Cryptocurrency and Artificial Intelligence "Bringing crypto closer to us with AI."

在本章中，我们将重点介绍加密货币在交易中的应用，以及经过验证的人工智能 ( AI )技术在加密货币交易中的应用。我们还将确定解决该行业现有市场空白的解决方案。您将了解到更多关于使用各种类型的替代硬币在钱包中进行加密货币交易的好处。您将学习如何在加密货币和加密货币经济中应用人工智能、预测分析、情绪分析和自动回归综合移动平均线()等。最后，您将通过与加密货币中的人工智能应用相关的案例研究获得更多经验。

**在本章中，您将涉及以下主题:

人工智能在加密货币中的作用
加密货币交易
用人工智能进行价格预测
证券市场为调整供求或价格而进行的买卖
印度加密货币的未来

技术要求

本章要求你能够分析人工智能和区块链的应用，基于它们在上述应用领域的关键能力。

A WORD OF CAUTION FOR YOU: In contrast to traditional financial markets, cryptocurrency markets are highly unregulated markets and are therefore deemed by many nations as high-risk for retail investors. The techniques identified in this chapter should NOT be considered as financial advice. Before experimenting with these techniques, it is imperative that you understand the trading strategies, along with their pros and cons. We do not recommend you use any of these techniques without financial advice. Without consulting your financial advisor, executing any of these trade strategies could lose your principal investment amount, and may also cause unexpected corrections in the markets. The author and the publisher will not be responsible for any financial losses accrued by experimenting with the techniques mentioned in this chapter.

人工智能在加密货币中的作用

加密货币使全球用户能够以个人身份和机构身份进行商业操作。这减少了整个价值链的依赖性，并且在某些情况下，使利益相关者的角色非中介化。比特币、以太坊和 Ripple(在某些限制下)等加密货币使大量人能够去中介化或探索经济中的新空白，包括诸如不可替代代币(NFTs)初始硬币发行(ICO)去中心化自治组织 ( DAO )等概念。

另一方面，人工智能已被用于银行、金融服务和保险行业，以降低跨境运营风险，从而实现机构间的有效盈利。这两种技术的融合可能对人工智能和加密货币都有利。

在我们深入研究人工智能在加密货币中的作用之前，让我们通过下面的对比表来简要观察一下世界上对加密货币的新兴需求:

在简要了解了使用加密货币的潜在好处后，现在让我们来了解加密货币在今天是如何使用的。

加密货币交易

除了在各自的区块链平台上为用户提供流动性外，交易加密货币已成为创造财富的全球替代选择。从小型加密交易所到价值数十亿美元的对冲基金，一些实体以交易服务的形式，直接或间接地为客户提供财富管理服务。

超过 2，000 种加密货币在多个区块链上浮动，并且可以购买、使用和交易，通过互联网持有加密货币从未如此容易。2018 年，所有加密货币的市值最高，超过 5000 亿美元 ( 美元)，加密货币被长期视为一种替代的财富创造媒介。

现在让我们了解加密交易实际上是如何工作的。下图很有帮助:

图 6.1:分散式交易所中加密货币交易的工作示意图

上图一般性地展示了加密货币交易所中的两个用户如何进行交易来购买或出售代币。第二方愿意在特定日期和特定时间以预定成本出售加密货币或代币。这一信息，连同该方愿意出售的代币数量，在卖出看跌期权时被提及。类似地，第一方有兴趣以买入期权中设定的期望利率购买相应的加密货币资产。两种选择都由匹配引擎接收，匹配引擎是每个交易所运行的算法，以帮助各方基于识别双方同意的买卖价格来执行交易。因此，匹配引擎的效率和效果足以在短时间内完成最佳交易。

对加密货币交易的工作原理有了基本的了解后，现在让我们继续前进，了解这项技术继承的问题。

问题和特殊考虑

尽管使用加密货币交易创造的财富有了令人印象深刻的增长，但由于以下原因，该市场仍然效率低下:

难以确定市场的剧烈波动
缺少一个智能的订单匹配引擎，让用户能够估计他们所持有的资产的正确价值
由于市场反应不一，无法计算可预测的风险
保护钱包免受攻击的网络安全策略薄弱，导致价值超过 10 亿美元的密码被黑客窃取

人工智能在密码交易中的优势

基于定量(时间序列等)和非定量(新闻、社会声誉等)数据的机器学习(ML)深度学习 ( DL )等几种 AI 技术都可以应用在密码交易领域。好处是，它可以帮助投资走向更大的成功，具有更强的检测交易趋势异常的能力，使用交易机器人在没有人工干预的情况下对危急情况做出快速反应，并建立代表买方和卖方情绪的聚合信号。此外，人工智能的应用可以在密码生成、检测虹膜、视网膜和其他生物特征等物理特征方面带来显著的安全增强，以保护由加密货币交易所或对冲基金组织和管理的钱包。这意味着用户资金也不会受到登录异常的影响。

概述了加密货币交易和潜在的好处后，现在让我们来预测加密货币市场的价格。

用人工智能进行价格预测

如果市值的增长随着时间的推移逐渐增加，传统市场和加密货币市场都被认为是有效的。在赚取利润时，市场中值得更多关注的一个方面一直是价格预测。预测分析概念已经在传统市场中付诸实践，通过算法交易赚钱。

几个带有时间戳的数据集用作模型的输入，该模型能够基于动态(例如新闻、公告以及市场对特定加密货币的任何监管行动的反应)来分类股票或加密货币的价格是上升还是下降。

现在，让我们试着理解加密货币价格预测市场面临的一些首要问题。

价格预测的问题

让我们看看关于加密货币价格预测的两个最重要的问题。具体如下:

无法根据加密市场情绪调整算法
无法保持和衡量流动性

人工智能技术(如神经网络)在预测公开交易的加密货币价格方面的应用越来越多。与股票市场中的价格预测相反，加密市场高度不稳定，各种属性(如技术进步、公告和新兴竞争)以相对较高的敏感度影响价格。因此，ML 在这些情况下可能无效。

虽然用于训练模型的数据特征类似于传统的股票市场，但是在选择 DL 技术时，要考虑前面的因素。我们将探索人工递归神经网络 ( RNN )在通常被称为长短期记忆 ( LSTM )的架构中的应用。

下图是 LSTM 像元的示意图，同时描述了如何对其应用函数:

图 6.2:LSTM 单元中的重复模块包含四个相互作用的层

你可以在以下链接查阅纪尧姆·谢瓦利埃的图表:https://en . Wikipedia . org/wiki/Long _ short-term _ memory #/media/File:The _ LSTM _ cell . png。这里是链接的许可，【https://creativecommons.org/licenses/by/4.0/】T2。

通过 LSTM 方法，加密货币交易数据被分组在基本的公共属性下，例如开盘价、收盘价、高价、低价和成交量，详细如下:

开盘价是指当天开始时加密货币的价格。
收盘价是指加密货币在一天结束时的价格。
高价是指在特定的一天，记录的相对于美元的最高价值。
低价是指在特定的一天，记录的相对于美元的最低价格。
成交量指当天交易的单位总数。

通过 OpenAPI 规范，可以从大多数加密货币交易中提取任意一天的上述五个属性。可以基于个人或工具偏好的不同风格将提取的信息修剪成数据集。通常，数据集必须分成三部分:60%的数据点用于训练，20%用于验证，20%用于测试。LSTM 模型具有在处理数据时识别模式的独特能力，并且还会忘记数据集中任何不必要的信息。这些信息现在通过多个门与必要的激活功能一起被输入到 LSTM 细胞中。

