Lecciones prácticas que aprendimos en IntoTheBlock al aplicar modelos predictivos para criptoactivos usando Deep Learning - Criptotendencias - Noticias de bitcoin, criptomonedas y blockchain

Lecciones prácticas que aprendimos en IntoTheBlock al aplicar modelos predictivos para criptoactivos usando Deep Learning

En esta ocasión Jesus Rodriguez, CEO IntoTheBlock comparte con nosotros parte del aprendizaje desarrollado en el proyecto intotheblock; el cual utiliza el aprendizaje automático y las estadísticas avanzadas para crear un enfoque único para el análisis de blockchain que se traduce en más de 60 insights y señales procesables.

Lecciones prácticas que aprendimos al aplicar modelos predictivos para criptoactivos usando Deep Learning
Comparte este post en tus redes sociales

Durante los últimos meses, en IntoTheBlock nos hemos embarcado en un esfuerzo por construir modelos predictivos para activos criptográficos utilizando redes neuronales profundas. Fracasamos mucho, aprendimos mucho y pudimos lograr resultados muy prometedores. Algunos de los modelos predictivos iniciales pronto estarán disponibles en la plataforma IntoTheBlock pero, mientras tanto, nos gustaría compartir algunas de las cosas que hemos aprendido comenzando con algunas lecciones muy prácticas.

Las predicciones de precios son, en muchas formas, la máxima expresión de la cripto analítica. Muchas de las métricas e indicadores que usamos regularmente tienen la intención de ayudarnos a formular una tesis predictiva sobre el mercado. Los algoritmos de predicción de precios son solo una forma programática de abstraer esas tesis en el modelo de aprendizaje automático.

Predicciones de precios para criptoactivos en tres pasos

El proceso para crear modelos de deep learning para criptoactivos se puede resumir en tres sencillos pasos:

1) ¿Qué predecir ?: Formulación de una tesis de predicción.

2) ¿Cómo predecirlo ?: Construyendo un modelo de predicción.

3) ¿Cómo ejecutar la predicción ?: Operacionalizar un modelo de predicción.

Formulación de una tesis de predicción

Hay muchos aspectos de los mercados de capitales que pueden ser el objetivo de los modelos de predicción. Precio, riesgo, impulso, valor, dirección del precio son algunos de los ejemplos más notables. Seleccionar un objetivo de predicción es un primer paso clave de cualquier estrategia de predicción.

Otro elemento importante para formular una tesis de predicción es decidir qué fuente de datos utilizar. En el caso de los criptoactivos, las fuentes de datos centrales que pueden contener predicción alfa son:

  • Registros de blockchain.
  • Data de los order books de los exchanges con spot trading
  • Data de los order books de exchanges de derivados.

En nuestra experiencia, cada uno de esos conjuntos de datos tiene ventajas y desventajas. Por ejemplo, los conjuntos de datos de blockchain son excelentes para descubrir oportunidades alfa únicas, pero son realmente ineficientes en modelos predictivos de alta a media frecuencia. Por otro lado, el estado inmaduro actual de los mercados de derivados criptográficos ofrece oportunidades alfa sistemáticas que son extrañas de descubrir con solo conjuntos de datos de blockchain. El siguiente diagrama ilustra una perspectiva sobre la forma en que estos tres tipos de conjuntos de datos criptográficos se alinean con los modelos predictivos.

Crear modelos predictivo

El segundo paso en el proceso de creación de estrategias predictivas es seleccionar un enfoque de modelado predictivo. En el estado actual del espacio de la ciencia de datos, hay tres metodologías fundamentales que deben considerarse:
yo.

  1. Predicción de series de tiempo
  2. Machine Learning
  3. Deep Learning

Nuestra experiencia actual aplicando métodos de pronóstico de series temporales a los criptoactivos mostró que, aunque son relativamente fáciles de usar, no son muy resistentes a las fluctuaciones constantes del mundo de crypto.

