快捷搜索:  MTU2MTE0MDM2Ng`  as  as?MAX=20

如何使用Python优化比特币交易机器人

上个月,AI 工程师 Adam King 结合人工智能在猜测方面得天独厚的上风,提出应用深度强化进修构建加密泉币自动买卖营业的法度榜样。在展示模型中,法度榜样的收益率竟达到了惊人的 60 倍(只评论争论技巧,无关投资建议)。

但在当时,这个展示模型略显粗拙。虽然能得到收益,但它并不稳定。应用它可能让你赚得盆满钵盈,也有可能让你赔得空空如也,颇有些“富贵险中求”的意味。

不稳定的问题不停困扰着 Adam 小哥,颠末一个月的蛰伏,小哥提出将特性工程和贝叶斯优化两大年夜杀器引入模型。这些改进会收效么?收益率又能提升若干呢?一路来看看 Adam 小哥的最新力作吧!

在上一篇文章中,我们应用深度强化进修创建了一个可以赢利的比特币自动买卖营业智能体。虽然这个智能体能够做到自动买卖营业比特币得到收益,但它的收益率并没有让人目下一亮,本日我们会大年夜幅度改进这个比特币买卖营业智能体,从而前进它的收益率。

必要留意的是,本篇文章的目的是测试当下最先辈的深度强化进修技巧是否能与区块链相结合,创造出一个可以盈利的比特币自动买卖营业智能体。今朝看来业界都还没故意识到深度强化进修在自动买卖营业方面强大年夜的潜力,反而觉得它并不是一个“能用来构建买卖营业算法的对象”。不过,深度进修领域的最新进展已经注解,在同一个问题上强化进修智能体平日能够比通俗的监督进修智能体进修到更多的特性。

出于这个缘故原由,我做了相关的实验来商量基于深度强化进修的买卖营业智能体究竟能达到如何的收益率,当然了,结果也可能会是深度强化进修有着很强的局限性以至于并不得当做买卖营业智能体,但不去考试测验谁又知道结果若何呢?

首先,我们将会改进深度强化进修模型的策略收集( policy network )并使输入数据变得平稳,以便买卖营业智能体能在很少的数据中进修到更多的特性。

接下来,我们将应用当下先辈的特性工程措施来改良买卖营业智能体的察看空间,同时微调买卖营业智能体的奖励函数( reward function )以赞助它发明更好的买卖营业策略。

着末,在练习并测试买卖营业智能体得到的收益率之前,我们将应用贝叶斯优化的措施来探求能最大年夜化收益率的超参数。

前方高能,系好安然带,让我们开始这场干货满满的探索之旅吧。

关于深度强化进修模型的改进

在上一篇文章中,我们已经实现了深度强化进修模型的基础功能,

GitHub 地址:

https://github.com/notadamking/Bitcoin-Trader-RL

当务之急是前进妙度强化进修智能体的盈利能力,换句话说便是要对模型进行一些改进。

轮回神经收集(Recurrent Neural Network,RNN)

我们必要做的第一个改进便是应用轮回神经收集来改进策略收集,也便是说,应用是非期影象收集( Long Short-Term Memory ,LSTM )收集代替之前应用的多层感知机( Multi-Layer Perceptron,MLP )收集。因为轮回神经收集跟着光阴的推移可以不停维持内部状态,是以我们不再必要滑动“回首窗口“来捕捉价格更改之前的行径,轮回神经收集的轮回本色可以在运行时自动捕捉这些行径。在每个光阴步长中,输入数据集中的新一个数据与上一个光阴步长的输出会被一路输入到轮回神经收集中。

因而是非期影象收集可以不停保持一个内部状态。在每个光阴步长中,智能体会新记着一些新的数据关系,也会忘掉落一些之前的数据关系,这个内部状态也就会随之更新。

轮回神经收集会接管上一个光阴步长的输出

轮回神经收集若何处置惩罚上一个光阴步长的输出与这一个光阴步长的输入

是非期影象收集实今世码 LSTM_model.py

介于轮回神经收集对付内部状态得天独厚的上风,在这里,我们应用是非期影象收集策略更新了近端策略优化 PPO2 模型。

数据平稳性

在上一篇文章中我曾指出比特币买卖营业的数据长短平稳的(Non-Stationary,即存在一些趋势,而不能仅仅看作是随机的颠簸),是以,任何机械进修模型都难以猜测未来。