让我们探索 LSTM 在加密货币价格预测中的应用示例。下面这个例子是韦洛尔理工学院(VIT)(https://github . com/abhinavsagar/Cryptocurrency-Price-Prediction)的研究助理 Abhinav Sagar 的工作。该模型由三个基本层组成:输入层、隐藏层和输出层。因此，神经网络将由这些具有线性激活函数的层组成。使用 Adam 作为优化器，使用均方误差 ( MSE )作为损失函数来编译该模型。

下图显示了基于 LSTM 的比特币价格预测算法的输出:

图 6.3:基于数据集的加密货币线图

你可以在以下链接查看这张图:https://github . com/abhinavsagar/Cryptocurrency-Price-Prediction。

下图比较了同一时间线上比特币的预测价格和实际价格:

图 6.4:应用 LSTM 模型的实际价格与预测价格

你可以在以下链接查看这张图:https://github . com/abhinavsagar/Cryptocurrency-Price-Prediction。

对 LSTM 及其在价格预测中的应用有了基本的了解后，让我们来理解下一节的好处。

人工智能在预测方面的优势

对交易数据应用分类模型和预测分析实践可以为交易者提供训练有素的决策并帮助实现效率。它还可以帮助交易员从更好的做市活动中获利，特别是在加密交易中，这种交易在全球范围内全天候运行，类似于传统的高频市场，如外汇 ( 外汇)。

对 LSTM 如何有利于价格预测有了基本的了解，现在让我们来探索时间序列。

时间序列简介

时间序列是一系列随时间索引的数据点，相对于加密货币的价格以离散的级别分级。这个想法并不新颖，也不仅仅适用于加密货币。事实上，tick 数据库存在于传统金融行业。这种方法已被密码行业借用，以利用应用量化金融(也称为算法交易)的好处，在密码领域获得更高的回报。

下图显示了比特币加密货币在市场上最长的一次反弹中的价格时间序列:

图 6.5:崩溃发生前，比特币价格对美元的对数时间序列信息

可以在以下链接查看此图:https://commons . wikimedia . org/wiki/File:bit coin-us dollar _ 2011-19 _(Bitstamp，_Mt._Gox)。png 。

时间序列一般以分笔成交点数据的形式存储，以图表的形式表示。从时间序列中获得的数据也可用于分析商品的非定量价格趋势。

现在，我们来探讨一下 AI 在时间序列预测中的应用。

用 ARIMA 进行时间序列预测

由于加密货币价格受到各种因素的影响，使用简单的 ML 模型来分析和预测价格并不容易。因此，ARIMA 模型被用来预测价格。考虑比特币的时间序列示例，如上图所示。我们不能将变化归因于一个单一的参数，并开发一个线性回归模型来满足我们独立预测价格的要求。因此，ARIMA 被广泛使用，以便我们可以应用模型，记录预测中的误差，在进行必要的更改后重新测试模型，并再次计算 MSE。

一般来说，ARIMA 模型提供合理的价格预测，误差率在 3%到 5%之间。ARIMA 的主要优势是模型校准相当简单，这鼓励数据科学家大幅降低加密货币价格的预期值和预测值之间的平均误差。

下图是预测比特币价格的校准 ARIMA 模型的样本输出:

图 6.6 : 使用 ARIMA 的比特币价格预测

可以在以下链接查看这个图:https://www . ka ggle . com/ayu Shi 2/bit coin-price-ar-ma-and-ARIMA。

现在让我们来探索 AI 在高频交易环境中的其他应用。

算法或量子交易在加密货币中的应用

你知道吗，世界上大量的交易电话都不是由人打的。相反，它们通过操作在一定程度上被编程和自动化。这种类型的交易需要密切关注大量看涨期权的利润，从而在非常短的时间内获得丰厚的利润。这叫做算法交易。顾名思义，这些机器进行的交易呼叫经过优化，可以查看人类通过阅读图表和报告无法感知的利润。这些电话发生在瞬间，预计将接管我们所知的金融。

