Машинное обучение и технология блокчейн

Машинное обучение в блокчейне

Современность принесла с собой появление новых, прорывных вещей, которые способны изменить мир. Задачи, которые ставит перед собой реальность, зачастую не могут быть обработаны посредством применения обычных, традиционных алгоритмов, поэтому создателям продуктов приходится прибегать применению новых средств и технологий. Machine Learning — одно из таких решений.

Хотя, основы для Machine Learning в традиционном его понимании, были положены ещё в конце 40-х годов 20-го века, сама технология начала бурно развиваться только недавно, чему способствовал быстрый рост доступных вычислительных мощностей используемых для систем обучения.

Применительно к интеллектуальным системам анализа рынка, использование средств машинного обучения позволяет устранить многие недостатки традиционных подходов.

Cryptics активно использует методы Machine Learning при создании систем анализа крипторынков и алгоритмической торговли. Это позволяет улучшить достоверность данных, полученных в результате работы системы, а значит — уменьшить риски и сохранить средства инвесторов.

Ниже мы постарались простым языком донести до читателя суть наиболее интересных подходов machine learning и аспекты применения этих подходов на практике.

  1. Статистический анализ временных рядов при помощи нейронных сетей

Есть два типа данных, которые приходится обрабатывать аналитической системе при анализе информации относительно биржевой торговли криптовалютами. Первый тип включает в себя сырые данные, полученные напрямую через API бирж. Эти данные обычно представляют собой упорядоченную структуру, состоящую из числовых значений и легко поддаются анализу при помощи математических и статистических методов.

Но есть информация, принципы отбора которой заданы нечётко. Например, информация полученная из различных информационных источников, рейтинговых агентств, соцсетей, информация об уровне заинтересованности инвесторов в том или ином продукте.

В общем случае, для получения нужного результата необходим анализ всей совокупности данных и выявление закономерностей. Для этого система Cryptics использует методы статистического анализа временных рядов при помощи технологий машинного обучения.

Если крайне упрощенно рассмотреть принцип работы алгоритма, то для каждого типа данных вводится понятие объекта, который можно охарактеризовать набором различных параметров, описывающих его состояние. Совокупность связей всех объектов анализируется нейронной сетью при помощи метода карт Кохонена. Это позволяет решить задачу поиска похожих объектов и их группировки.

2. Capital Assets pricing model и оценка рисков

CAPM — это модель, используемая для оценки доходности финансовых активов. Суть модели сводится к тому, что предполагая существование высоколиквидного эффективного рынка активов, например криптовалют, можно прийти к выводу о том, что величина требуемого профита определяется не столько специфическим уровнем риска, характерным для текущего актива, сколько общим риском, характерным для крипторынка в целом.

Используя в основе данную модель и комбинируя её с методами машинного обучения Cryptics может проводить анализ доходности и рисков для определённого криптоактива с достаточно высокой точностью в режиме реального времени.

3. Ensemble Learners

В основе использования Ensemble Learners лежит идея обучения нескольких базовых объектов на одной и той же выборке данных и использования комбинации результатов работы разных объектов, для предсказания последующих изменений на крипторынке. Математическим обоснованием данного метода служит теорема о суде присяжных, сформулированная ещё в 18 веке. Согласно этой теореме, решение принятое большинством участников анализа вероятнее всего будет верным. Это позволяет нейросети проанализировать индикаторы рынка, которые слабо влияют на изменение курса и на основе этих индикаторов сформулировать решение, у которого ошибка на выборке данных по итогу будет меньше, чем при применении каждого из индикаторов в отдельности.

4. Q-Learning

Q-learning или обучение с подкреплением, позволяет улучшить работу нейросети при помощи метода обратной связи. В зависимости от результатов работы алгоритма формируется функция полезности. Обращаясь к результатам работы этой функции, алгоритм получает данные о предыдущем опыте, что позволяет исключать заведомо проигрышные ветви развития событий.

Q-Learning: Обратная связь

Конечно, это лишь вершина айсберга и полное описание подсистем Cryptics и используемых интеллектуальных методов в рамках одной обзорной статьи осветить не получится при всём желании. Это обширная тема и описание каждого, конкретного инструмента со всеми формулами и выкладками займёт не одну страницу.

Применение средств machine learning, позволяет нашему продукту значительно улучшать результаты работы алгоритмов, что положительно сказывается на эффективности системы.

Источник: Cryptics.tech, @Cryptics