Rejoignez-Nous sur

Idées, défis et leçons que nous avons découverts en essayant de prédire le prix du Bitcoin

News

Idées, défis et leçons que nous avons découverts en essayant de prédire le prix du Bitcoin

Recherche par Jésus Rodriguez et Lucas Outumuro de IntoTheBlock

À IntoTheBlock, nous avons travaillé sur des modèles prédictifs pour différents actifs cryptographiques. Les travaux vont des stratégies quantitatives sophistiquées aux prévisions directionnelles plus basiques. Sur la base de ces travaux, nous avons tiré de nombreuses leçons sur les méthodes efficaces, les défis et les aspects très particuliers à prendre en compte lors de la tentative de création de modèles prédictifs pour les actifs cryptographiques.

Dans cet article, j'aimerais explorer certaines de ces idées qui, espérons-le, éclairent l'ampleur du défi de prédire le prix de la cryptographie.

"Tous les modèles sont faux mais certains sont utiles"

Le statisticien britannique George Box a dit un jour qu'en ce qui concerne les modèles statistiques, «tous les modèles sont faux, mais certains sont utiles». Cette phrase a été adoptée comme un mantra dans la finance quantitative pour indiquer que la nature en constante évolution des marchés financiers posera des problèmes aux modèles prédictifs les plus sophistiqués. Dans le cas des actifs cryptographiques, cette idée ne pourrait pas être plus correcte.

La nature dynamique des actifs cryptographiques, la volatilité régulière (oui, ça reviendra 😉 ) et la courte histoire de trading rend la cryptographie particulièrement difficile pour les modèles prédictifs. De plus, différents actifs cryptographiques peuvent être basés sur des protocoles fondamentalement différents et pourraient se comporter différemment dans certaines conditions de marché.

Dans le contexte des actifs cryptographiques, les quants ou les scientifiques des données travaillant dans des modèles prédictifs devraient se rendre compte que même des modèles prédictifs efficaces auraient une durée limitée et seraient vulnérables aux changements des conditions du marché. Dans cette perspective, il est plus important de produire une variété de modèles prédictifs pour différentes thèses que d'essayer de définir la stratégie prédictive parfaite.

Les arguments en faveur de l'apprentissage profond dans les prédictions d'actifs cryptographiques

Il existe de nombreuses méthodes qui peuvent être utilisées pour modéliser les comportements prédictifs dans les actifs cryptographiques. Prenant quelques libertés, la plupart de ces techniques peuvent être regroupées dans l'une des catégories suivantes:

  • Prévisions chronologiques: Méthodes statistiques traditionnelles qui se concentrent sur la prédiction d'une valeur dans une série chronologique basée sur des attributs existants.
  • Apprentissage automatique: Techniques d'apprentissage automatique plus simples telles que la régression linéaire ou les arbres de décision qui sont très courants dans les stratégies quantitatives.
  • L'apprentissage en profondeur: Modèles prédictifs basés sur la nouvelle école des réseaux de neurones profonds.

Dans notre expérience, l'application de méthodes de prévision de séries chronologiques aux crypto-actifs a montré que, bien qu'elles soient relativement faciles à utiliser, elles ne sont pas très résistantes aux fluctuations constantes de l'espace cryptographique.

Les méthodes traditionnelles d'apprentissage automatique telles que la régression linéaire ou les arbres de décision ont une forte présence dans les systèmes quantitatifs traditionnels et, par conséquent, on peut sembler enclin à extrapoler ces leçons à l'espace cryptographique. Cependant, nous avons constaté que ces méthodes présentent un défi majeur de généralisation et ne se sont pas avérées très résistantes aux conditions du marché.

Les réseaux de neurones profonds sont la dernière tendance dans l'espace de l'intelligence artificielle (IA) et celle qui s'est développée le plus rapidement. Au cours des dernières années, le corps de recherche en apprentissage profond a considérablement augmenté. La promesse des réseaux de neurones profonds est qu'ils peuvent découvrir des relations non linéaires complexes entre des variables arbitraires. D'après notre expérience, les modèles d'apprentissage profond dans les actifs cryptographiques ont montré une forte résilience aux conditions du marché et la capacité de généraliser les connaissances. Les plus gros inconvénients sont que ces types de modèles sont coûteux en calcul et très difficiles à comprendre et à interpréter comment ils produisent des décisions.

En finance quantitative, l'application des méthodes d'apprentissage en profondeur en est encore à ses débuts par rapport aux autres méthodes. Cependant, les promesses sont énormes. Dans le cas des actifs cryptographiques, les modèles d'apprentissage en profondeur présentent des avantages tangibles:

  1. Relations complexes et non linéaires: Les réseaux de neurones profonds peuvent modéliser des relations non linéaires très complexes entre différents prédicteurs.
  2. Résilient: Grâce à une formation constante, les modèles d'apprentissage en profondeur se sont avérés résilients aux fluctuations constantes du marché de la cryptographie.
  3. Grand organisme de recherche: La recherche en apprentissage profond en finance quantitative se développe plus rapidement que toute autre discipline, offrant de nombreuses idées de recherche pouvant être adaptées à l'espace cryptographique.

