如前所述，机器学习技术构造了计算机算法，通过在现有数据中寻找模式而无需显式指令[128]，从而自动改进自身。近年来机器学习的迅速发展促进了它在加密货币交易中的应用，特别是在加密货币收益预测方面。

7.2.1. 本文综述了常用的机器学习技术

几种机器学习技术被应用于加密货币交易中。我们通过目标集来区分这些算法：分类、聚类、回归、强化学习。由于深度学习技术的内在变化和广泛采用，我们专门分了一节讨论深度学习。

分类算法。机器学习中的分类的目标是根据需要将输入对象分类为不同的类别，我们可以为每个类别分配标签（例如，上下）。基于我们收集到的文献，朴素贝叶斯（NB）[216]、支持向量机（SVM）[247]、K近邻（KNN）[247]、决策树（DT）[109]、随机森林（RF）[173]和梯度提升（GB）[111]算法已被用于加密货币交易。NB是一种基于贝叶斯定理的概率分类器，特征之间具有强（朴素）条件独立性假设[216]。支持向量机（SVM）是一种有监督学习模型，其目的是结合学习边界理论实现高边缘分类器[256]。支持向量机将新的示例分配给一个或另一个类别，使其成为非概率二元线性分类器[247]，尽管一些修正可以对其输出进行概率解释[153]。KNN是一种基于记忆或延迟学习的算法，其中函数仅在局部近似，所有计算都推迟到推理时间[247]。DT是一种决策支持工具算法，它使用树状决策图或模型将输入模式分割成多个区域，然后为每个区域分配一个相关标签[109]。RF是一种集成学习方法。该算法通过在训练过程中构造大量决策树，在分类的情况下输出平均一致性作为预测类，在回归的情况下输出平均预测值[173]。GB以弱预测模型集合的形式生成预测模型[111]。

聚类算法。聚类是一种机器学习技术，它将数据点分组，使每个分组都显示出一定的规律性[137]。K-Means是数据挖掘中用于聚类分析的一种矢量量化方法。K-means存储用于定义簇的质心；如果一个点比任何其他质心更接近簇的质心，则认为该点位于特定簇中[245]。根据我们收集的文献，K-Means是加密货币交易中最常用的聚类算法之一。

回归算法。我们将回归定义为任何旨在估计连续值的统计技术[164]。线性回归（LR）和散点图平滑是解决加密货币交易中回归问题的常用技术。LR是一种线性方法，用于模拟标量响应（或因变量）和一个或多个解释变量（或自变量）之间的关系[164]。散点图平滑是一种通过散点图拟合函数的技术，以最好地表示变量之间的关系[110]。

深度学习算法。深度学习是人工神经网络（ANN）的一种现代形式[257]，由于计算能力的进步而成为可能。人工神经网络是一种受组成动物大脑的自然神经网络启发的计算系统。系统通过考虑实例来“学习”执行包括预测在内的任务。深度学习的优越精度来自于高计算复杂度和高成本。深度学习算法目前是许多现代人工智能应用的基础[231]。卷积神经网络（CNNs）[168]、递归神经网络（RNNs）[188]、选通递归单元（GRU）[70]、多层感知器（MLP）和长-短期记忆（LSTM）[67]网络是加密货币交易中最常用的深度学习技术。CNN是一种特殊类型的神经网络层，通常用于监督学习。CNNs在图像处理和自然语言处理问题上取得了最大的成功。在加密货币中使用CNN的尝试见[143]。RNN是一种人工神经网络，其中节点之间的连接形成一个可能循环的有向图。由于在循环连接中引入了内存，RNN的这种结构使其适合于处理时间序列数据[188]。然而，他们面临着消失梯度问题[203]，因此最近提出了不同的变化。LSTM[67]是一种被广泛应用的特殊RNN体系结构。在金融时间序列问题上，LSTMs已显示出优于非分级RNNs，因为它们具有长时间选择性地记住模式的能力。GRU[70]是标准RNN的另一个门控版本，已用于加密交易[91]。加密货币交易中使用的另一种深度学习技术是Seq2seq，它是编码器-解码器架构的具体实现[251]。Seq2seq最初的目的是解决自然语言处理问题，但在[226]中也被应用于加密货币趋势预测。 (责任编辑：admin)