现在让我们来了解一些优化算法的基本应用，以在加密货币中获利。

套利

如果你在金融领域不活跃，术语套利指的是在两个不同地点利用相同资产的不同价格，以便在交易中从资产的经济价值差异中获利的做法。简而言之，套利是一种利用同一资产在两个或更多市场的不同经济价值的交易策略。可以在价格更便宜的市场买，卖给需求更高的市场。

套利的历史可以追溯到公元前 650 年(http://www.sfu.ca/~poitras/EQF_ARB%24T2】% 24 . pdf)，当时在波斯以较低的价格买入银币，在希腊以较高的价格卖出是一种常见的做法。

需要注意的是，这种策略对加密货币来说并不新奇。在现代金融中，套利早在 20 世纪 80 年代就适用于传统金融工具。即使在今天，它也作为一种交易策略被积极推行。

在我们深入研究算法交易的应用如何帮助比特币套利之前，我们先了解一些基本的脉络。在撰写本文时，比特币——通常以其股票代码来指代比特币(【https://coinmarketcap.com/currencies/bitcoin/markets/】)——在 100 多家交易所上市，不同交易所的价格略有差异。

在下面的截图中，您可能会观察到比特币在多个交易所的两种不同价格:

图 6.7:2020 年 2 月 26 日记录的一个比特币在 10 个不同交易所的美元价格

您可以在以下网站查看前面的截图:https://coinhills.com/。

如果有一种方法可以在交易所 1 即时购买比特币，并在交易所 2 向交易用户出售相同的比特币，你可以简单地应用基本数学来理解获利 2 美元的潜在机会。然而，为了从这种交易中获利而假设这两种交易可以几乎立即发生是幼稚的。如果这一交易能够成功完成，一个加密/法定套利就成功建立了。

然而，重要的是要记住，从交易所的法定退出取决于各自国家的业务难易程度。因此，我们需要明白，这些交易可能并不总是立即盈利。

已经开发了算法来实现两种加密货币之间的瞬时套利交易。假设 1 BTC 在交换 1 中花费 50 醚 ( 醚)。假设同样数量的 1 BTC 在交换 2 中花费 60 ETH。在这种情况下，算法交易将确定最适合的加密货币交易对，这些交易对可以返回最大利润并执行交易，从而在不到几秒钟内获利 10 ETH。如果这种交易能够成功实现，则成功建立了加密/加密套利。

旧金山公开交易所 ( SFOX )是一个由 YCombinator 支持的交易平台，自 2015 年以来已为超过 175，000 名交易者提供服务。多年来，该平台的总交易价值接近 110 亿美元，为 20 多个市场的客户探索套利机会。SFOX 提供行业领先的算法交易，例如:

乌龟:一种优化的订单路由，适用于交易数量较少的比特币，但相对于其他算法来说速度较慢。
野兔:比乌龟更好的价格目标，不牺牲速度。
Gorilla :优化执行大额交易订单，适当控制市场波动，确保市场不动。
北极熊:优化执行价格优化的隐藏订单，由用户设置的最佳限价触发。一旦算法确定了订单簿中的最佳价格，它将立即以该价格执行订单，而无需深入订单簿。

虽然有很好支持的适合套利的算法，但它并不总是确保低风险的交易策略。算法还必须足够高效，能够在瞬间捕捉到机会，以弥补在不同市场的多个交易所进行的所有交易的总费用，因为这些费用被一些专家视为隐性边际成本。

现在让我们来探索如何利用人工智能来改善做市。

证券市场为调整供求或价格而进行的买卖

做市是加密交易业务中的一个关键流程，其重要目标是为市场中的加密货币提供流动性。让我们详细探讨一下，如下所示:市场中的买方出价(T2 出价)购买特定的加密资产。有意出售相同类型的加密资产的卖方可以给出他们对该资产的要价(要价)。通常，来自买方和卖方的价值不匹配，因为买方通常报价较低，而卖方报价较高。这会在双方的预期之间产生差距，从而产生价差。