平稳光阴序列是匀称值,方差和自相关系数(与其自身的滞后相关)都恒定的光阴序列。

而且,加密泉币价格的光阴序列有着很显着的趋势和季候效应(季候效应是指与季候相关联的股市非正常收益,是股市中的一种“异像”,是与市场有效性相悖的环境),这两者都邑影响算法对光阴序列猜测的准确率,以是在这里,我们必要应用差分和变换的措施来处置惩罚输入数据,从现有的光阴序列中构建一个正常的数据散播来办理这个问题。

从道理上来说,差分历程便是给随意率性两个光阴步长内加密泉币币价的导数(即收益率)做差值。在抱负环境下,这样做可以打消输入光阴序列中存在的趋势,然则,差分处置惩罚对季候效应并不收效,处置惩罚后的数据仍旧具有很强的季候效应。这就必要我们在差分处置惩罚之提高行对数处置惩罚来打消它,颠末这样的处置惩罚终极我们会获得平稳的输入光阴序列,如下方右图所示。

从左到右分手为:

加密泉币的收盘价,差分处置惩罚后的收盘价,对数处置惩罚和差分处置惩罚后的收盘价

对数处置惩罚和差分处置惩罚的代码 diff_and_log_time_series.py

处置惩罚后的输入光阴序列平稳性若何,我们可以应用增广迪基-福勒查验( Augmented Dickey-Fuller test )验证一下。

运行以下代码:

增广迪基-福勒查验的代码 adfuller_test.py

我们获得的 p 值为 0.00 ,这意味着我们回绝假设查验中的零假设并确认处置惩罚后的输入光阴序列是平稳的。

我们可以运行上面的增广迪基-福勒查验代码来查验输入光阴序列的平稳性。

在完成了这项事情之后,接下来我们将应用特性工程的措施进一步优化买卖营业智能体的察看空间。

特性工程

为了进一步提升买卖营业智能体的收益率,我们必要做一些特性工程。

特性工程是应用该领域常识来天生额外的输入数据从而优化机械进修模型的历程。

详细到买卖营业智能体,我们将在输入数据集中添加一些常见且有效的技巧指标,以及 Python 数据阐发法度榜样库 StatsModels 中季候效应猜测模型 SARIMAX 的输出。这些技巧指标会为我们的输入数据集带来一些相关的,但可能会滞后的信息,这些信息能大年夜大年夜提升买卖营业智能体猜测的准确性。这些优化措施的组合可以为买卖营业智能体供给一个异常好的察看空间,让智能体进修到更多的特性,从而得到更多的收益。

技巧阐发

为了选择技巧指标,我们将对照 Python 技巧阐发库 ta 中可用的所有 32 个指标( 58 个特性)的相关性。可以应用数据阐发对象 pandas 来谋略相同类型的各个指标(如动量,体积,趋势,颠簸率)之间的相关性,然后在每种类型中仅选择最不相关的指标作为特性。这样,就可以在不给察看空间带来过多噪音滋扰的环境下,最大年夜程度地发掘这些技巧指标的代价。

应用 Python 高档可视化库 seaborn 做出的比特币数据集上技巧指标相关性的热力求

结果显示,颠簸率指标以及一些动量指标都是高度相关的。在删除所有重复的特性(每个类型中相关性的绝对匀称值大年夜于 0.5 的特性)之后,我们将残剩的 38 个技巧特性添加到买卖营业智能体的察看空间中。

在代码中,我们必要创建一个名为 add_indicators(添加指标)的函数来将这些特性添加到数据帧中,为了避免在每个光阴步长中重复谋略这些特性,我们只在买卖营业智能体情况初始化的历程中调用 add_indicators 函数。

买卖营业智能体情况初始化的代码 initialize_env.py

在这里,初始化买卖营业智能体情况,在进行数据平稳性处置惩罚之前将特性添加到了数据帧中。

统计阐发

接下来我们必要添加猜测模型。

因为季候效应自回归移动匀称模型(Seasonal Auto Regressive Integrated Moving Average,SARIMA)可以在每个光阴步长中快速谋略价格的猜测值,在平稳数据集中运算异常准确,是以我们应用它来进行加密泉币币价猜测。

