The four most famous international exchanges:

Binance INTL	OKX INTL	Gate.io INTL	Huobi INTL
China Line　APP DL	China Line　APP DL	China Line　APP DL	China Line　APP DL

Note: The above exchange logo is the official website registration link, and the text is the APP download link.

許多論證聲稱，通過深度學習網絡可以準確預測加密貨幣的價格波動。本文則用實際數據打臉：別被玩弄了!這種所謂的「準確預測」存在很多坑，很多人試着建了個深度神經網絡來預測比特幣的價格，結果準得不可思議。

**利用LSTM預測比特幣的價格**

為了便於説明，首先介紹一個利用多維LSTM(長短期記憶)神經網絡來預測比特幣價格，並生成上面的預測結果的例子。LSTM是一種特殊的RNN(遞歸神經網絡)，十分適合帶有時間序列的問題。因此，在預測加密貨幣價格和股市方面LSTM十分流行。

接下來，我將數據分割成了訓練集和測試集。使用最後的10%數據作為測試，這樣分割線位於2017/9/14。所有在該日期之前的數據被用於訓練，該日期之後的數據用於測試訓練好的模型。下面，我畫出了DataFrame的close列，這就是我們要預測的每日收盤價格。

為了訓練LSTM，我們將數據按照7天的時間段分割(時間長度可以人選，我只是簡單地以一周為時間段)，每個時間段內以零為基礎(zero
base)將數據正規化(normalize)，即每個時間段內的第一條數據為0，其他值表示與第一條數據之間的相對變化。因此，這裏預測的是價格變動，而不是絕對的價格。

這裏採用了一個簡單的神經網絡，包含一個由20個神經元組成的LSTM層，dropout率為0.25，還有一個密集層(Dense)，激活函數為簡單的線性函數。此外，損失函數用的是MAE(Mean
Absolute Error，平均絕對誤差)，優化器用的是Adam。

可能你已經猜到了，這個模型最根本的問題在於，對於給定某天的預測，它幾乎與前一天的實際結果相同。預測曲線看起來只不過是把實際曲線平移了一天而已。實際上，如果把預測曲線平移一天，這個結論就更明顯了。該結果與我在許多使用LSTM做單點預測的例子中看到的一樣。

為了更明確地説明這一點，我們來計算下模型預測的返回結果和實際的返回結果：觀察實際和預測的返回結果，一個是原始形式，一個是平移了一天的形式，可以得到相同的結論。

從上面的圖形中可見，實際和預測的返回結果實際上沒有相關性。但將預測返回結果偏移一天之後，就能觀察到極強的相關性，説明預測結果在重複實際的比特幣數據。

本文的目的是討論我這幾個月看到的許多關於利用深度神經網絡預測加密貨幣和股市價格的例子。這些文章用的方法與這裏類似：利用歷史價格數據實現一個LSTM，並預測未來的走勢。而本文演示了為何這些模型無法在實際交易中使用。

沒錯，網絡在學習方面很有效。但學習到的策略卻是預測一個儘量接近於前一天的數值，因為這樣能獲得最小的平均絕對誤差。但是，無論這種預測在損失函數上的結果多麼精確，在實際中，僅基於歷史價格數據的單點預測模型的結果依然很難準確，在實際交易中幾乎沒有任何用處。

當然，可能存在更複雜的方式，在價格預測方面實現更有用的LSTM。可以從使用更多的數據，同時優化網絡結構和超參數開始。但是我認為，更可能的是採用歷史價格數據之外的數據和特徵。畢竟，投資的世界中已有共識——「過去的業績不代表未來的產出」。同樣的結論對於加密貨幣應該也成立。