当对共同价格的分歧增加时，价差扩大，并产生非流动性代币或加密货币。非流动性代币基本上是不可交易的，因为预期是不匹配的。因此，较低的交易量造成了代币的减速，并减少了相应代币的市值。这对企业是不利的。因此，需要流动性提供者，他们可以帮助买方和卖方在中间相遇。

做市商通过收购巨额代币并向多个市场的交易者提供流动性来解决这个问题。

下图有助于你理解做市周期:

图 6.8:做市周期的一般图解

简单地说，做市是一个购买 ICO 批发代币并为小投资者提供零售价值的过程。做市商的收入模式是通过在未来以较低价格批量购买代币并以较高价格出售给接受者来构建的。

同样，做市对于加密货币来说并不是一个新概念。这是一项庞大的运营业务，适用于多个市场的几乎所有传统金融工具。

虽然这种模式在传统金融中相当有利可图，但在加密交易领域确定流动性需求是一个巨大的挑战，因为有超过 1000 种加密货币在没有国界或时区的情况下活跃交易。因此，应用一些 DL 技术(如进化算法)来识别特定加密货币目标列表可能需要流动性的所有可能场景是势在必行的。

对做市有了基本的了解，现在让我们来看看面临的问题以及人工智能如何解决它们。

问题和特殊考虑

做市商面临的一个主要问题是捕获的数据缺乏传统系统中的完整背景。

人工智能在交易数据中的优势

人工智能在区块链交易的半结构化数据上的应用可以为更好的分析铺平道路，并为做出高效的贸易决策提供更深入的见解。可以通过应用人工智能模型来分析来自多个区块链的实时高吞吐量，以便在不同的区块链领域做出明智的决策。

印度加密货币的未来

印度长期以来一直是少数几个对加密货币立场不确定的发展中国家之一。印度储备银行于 2018 年 2 月 12 日发出通知，建议所有银行和受印度储备银行监管的机构不要支持任何参与虚拟货币的个人或实体。这被认为是对所有加密货币相关活动的全面禁止，尽管印度的交易所无法支持与银行账户相关的存款或取款。

2020 年 3 月 6 日，尊敬的印度最高法院的判决撤销了印度央行的通知，从而推翻了印度央行禁止金融机构向这些交易所和交易商提供服务的禁令(https://main . sci . gov . in/Supreme Court/2018/19230/19230 _ 2018 _ 4 _ 1501 _ 21151 _ judgment _ 04-Mar-2020 . pdf)。

尽管这暂时缓解了加密交易行业的压力，并为许多其他发展中国家和经济体树立了榜样，但该生态系统仍存在较大的不确定性。在撰写本文时，据报道，印度储备银行已经提交了一份复审申请，对该国最高法院的判决提出质疑。同样值得注意的是，反洗钱 ( 反洗钱)和了解你的客户 ( KYC )条例将得到更新，以便在不损害国家经济的情况下支持这些业务。

在监管和为行业提供正确的教育之间取得平衡，可以帮助印度在这个行业蓬勃发展，并成为下一波数字经济的全球领导者。在那之前，印度的这些不确定性仍然存在。

摘要

本章强调了人工智能在加密货币及其新兴经济体中的作用。从法定货币和加密货币之间的主要区别开始，我们向您介绍了加密货币市场的各种实践，如交易、预测、套利和做市。我们不仅向您介绍了基本概念，还确定了业内交易者面临的关键问题。最后，我们介绍了一些使用人工智能解决问题的方法，旨在使用几种人工智能技术(如 ARIMA、LSTM 等)实现更好、更高效、利润更高的模型。

我们希望这一章能够让你通过分析今天实践的一些常用方法来识别将人工智能技术应用到密码市场的关键空白。在下一章中，我们将了解构建和部署这样的应用程序所需的正式软件开发生命周期。**

我们一直在努力

apachecn/AiLearning