Dans le même temps, il existe quelques inconvénients potentiels à l'application de modèles d'apprentissage en profondeur aux prévisions de prix des crypto-actifs:

  1. Interprétabilité: Les réseaux de neurones profonds sont complexes et, par conséquent, très difficiles à interpréter.
  2. Coûteux à construire: Les modèles d'apprentissage profond sont coûteux en calcul à construire et à maintenir.

Dans les différentes écoles de statistique et d'apprentissage automatique des marchés actuels, le deep learning semble particulièrement bien équipé pour relever les défis de la construction de modèles prédictifs pour les actifs cryptographiques. Cependant, supposer que la plupart des idées d'apprentissage en profondeur des marchés financiers traditionnels s'appliqueront dans l'espace cryptographique serait une erreur. Nous avons certainement expérimenté quelques-unes des méthodes d'apprentissage en profondeur les plus acceptées en finance quantitative traditionnelle et avons rencontré quelques surprises.

10 choses que nous avons apprises lors de la création de modèles prédictifs pour les actifs cryptographiques

Construire un pipeline de prédiction robuste est une tâche très difficile. La plupart des modèles qui fonctionnent très bien dans un environnement de laboratoire seront difficiles à opérationnaliser. Voici quelques leçons qui pourraient être pertinentes lorsque vous envisagez d'appliquer des modèles d'apprentissage en profondeur aux prédictions d'actifs cryptographiques:

  1. La taille de la formation compte: En ce qui concerne les crypto-actifs, plus l'ensemble de données est grand pour entraîner les modèles, mieux c'est.
  2. La qualité des données est un énorme problème pour les actifs cryptographiques: Il est très difficile de trouver des sources de données fiables dans l'espace cryptographique.
  3. Des prédictions précises ne signifient pas des prédictions exploitables: Une indication de mouvement directionnel du prix n'est pas une stratégie de trading.
  4. L'opérationnalisation des prévisions en temps réel est difficile: L'exécution de modèles d'apprentissage en profondeur en temps réel nécessite un peu d'infrastructure.
  5. Les modèles prédictifs basés sur la blockchain sont très fragiles: Les modèles prédictifs de la blockchain sont très vulnérables aux manipulations d'échange, aux fourchettes et à d'autres changements d'exécution qui peuvent affecter leurs performances.
  6. Décider quand et comment recycler les modèles est un défi: Le recyclage des modèles prédictifs après leur mise en production peut modifier leurs performances de manière inattendue.
  7. L'expérimentation rapide est la clé: La création de modèles prédictifs pour les actifs cryptographiques est une affaire d'échec. Essayer différentes idées rapidement et itérer est essentiel pour réussir.
  8. Les sources de données dans Crypto sont très peu fiables: Les échecs des échanges, les données manquantes, le lavage des enregistrements de trading sont quelques-uns des éléments qui affectent la fiabilité des sources de données utilisées dans les modèles crypto-prédictifs.
  9. Une meilleure infrastructure bat de meilleurs modèles: Une infrastructure robuste avec des modèles médiocres battra une infrastructure médiocre avec de bons modèles à long terme.
  10. La plupart des recherches quantitatives échouent lorsqu'elles sont appliquées à la crypto: La plupart des techniques des documents de recherche n'ont pas été conçues pour la dynamique des marchés de la cryptographie.

Les stratégies quantitatives sont susceptibles d'être la forme dominante d'investissement et de négociation dans les crypto-actifs et, par conséquent, les modèles prédictifs sont susceptibles de jouer un rôle important dans l'évolution de ces stratégies. Les idées dans le domaine de l'apprentissage profond appliqué à la cryptographie en sont encore à un stade très précoce et il existe un énorme fossé entre la recherche et les applications pratiques. Certaines des idées exposées dans cet article tentent de fournir une perspective pratique sur le défi de la création de modèles prédictifs pour les actifs cryptographiques. Les défis sont nombreux, mais le voyage est certainement amusant.

À propos des auteurs

Jésus Rodriguez

Jésus Rodriguez est le PDG-CTO d'IntoTheBlock, une plateforme de veille commerciale pour les actifs cryptographiques. Il est informaticien, conférencier et auteur sur des sujets liés à la crypto et à l'intelligence artificielle.

Lucas Outumuro

Lucas Outumuro est chercheur senior chez IntoTheBlock, une plateforme de veille commerciale pour les actifs cryptographiques. Ses domaines d'intérêt incluent les dérivés cryptographiques, DeFi et le web 3.0 en général.

Publié dans: Bitcoin, Une analyse

Aimez ce que vous voyez? Abonnez-vous aux mises à jour quotidiennes.





Traduction de l’article de IntoTheBlock : Article Original

BlockBlog

Le Meilleur de l'Actualité Blockchain Francophone & Internationale | News, Guides, Avis & Tutoriels pour s'informer et démarrer facilement avec Bitcoin, les Crypto-Monnaies et le Blockchain. En Savoir Plus sur L'Équipe BlockBlog

Commenter cet Article

Commenter cet Article

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Plus dans News

Les Plus Populaires

Acheter des Bitcoin

Acheter des Alt-Coins

Sécuriser vos Cryptos

Vêtements et Produits Dérivés

Top