数字货币做市技术——随机价格

关键词:数字货币 交易所 做市 价格 对冲 空间

作者:比特量化

 

一、取随机数

ticker如下

{'bid': 0.0131, 'ask': 0.0139, 'last': 0.0134}

使用Python3自带的随机数,

random.uniform(x, y) 方法将随机生成一个实数,它在 [x,y] 范围内。
price_quant = round(random.uniform(ticker['bid'], ticker['ask']))

取值如下

0.013129986458554987
0.013560374857658363
0.01369777925459942
0.013783165049587678
0.013895282774288966
0.013270566637852447
0.01349905426904132
0.013599971576874823
0.013235747582137573
0.013416767768451226

再加个精度设置

price_quant = round(random.uniform(ticker['bid'], ticker['ask']), precision[symbol]["price"])

返回如下

0.0139
0.0131
0.0139
0.0136
0.0139
0.0135
0.0136
0.0138
0.0138
0.0134
0.0137
0.0136
0.0137
0.0132
0.0136
0.0132
0.0139
0.0136
0.0132
0.0138

 

二、四舍五入的问题

由于四舍五入的问题,会有部分数字撞到盘口值上,这时需要再进一步偏移

price_quant = round(random.uniform(ticker['bid'] + pow(10, -1*precision[symbol]["price"]), ticker['ask'] - pow(10, -1*precision[symbol]["price"])), precision[symbol]["price"]) # 比特量化

返回如下

0.0136
0.0133
0.0138
0.0135
0.0133
0.0133
0.0133
0.0134
0.0137
0.0136
0.0133
0.0135
0.0133
0.0134
0.0134
0.0134
0.0134
0.0137
0.0133
0.0132

得到所要的数据了。

 

三、问题来了

如果x小于y一个点位,即x<y,这个时候再进行一次偏移,那么x>y,

而在python的定义中,

返回浮点数 N,取值范围为如果 x<y 则 x <= N <= y,如果 y<x 则y <= N <= x。

所以x和y在偏移之前,需要先手工判断点位距离多少。如果已经小于等于1,那么其实就已经没有空间来生成随机价格了,这个时候要么吃买单,要么吃卖单。可能导致亏损。

这个时间要先进行一次交易空间判断

if ((ticker['ask'] - ticker['bid']) / precision[symbol]["price"] <= 1):
    print("<1")
    SPACE = False
else:
    print(">1")
    SPACE = True

 

如果SPACE为False,那么可以暂停交易,或者以很少的交易量来进行交易,或者以低频率来进行交易。

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

比特量化

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值