除了上述这些优点之外,该模型实现起来异常简单,它还可以给出猜测值的置信区间,平日环境下这比零丁给出一个猜测值能供给更多的信息。就比如说,当置信区间较小时,买卖营业智能体就会更信托这个猜测值的准确性,当置信区间很大年夜时买卖营业智能体就知道要承担更大年夜的风险。

加入 SARIMA 猜测模型的代码 add_sarimax_predictions.py

这里我们将 SARIMAX 猜测模型和置信区间添加到买卖营业智能体的察看空间中。

现在我们已经应用机能更好的轮回神经收集更新了策略,并应用特性工程的措施改进了买卖营业智能体的察看空间,是时刻优化其他的部分了。

奖励优化

有些人可能会感觉上一篇文章中的奖励函数(即奖励资产总代价赓续增添)已经是最好的办理规划了,然则,经由过程进一步的钻研我发明奖励函数还有提升的空间。虽然我们之前应用的简单奖励函数已经能够得到收益,但它给出的投资策略异常不稳定,每每会导致资产的严重丧掉。为了改良这一点,除了斟酌利润的增添以外,我们还必要斟酌其他奖励的指标。

奖励指标的一个简单改进便是,不仅仅奖励在比特币价格上涨时持有比特币带来的利润,还奖励在比特币价格下跌时抛售比特币而避免的丧掉。就比如说,我们可以奖励智能体买入比特币而总资产增添的行径,以及卖出比特币避免总资产削减的行径。

虽然这种奖励指标在前进收益率方面异常出色,但这样做并没有斟酌到高回报带来的高风险。投资者早已发明这种简单投资策略背后存在的破绽,并将其改进成一种风险可调节的奖励指标。

基于颠簸率的奖励指标

这种风险可调节的奖励指标中的范例便是夏普比率(Sharpe Ratio,又被称为夏普指数)。它谋略的是特准光阴段内投资组合的逾额收益与颠簸性的比率。详细的谋略公式如下:

夏普比率的谋略公式:(投资组合的收益-大年夜盘的收益)/投资组合的标准差

从公式中我们可以得出,为了维持较高的夏普比率,投资组合必须同时包管高收益和低颠簸性(也便是风险)。

作为一种奖励指标,夏普比率经受住了光阴的磨练,但它对付自动买卖营业智能体来说并不是很完美,由于它会对上行标准差( upside volatility )孕育发生晦气影响,而在比特币买卖营业情况中无意偶尔我们必要使用上行标准差,由于上行标准差(即比特币价格猖狂上涨)平日都是很好的时机窗口。

而应用索提诺比率( Sortino Ratio )可以很好地办理这个问题。索提诺比率与夏普比率异常相似,只是它在风险上只斟酌了下行标准差,而不是整体标准差。是以,索提诺比率并不会对上行标准差孕育发生什么晦气影响。因而我们给买卖营业智能体的第一条奖励指标就选择索提诺比率,它的谋略公式如下:

索提诺比率的谋略公式:(投资组合的收益-大年夜盘的收益)/投资组合的下行标准差

其他奖励指标

我们选择 Calmar 比率作为买卖营业智能体的第二个奖励指标。到今朝为止,我们所有的奖励指标都没有斟酌到比特币币价最大年夜回撤率(drawdown)这个关键身分。

最大年夜回撤率是指比特币币价从价格巅峰到价格低谷之间的代价差,用来描述买入比特币后最糟糕的环境。

最大年夜回撤率对我们的投资策略来说是致命的,由于只需一次币价忽然跳水,我们长光阴累积的高收益就会子虚乌有。

最大年夜回撤率

为了打消最大年夜回撤率带来的负面影响,我们必要选用可以处置惩罚这种环境的奖励指标,就比如说选用 Calmar 比率。该比率与夏普比率类似,只是它将分母上投资组合的标准差调换为最大年夜回撤率。

Calmar 比率的谋略公式:(投资组合的收益-大年夜盘的收益)/最大年夜回撤率

我们着末一个奖励指标是在对冲基金行业中广泛应用的 Omega 比率。从理论上来说,在衡量风险与收益时,Omega 比率应该优于 Sortino 比率和 Calmar 比率,由于它能够在单个指标中应用收益的散播来评估风险。

谋略 Omega 比率时,我们必要分手谋略在特定基准之上或之下投资组合的概率散播,然后两者相除谋略比率。Omega 比率越高,比特币上涨潜力跨越下跌潜力的概率就越高。

