. Diese würde laut Sagar die durchschnittliche Größe der Fehler in einer Reihe von Vorhersagen messen, ohne deren Richtung zu berücksichtigen.
Sagars Visualisierung seiner Kryptowährungsvorhersagen in Echtzeit unter Verwendung eines neuronalen LSTM-Netzwerks. Quelle: towardsdatascience.com
Vom Markt in den Weltraum
Auch über die Marktprognosen hinaus wird die Mischung aus neuen dezentralen Technologien wie Blockchain und maschinellem Lernen immer öfter verwendet.
Wie im Herbst dieses Jahres berichtet wurde, veröffentlichte die NASA kürzlich ein Stellenangebot, in der sie einen Datenwissenschaftler suchten. Darin wurden auch Kryptowährung und Blockchain-Expertise explizit als "ein Plus" hervorgehoben.
Die Behörde, deren Hauptaufgabe der Bau und Betrieb von planetarischen Roboter-Raumfahrzeugen und die Durchführung von Erdorbit-Missionen ist, forderte auch Erfahrungen in einem oder mehreren verwandten Bereichen, wie etwa maschinelles Lernen, Big Data, Internet der Dinge, Analytik, Statistik und Cloud Computing.