Los métodos tradicionales de machine learning, como la regresión lineal o los árboles de decisión, tienen una fuerte presencia en los sistemas cuantitativos tradicionales y, por lo tanto, uno puede parecer inclinado a extrapolar esas lecciones al mundo o espacio de crypto. Sin embargo, descubrimos que esos métodos tienen un gran desafío de generalización y no han demostrado ser muy resistentes a las condiciones del mercado.

Las redes neuronales profundas (deep neural networks) son la última tendencia en el espacio de inteligencia artificial (IA) y la que se ha desarrollado más rápidamente. En los últimos años, el cuerpo de investigación en deep learning ha aumentado drásticamente. La promesa de las redes neuronales profundas es que pueden descubrir complejas relaciones no lineales entre variables arbitrarias. En nuestra experiencia, los modelos de deep learning en criptoactivos han demostrado una fuerte resistencia a las condiciones del mercado y la capacidad de generalizar el conocimiento. El mayor inconveniente es que este tipo de modelos son computacionalmente caros de producir y muy difíciles de entender e interpretar cómo producen decisiones.

10 lecciones sobre la ejecución de modelos cripto predictivos en producción

Construir una pipeline de predicción que sea robusto es una tarea muy difícil. Muchos de los modelos que funcionan muy bien en un entorno de laboratorio o de práctica resultarán difíciles de poner en funcionamiento. Aquí hay algunas lecciones que pueden ser relevantes al considerar la implementación de modelos de deep learning:

  1. El tamaño del entrenamiento importa: cuando se trata de activos criptográficos, cuanto mayor sea el conjunto de datos para entrenar modelos, mejor.
  2. La calidad de los datos es un gran problema para los criptoactivos: es muy difícil encontrar fuentes de datos confiables en el espacio de cifrado.
  3. Las predicciones precisas no significan predicciones viables: una indicación de movimiento direccional en el precio no es una estrategia comercial.
  4. Operar las predicciones en tiempo real es difícil: ejecutar modelos de aprendizaje profundo en tiempo real requiere bastante infraestructura.
  5. Los modelos predictivos basados ​​en blockchain son muy frágiles: los modelos predictivos blockchain son muy vulnerables a las manipulaciones de intercambio, los tenedores y otros cambios en el tiempo de ejecución que pueden afectar su rendimiento.
  6. Decidir cuándo y cómo volver a entrenar a los modelos es un desafío: volver a entrenar a los modelos predictivos después de que estén en producción puede cambiar su rendimiento de maneras inesperadas.
  7. La experimentación rápida es clave: la construcción de modelos predictivos para criptoactivos es un negocio de fracaso. Probar diferentes ideas rápidamente e iterar es esencial para el éxito.
  8. La fuente de datos en Crypto es muy poco confiable: fallas en los intercambios, falta de datos, lavado de registros comerciales son algunos de los elementos que afectan la confiabilidad de las fuentes de datos utilizadas en los modelos predictivos criptográficos.
  9. Una mejor infraestructura supera a mejores modelos: una infraestructura robusta con modelos mediocres vencerá a una infraestructura pobre con excelentes modelos a largo plazo.
  10. La mayoría de las investigaciones cuantitativas falla cuando se aplica a crypto: la mayoría de las técnicas en trabajos de investigación no fueron diseñadas para la dinámica de los mercados de criptoactivos.

Estas son algunas de las lecciones prácticas que hemos aprendido al construir modelos predictivos en el espacio de criptoactivos.

En los próximos días estaremos lanzando una nueva sección de modelos predicticos en nuestra plataforma app.intotheblock.com

 

Autor: Jesus Rodriguez, CEO IntoTheBlock

Únete a nosotros en Telegram y Twitter; además puedes escuchar nuestros Podcast

Abre una cuenta en Binance y recibe 10% de descuento en comisiones con nuestro Link