Omege 比率的谋略公式

Omega 比率的谋略公式看起来很繁杂,不过不要担心,在代码中实现它并不难。

代码实现

虽然说编写每个奖励指标的代码听起来很故意思且很有寻衅性,但这里为了方便大年夜家的理解,我选择应用Python 量化金融法度榜样包 empyrical来谋略它们。幸运的是,这个法度榜样包中正好包孕了我们上面定义的三个奖励指标,因而在每个光阴步长中,我们只必要将该光阴段内收益和大年夜盘收益的列表发给 Empyrical 函数,它就会返回这三个比率。

应用 empyrical 法度榜样包谋略三个奖励指标的代码 risk_adjusted_reward.py

在代码中,我们经由过程预先定义的奖励函数设置了每个光阴步长的奖励。

到今朝为止,我们已经确定了若何衡量一个买卖营业策略的成功与否,现在是时刻弄清楚哪些指标会带来较高的收益。我们必要将这些奖励函数输入到自动超参数优化软件框架 Optuna 中,然后应用贝叶斯优化来的措施为输入数据集探求最优的超参数。

对象集

俗话说,好马配好鞍。任何一个优秀的技巧职员都必要一套好用的对象,否则就会巧妇难为无米之炊。

但我并不是说我们要重复造轮子,我们应该学会应用法度榜样员前辈用秃顶的价值为我们开拓的对象,这样他们的事情也算没有白搭。对付我们所开拓的买卖营业智能体,它要用到的最紧张的对象便是自动超参数优化软件框架 Optuna,从道理上来说,它应用了树布局的 Parzen 窗预计(Tree-structured Parzen Estimators,TPEs)来实现贝叶斯优化,而这种预计措施是可以并行化运行的,这使得我们的显卡有了用武之地,履行搜索必要的光阴也会大年夜大年夜缩短。简而言之,

贝叶斯优化是一种搜索超参数空间以找到能最大年夜化给定目标函数的超参数的高效办理规划。

也便是说,贝叶斯优化能够有效地改进任何黑箱模型。从事情道理上来说,贝叶斯优化经由过程应用替代函数( surrogate functions )或是替代函数的散播对要优化的目标函数进行建模。跟着光阴的推移,算法赓续地检索超参数空间以找到那些能够最大年夜化目标函数的超参数,散播的效果也会徐徐改良。

理论说了这么多,我们要若何把这些技巧利用在比特币自动买卖营业智能体中呢?从本色上来讲,我们可以应用这种技巧来找到一组最优的超参数,使得智能体的收益率最高。这个历程就像是在超参数的汪洋大年夜海中捞取一根效果最好的针,而贝叶斯优化便是带我们找到这根针的磁铁。让我们开始吧。

应用 Optuna 优化超参数并不是什么难事。

首先,我们必要创建一个 optuna 实例,也便是装载所有超参数试验的容器。在每次试验中我们必要调剂超参数的设置来谋略目标函数响应的丧掉函数值。在实例初始化完成后,我们必要向此中传入目标函数然后调用 study.optimize() 函数开始优化,Optuna 将应用贝叶斯优化的措施来探求能够最小化丧掉函数的超参数设置设置设备摆设摆设。

应用 Optuna 法度榜样库贝叶斯优化的代码 optimize_with_optuna.py

在这个例子中,目标函数便是在比特币买卖营业情况中练习并测试智能体,而目标函数的丧掉值则定义为测试时代智能体匀称收益的相反数,之以是给收益值加上负号,是由于匀称收益越高越好,而在 Optuna 看来丧掉函数越低越好,一个负号刚好办理这个问题。optimize 优化函数为目标函数供给了试验工具,代码中我们可以指定试验工具中的变量设置。

优化目标函数的代码 optimize_objective_fn.py

optimize_ppo2 优化智能体函数和 optimize_envs 优化智能体情况函数接管试验工具作为输入并返回包孕要测试参数的字典。每个变量的搜索空间由 suggest 函数进行设置,我们必要在试验中调用 suggest 函数并给函数中传入指定的参数。

