强化学习算法。强化学习（RL）是机器学习的一个领域，它利用软件代理在环境中的行为来最大化累积回报[230]。深度Q学习（DQN）[120]和深度Boltzmann机器（DBM）[219]是使用RL的加密货币交易中常用的技术。深度Q学习使用神经网络来逼近Q值函数。状态作为输入，所有可能动作的Q值作为输出生成[120]。DBM是一种二元配对马尔可夫随机场（无向概率图形模型），具有多层隐随机变量[219]。它是一个随机耦合的随机二进制单元网络。

7.2.2. 机器学习模型研究

在机器学习交易信号的开发中，技术指标通常被用作输入特征。Nakano等人[193]研究了基于ANNs的比特币日内技术交易，用于收益预测。实验从加密货币交易所获得比特币的中频价格和交易量数据（数据的时间间隔为15分钟）。人工神经网络根据输入数据预测下一个时期的价格趋势（上下）。对数据进行预处理，构建一个包含EMA、新兴市场小盘股（EMSD）、相对强度指数（RSI）等技术模式矩阵的训练数据集，其数值实验包含不同的研究方面，包括基础ANN研究、不同层次的效应、不同激活函数的效应，附加技术指标的不同产出、不同投入和效果。研究结果表明，与原始技术交易策略相比，使用各种技术指标可能会防止非平稳金融时间序列数据分类中的过度拟合，从而提高交易绩效。（买入并持有是本次实验的基准策略。）

通过预测价格走势，将分类回归机器学习模型应用于加密货币交易中。大多数研究者都集中在不同分类和回归机器学习方法的比较上。Sun等人[229]使用随机森林（RFs）和Alpha01[141]中的因子（从加密货币市场的历史中获取特征）来构建预测模型。实验从加密货币交易所的API中采集数据，选取5分钟的频率数据进行回溯测试。结果表明，性能与数据量成正比（数据越多，精度越高），射频模型中使用的因素似乎具有不同的重要性。例如，“Alpha024”和“Alpha032”特性在所采用的模型中是最重要的。（alpha特征来自论文“101 Formulaic Al phas”[141]）Vo等人[243]将RFs应用于高频加密货币交易（HFT），并将其与深度学习模型进行了比较。当使用正向填充插补方法替换空值（即缺失值）时，收集分钟级数据。实验中测试了不同的周期和射频树。作者还比较了RF和深度学习（DL）的F1精确度和召回指标。结果表明，尽管ML特征中存在多重共线性，RF仍然是有效的，但是缺乏模型识别也可能导致模型识别问题；本研究还尝试创建一个使用RF的比特币HFT策略。Maryna等人[260]研究了基于训练SVM模型的算法交易策略的盈利能力，以识别预测回报率高或低的加密货币。结果表明，支持向量机策略的性能排在第四位，仅优于单纯买入并持有标普指数的S&pbh策略。（本研究中还有其他4种基准策略）作者观察到支持向量机需要大量的参数，因此很容易出现过拟合，导致其性能较差。Barnwal等人[18]利用产生式和判别式分类器建立了一个叠加模型，特别是3个产生式和6个判别式分类器通过一个单层神经网络组合，来预测加密货币的价格走向。判别分类器直接对未知数据和已知数据之间的关系进行建模，而生成分类器则通过数据生成分布间接对预测进行建模[198]。技术指标包括趋势、动量、成交量和波动性，作为模型的特征。作者讨论了不同的分类器和特征对预测的影响。Attanasio等人[10]比较了各种分类算法，包括SVM、NB和RF，以预测给定加密货币的次日价格趋势。结果表明，由于加密货币金融工具的异质性和波动性，基于一系列预测的预测模型在加密货币交易中优于单一的分类技术。Madan等人[179]将比特币价格预测问题建模为一项二项式分类任务，使用一种利用随机林和广义线性模型的定制算法进行实验。实验采用日数据、10分钟数据和10秒数据。实验表明，10分钟的数据比10秒的数据具有更好的敏感性和特异性（10秒的预测准确率在10%左右）。考虑到预测性交易，与10秒的回溯测试相比，10分钟的数据有助于在实验中显示更清晰的趋势。同样，Virk[242]比较了RF、SVM、GB和LR来预测比特币的价格。结果表明，在二项分类机器学习算法中，支持向量机的分类精度最高，为62.31%，分类精度为0.77。 (责任编辑：admin)