比如说,假如设置参数在对数尺度上屈服平均散播,即调用函数

trial.suggest_loguniform('n_steps',16,2048),

相称于给函数了一个 16-2048 之间的 2 的指数次方(如16,32,64,…,1024,2048)的新浮点数。

再者,假如设置参数在通俗尺度上屈服平均散播,即调用函数

trial.suggest_uniform('cliprange',0.1,0.4),

相称于给函数一个 0.1 到 0.4 之间的新浮点数(如0.1,0.2,0.3,0.4)。

信托你已经看出来了此中的规律,便是这样来设置变量:

suggest_categorical('categorical',['option_one','option_two']),此中 categorical 为设置变量的策略, option_one 和 option_two 分手为变量的两个选项,在刚才的函数中这两个选项为变量的范围,弄懂了这个信托下面的代码就难不倒你了。

化买卖营业智能体的代码 optimize_ppo2.py

优化买卖营业情况的代码 optimize_envs.py

代码写好后,我们在一台高机能办事器上以 CPU/显卡协同运算的要领运行了优化函数。在设置中,Optuna 创建了一个 SQLite 数据库,我们可以从中加载优化的实例。该实例记录了测试历程中机能最好的一次试验,从中我们可以推算出智能体买卖营业情况中最优的超参数集。

加载 optuna 实例的代码 load_optuna_study.py

到这里,我们已经改进了模型,改进了特性集,并优化了所有的超参数。但俗话说,是骡子是马得拉出来遛遛。

那么,买卖营业智能体在新的奖励指标下体现若何呢?

在练习历程中,我分手应用了利润、Sortino 比率、Calmar 比率和 Omega 比率四个奖励指标来优化智能体。接下来我们必要在测试情况中查验哪种奖励指标练习出来的智能体收益最高,当然了,测试情况中的数据都是智能体在练习历程中从未见到过的比特币价格走势,这样包管了测试的公道性。

收益对照

在查当作果之前,我们必要知晓一个成功的买卖营业策略是什么样的。出于这个缘故原由,我们将针对一些常见且有效的比特币买卖营业策略进行基准测试。令人震动的是,在以前的十年中一个最有效的比特币买卖营业策略便是买入并持有,而别的两个不错的买卖营业策略则是应用简单但有效的技巧阐发来天生买入/卖出旌旗灯号,从而指示买卖营业。

1、买入并持有

这种买卖营业策略指尽可能多地购买比特币并不停持有下去(也便是区块链社区中的江湖黑话“ HODL ”)。虽然说这种买卖营业策略并不是分外繁杂,但在以前这样做赢利的机率很高。

2、相对强弱指数不同(Relative Strength Index(RSI) divergence )

当相对强弱指数持续下跌且收盘价持续上涨时,这便是必要卖出的旌旗灯号,而当相对强弱指数持续上涨且收盘价持续下跌时,便是必要买入的旌旗灯号。

3、简单移动匀称线( Simple Moving Average,SMA )交叉

当经久简单移动匀称线跨越短期简单移动匀称线时,这便是必要卖出的旌旗灯号,而当短期简单移动匀称线跨越经久简单移动匀称线时,便是必要买入的旌旗灯号。

你可能会问,为什么要做这些简单的基准测试呢?这样做是为了经由过程对照证实我们的强化进修买卖营业智能体可以在比特币市场上发挥感化,假如智能体的收益连这些简单的基准收益都超不过,那么我们就相称于花费了大年夜量的开拓光阴和显卡算力来进行了一场天马行空的科学实验。现在,让我们来证实事实并非如斯。

实验结果

我们的数据集选用从加密泉币数据网站 CryptoDataDownload 高低载的每小时收盘价位置代价( OHCLV )数据,此中前 80% 的数据用来练习智能体,后 20% 作为全新的数据进行测试,以懂得智能体的收益能力。当前这种简单的交叉验证形式足以满意我们的需求,而假如这个比特币自动买卖营业智能体真的走向临盆就绪,我们就可以应用整个的数据集进行练习,然后在天天新孕育发生的数据集长进行测试。

废话不多说,我们来看当作果。

可以看到,应用 Omega 比率作为奖励指标的智能体在测试阶段并没有让人目下一亮的买卖营业。

应用 Omega 比率作为奖励指标的智能体在跨越 3500 小时的买卖营业光阴里资产的总代价

阐发智能体所进行的买卖营业我们可以发明,很显着 Omega 比率这种奖励指标孕育发生了过度买卖营业(over-trade)的买卖营业策略,以至于智能体未能捉住市场时机得到收益。

应用 Calmar 比率作为奖励指标的智能体与应用 Omega 比率作为奖励指标的智能体比拟略有改进,但最遣散果异常相似。看起来像是我们投入了大年夜量的光阴和精力,只是为了让工作变得更糟......

应用 Calmar 比率作为奖励指标的智能体在跨越 3500 小时的买卖营业光阴里资产的总代价

假如仅应用利润作为奖励指标效果若何呢?在上一篇文章中这种奖励指标被证实有点掉败,此次做的所有改动和优化能否化腐败为神奇呢?

在为期四个月的测试周期内,应用利润作为奖励指标的智能体匀称收益达到账户初始金额的350%。你可能已经被这个结果吓呆了。这应该便是强化进修能达到的顶峰了吧,对吧?

应用利润作为奖励指标的智能体在跨越 3500 小时的买卖营业光阴里资产的总代价

并不是这样的。应用 Sortino 比率作为奖励指标的智能体匀称收益达到了账户初始金额的850%。当我看到这个数字时,我都不敢信托自己的眼睛,以至于我立马回去反省代码中是否存在问题。但颠末彻底的反省后,很显着代码中没有任何差错,也便是说这些智能体已经知道若何进行比特币买卖营业。

应用 Sortino 比率作为奖励指标的智能体在跨越 3500 小时的买卖营业光阴里资产的总代价

看起来应用 Sortino 比率作为奖励指标的智能体进修到了在最小化持有比特币风险的条件下低价买入和高价卖出的紧张性,同时它们还躲过了过度买卖营业和投资不够两大年夜陷阱。虽然说智能体学到的详细买卖营业策略我们不得而知,然则我们可以清楚地看到智能体已经学会经由过程买卖营业比特币得到收益了。

假如你不信,请看下图。

应用 Sortino 比率作为奖励指标的智能体正在买卖营业比特币,

此中绿色的三角形表示买入旌旗灯号,血色的三角形表示卖出旌旗灯号。

现在,我并没有被实验成功的愉快冲昏头脑。我清楚地知道比特币自动买卖营业智能体还远远没有达到临盆就绪。话虽如斯,但这些结果比我迄今为止看到的任何买卖营业策略都要令人印象深刻。而且令人震动的是,我们并没有奉告智能体关于加密泉币市场若何运作、若何在加密泉币市场上赢利这样的先验常识,而是仅靠智能体重复地试验和试错就达到了这么好的效果,不过,这里颠最后很多很多次的试验和试错。

写在着末

在本篇文章中,我们优化了基于强化进修的比特币自动买卖营业智能体,让它在买卖营业比特币时做出更好的决策,从而得到更多的收益!在这个历程中我们花费了大年夜量的光阴和精力,也碰到了很多的艰苦,我们把艰苦分化细化再逐个攻破,终极完成了智能体的优化,此中详细的操作步骤如下:

应用轮回神经收集进级现有模型,即进级成应用平稳性数据的是非期影象收集;

应用领域常识和统计阐发进行特性工程,为智能体供给了 40 多个用来进修的新特性;

将投资的风险引入智能体的奖励指标,而不光是关注利润;

应用贝叶斯优化来探求模型中最优的超参数;

应用常见的买卖营业策略进行基准测试,以确保智能体的收益可以跑赢市场。

从理论上来说,这个高收益的买卖营业智能体已经做得很不错了。

然则,我收到了相称多的反馈,他们声称买卖营业智能体只是在进修拟合曲线,是以,面对临盆情况中的实时数据,买卖营业智能体永世弗成能得到收益。虽然我们在不合数据集上练习/测试智能体的措施应该能够办理这个问题,然则模型确凿会有过度拟合数据集的可能,并且可能不会很好地推广到实时数据。话虽这么说,但在我看来这些买卖营业智能体进修到的远远不光是简单的曲线拟合,是以,我觉得它们能够在实时买卖营业的场景中得到收益。

为了查验这个设法主见,接下来的一段光阴里我会把这些基于强化进修的智能体带到临盆环节,为此,我们首先要更新智能体的运行情况以支持以太币、莱特币等其他加密泉币,然后我们将进级智能体让它可以在加密泉币买卖营业所 Coinbase Pro 上实时买卖营业。

这将会是一个冲感民心的实验,请不要错过它。

必要强调的是,本篇文章中所有的措施和投资策略都是出于教导目的,不应被视为投资建议。我们的比特币自动买卖营业智能体也远远没有达到实际临盆层面,以是请管好自己的钱包。

您可能还会对下面的文章感兴趣: