SPECIALIZAREA: AUTOMATICĂ ȘI INFORMATICĂ APLICATĂ [607167]

FACULTATEA DE INGINERIE
DEPARTAMENTUL DE INGINERIE ELECTRICĂ ȘI CALCULATOARE
SPECIALIZAREA: AUTOMATICĂ ȘI INFORMATICĂ APLICATĂ

PROIECT DE DIPLOMĂ

Analiză AI predictivă a
criptomonedelor pe platformă
Blockchain

Îndrumător științific: Absolvent: [anonimizat]. Crainicu Bogdan Cătinean Ioan Augustin

Anul absolvirii
2019

1
UNIVERSITATEA DE MEDICINĂ, FARMACIE, ȘTIINȚE ȘI TEHNOLOGIE DIN
TÂRGU-MUREȘ
FACULTATEA DE INGINERIE
Specializarea: AUTOMATICĂ ȘI INFORMATICĂ APLICATĂ Viza facultății

TEMĂ PROIECT DE DIPLOMĂ

Coordonator științific: Candidat (a):
Prof. Dr. Ing. Crainicu Bogdan Cătinean Ioan Augustin
Anul absolvirii: 2019

Tema proiectului de diplomă: Analiză AI predictivă a criptomonedelor pe platformă
Blockchain

Problemele principale care vor fi tratate în proiect:

Bibliografie recomandată:

Termene obligatorii de consultații: săptamânal 2 ore
Locul practicii:
Primit la data de: 30.04.2018
Termen de predare: 21.06.2019

Semnătura director departament Semnătura conducătorului
prof.univ. dr. ing. Dorin Bică Prof. Dr. Ing. Crainicu Bogdan

Semnătura candidat: [anonimizat]

1
Cuprins
Capitolul 1. Introducere …………………………………………………………………………………………….. 4
1.1 Considerații generale privind inteligența artificială ("A.I." – Artificial Intelligence –
Inteligență Artificială ) în combinație cu platforma Blockchain ……………………………………… 4
1.2 Specificațiile generale și structura proiectului ……………………………………………………. 6
Capitolul 2. Prezentarea generală a proiectului ………………………………………………………….. 6
2.1 Stadiul actual al analizei AI pe serii de timp ………………………………………………………. 6
2.2 Aportul teoretic și aplicativ în analiza predictivă AI a criptomonedelor ……………… 6
2.3 Viziunea de ansamblu asupra cercetării predictive din proiect …………………………… 6
Capitolul 3. Definire noțiuni și concepte de bază (Criptomonedă, Blockchain, hash, AI,
rețea neuronală artificială, serii de timp) ………………………………………………………………………… 6
3.1 Noțiuni utilizate ………………………………………………………………………………………………… 6
3.2 Conceptul de rețea neuronală predictivă și utilizarea în analiza seriilor de timp …. 8
Capitolul 4. Arhitectura modelului nelinear autoregresiv cu intrări exogene (NARX) ….. 9
4.1 Noțiuni introductive ………………………………………………………………………………………….. 9
4.2 Etapele proiectării și implementării algoritmului predictiv AI în Matlab ……………. 9
4.2.1 Colecționarea datelor statistice a evoluției criptomonedelor ……………………………… 9
4.2.2 Formatarea datelor inițiale si vizualizarea acestora ………………………………………….. 9
4.2.3 Compatibilizarea datelor statistice pentru utilizarea în rețele neuronale ……………… 9
4.2.4 Crearea rețelei neuronale și parametrizarea…………………………………………………….. 9
4.2.5 Antrenarea rețelei neuronale …………………………………………………………………………. 9
4.2.6 Testarea rețelei neuronale …………………………………………………………………………….. 9
4.2.7 Vizualizarea și interpretarea performanțelor de învățare a rețelei ………………………. 9
4.2.8 Predicția unipas si multipas în buclă închisă …………………………………………………… 9
4.3 Extinderea analizei predictive asupra unei noi criptovalute ……………………………….. 9
Capitolul 5. Interpretarea comparativă a rezultatelor obținute …………………………………… 9
5.1 Performanța antrenării rețelei neuronale ………………………………………………………….. 9
5.2 Starea antrenării ………………………………………………………………………………………………. 9
5.3 Histograma erorii ……………………………………………………………………………………………… 9
5.4 Regresia ……………………………………………………………………………………………………………. 9
5.5 Răspunsul rețelei ………………………………………………………………………………………………. 9
5.6 Autocorelația erorii …………………………………………………………………………………………… 9
5.7 Corelația intrări-erori ………………………………………………………………………………………. 9
Capitolul 6. Concluzii și perspective ale analizei predictive AI în Blockchain ………………. 9
Bibliografie ………………………………………………………………………………………………………………….. 10
Anexe ………………………………………………………………………………………………………………………….. 11

1

Capitolul 1. Introducere

1.1 Considerații generale privind inteligența artificială ( "A.I." – Artificial
Intelligence – Inteligență Artificială ) în combinație cu platforma Blockchain
Beneficiile inteligenței artificiale nu se mai limitează la corporații de înaltă calitate, super
eroi de filme și programatori care efectuează experimente fără rost. Ceea ce odinioară a devenit
science-fiction în realitate, și când este asociat cu tehnologia blockchain, nu este deloc surprinzător
faptul că AI (Inteligența Artificială) face salturi peste limitări. Dar întrebarea care vine mereu în
minte atunci cand o nouă tehnologie iese la iveală este " Pot să fac bani pe seama ei? ". Când privim
la tehnologia blockchain infuzată cu inteligența artificială, răspunsul ar putea fi într-adevăr pozitiv!
Creăm AI pentru a permite calculatoarelor să rezolve probleme pentru ele însele, oferindu-
le, în esență, posibilitatea de a scrie coduri ca răspuns la noile probleme cu care se confruntă. Când
este asociat cu blockchain, AI este în măsură să fie mai bine înțeles de oameni, să funcționeze mai
eficient și să facă blockchain-ul în general mai eficient.
Pentru ca mașinile să învețe, au nevoie de cantități masive de date pentru analiză, la fel ca
oamenii. Diferența este că oamenii își analizează datele în mod pasiv, folosim cele cinci simțuri cu
care ne naștem și le depozităm pentru a ne crea imaginea modului în care funcționează lumea. Trent
McConaghy explică în articolul său despre Medium : "Pentru că blocurile au introdus trei noi
caracteristici:
 control descentralizat / partajat
 rute imutabile / de audit
 bunuri / schimburi native. " [1]
Oamenii inspirați de Bitcoin au fost satisfăcuți să ignore deficiențele tradiționale bazate pe
baze de date, deoarece aceste noi beneficii au avut potențialul de a influența industriile și societatea
în ansamblu în moduri complet noi. El, Trent McConaghy, continuă adăugând: " Aceste trei noi

1
caracteristici ale bazei de date "blockchain" reprezintă un potențial interesant pentru aplicațiile
AI". [1]
Tehnologia Blockchain oferă utilizatorilor posibilitatea de a crea un sistem de încredere pe
care să poată rula contracte inteligente, să urmărească un registru și multe altele. AI și învățarea în
mașină permit programe hands-off care sunt proiectate să devină mai inteligente și mai eficiente în
timp. După cum explică Tshilidzi Marwala și Bo Xing în lucrarea de la Universitatea din
Johannesburg, există opt moduri-cheie în care AI poate ajuta blocurile; patru dintre acestea sunt
pertinente pentru discuția noastră:
 "Scalabilitate – AI poate realiza învățarea colaborativă fără un set de date centralizat.
 Securitate – AI poate detecta problemele legate de intruziunea stratului aplicației blockchain
 Confidențialitate – AI poate îmbunătăți performanța funcțiilor hash.
 Eficiența – AI poate prezice probabilitatea ca un nod să îndeplinească anumite sarcini
miniere."
Tranzacționările comerciale sunt o piață riscantă, în același mod în care piața bursieră poate
fi periculoasă, iar una dintre cele mai grave metode de creștere a acestui pericol este prin implicarea
emoțiilor. În cazul în care piața începe să se prăbușească, este posibil să aveți un atac de panică și
să vindeți rapid, doar pentru a urmări revenirea pe piață mai mare decât a fost vreodată, ducându-vă
la o pierdere. O modalitate simplă de a preveni aceste greșeli emoționale este prin utilizarea unui
criptobot bazat pe AI pentru comerțul cu criptomonede., cum ar
fi Cryptohopper sau Autonio. Elementele Crypto Bots sunt construite pe patru principii: algoritmi,
predicții de piață, pierderi de oprire și AI. Prin intermediul acestor Bots a devenit obisnuință ca
utilizatorii să se aboneze la "semnale" sau la servicii externe care oferă strategii de tranzacționare
pe baza datelor pe care le-au colectat și analizat utilizând AI. Dacă un consumator mediu se
îndepărtează de ecuație (și emoțiile lor) dar în schimb își bazează tranzacțiile pe strategiile generate
de inteligența artificială, este mult mai probabil să reușească.
Prezentul proiect își propune cercetarea evoluției criptomonedelor, oarecum asemănătoare
cu cea a burselor, cu deosebirea că discutăm despre o piata foarte volatilă, cu tendințe de
creștere/descreștere foarte imprevizibile și de cotații procentuale foarte mari in comparație cu piața
bursieră, unde o variație de +/-5% apare pe parcursul unui an calendaristic, pe când aceiași variație

1
în domeniul criptovalutelor poate interveni de mai multe ori într-o singură zi, în sensul unei încercări
de predicție a cursului raportat la dolari pentru un termen scurt, sau foarte scurt (o zi, maxim două-
trei zile). Contextul la care se raportează proiectul este posibilitatea obținerii de venituri destul de
consistente pe termen relativ scurt. Rezultatele obținute mă îndreptățesc să cred că abordarea inedită
pe care o folosesc în proiect are aplicabilitate practică având in considerare fiabilitatea predicției
după cum se va demonstra în continuare.

1.2 Specificațiile generale și structura proiectului

Prezentul proiect
Capitolul 2. Prezentarea generală a proiectului
2.1 Stadiul actual al analizei AI pe serii de timp
2.2 Aportul teoretic și aplicativ în analiza predictivă AI a criptomonedelor
2.3 Viziunea de ansamblu asupra cercetării predictive din proiect

Capitolul 3. Definire noțiuni și concepte de bază (Criptomonedă, Blockchain, hash,
AI, rețea neuronală artificială, serii de timp)

3.1 Noțiuni utilizate

Pentru prezenta lucrare sunt edificatoare următoarelor noțiuni fundamentale:
Criptomonedă sau criptovalută (din engleză CryptoCurrency ) este un tip de monedă
digitală, virtuală, o monedă surogat , nebancară, folosită ca mijloc de plată,
(ex: Bitcoin, Ethereum, Ripple, Litecoin, Dogecoin).
Denumirea de criptomonedă indică faptul că acest mijloc de plată utilizează criptografia și
este descentralizat pentru a controla tranzacțiile și preveni dubla cheltuială, o problemă curentă
pentru valutele digitale.
Deseori se face greșeala ca moneda virtuală (criptomoneda) să fie considerată o monedă
electronică. Conform Legii, aceasta nu este o monedă electronică. Astfel, în România, art., 4 lit. (f)
din Legea 127/2011 privind activitatea de emitere de monedă electronică, definește moneda

1
electronică ca fiind „o valoare monetară stocată electronic, inclusiv magnetic, reprezentând o
creanță asupra emitentului, emisă la primirea fondurilor în scopul efectuării de operațiuni de plată
și care este acceptată de o persoană, alta decât emitentul de monedă electronică” .
Un blockchain este o listă de înregistrări (sau date) în continuă creștere, numite blocuri,
care sunt legate și securizate cu ajutorul criptografiei. Ca structură de date, un blockchain este
o listă simplu înlănțuită, în care legăturile între elemente se fac prin hash. Astfel, fiecare bloc
conține de obicei o legătură către un bloc anterior (un hash al blocului anterior), un timestamp și
datele tranzacției. Prin design, blockchainurile sunt rezistente la modificarea datelor. Blockchainul
este „un registru transparent și distribuit care poate înregistra tranzacții între două părți în mod
eficient, verificabil și permanent”. Pentru a fi folosit ca registru distribuit, un blockchain este de
obicei administrat de o rețea colectivă de tip peer-to-peer, ce aderă la un protocol pentru validarea
noilor blocuri. Odată înregistrate, datele din orice bloc de date nu mai pot fi modificate retroactiv
fără alterarea blocurilor care urmează, ceea ce necesită acordul majoritar al participanților din rețea.
Blockchainurile sunt securizate prin design și sunt un exemplu de sistem de calcul
distribuit cu toleranță ridicată de tip bizantin (toleranță la atacatori sau la calculatoare
necooperante). Problema consensului descentralizat a fost prin urmare rezolvată cu ajutorul
tehnologiei blockchain. Acest lucru face ca tehnologia blockchain să fie adecvată pentru
înregistrarea de evenimente, dosare medicale precum și înregistrarea altor activități de management
cum ar fi gestionarea identității, procesarea tranzacțiilor, documentarea provenienței, urmărirea
traseului comercial al produselor alimentare sau sisteme de votare.
Primul blockchain a fost conceptualizat în anul 2008 de o persoană anonimă care s-a
identificat cu numele de Satoshi Nakamoto. În 2009 a fost pus în aplicare
în criptomoneda bitcoin, unde servește ca registru public și descentralizat pentru toate
tranzacțiile. Inventarea tehnologiei blockchain a făcut ca bitcoin să devină prima monedă digitală
care a rezolvat problema dublei cheltuieli fără să se folosească de o autoritate centrală de încredere
sau de servere centrale. Designul monedei Bitcoin a fost sursă de inspirație pentru multe alte
aplicații.
În sens matematic, funcțiile hash (clasă de funcții denumite în lucrări de specialitate
și funcții de dispersie sau funcții de rezumat ) sunt funcții definite pe o mulțime cu multe elemente
(posibil infinită) cu valori într-o mulțime cu un număr fix și mai redus de elemente. Funcțiile hash
nu sunt inversabile. În informatică, funcțiile hash sunt folosite pentru a accelera căutările în tabele,

1
cum este cazul în bazele de date mari sau comparările de date. Valoarea unei funcții hash este
denumită rezumat, valoare hash , cod hash, sumă hash sau doar hash. De asemenea, pot fi folosite
drept sume de control sau coduri corectoare de erori (deși nu trebuie confundate cu acestea două),
sau, în criptografie, drept componente în schemele de semnătură digitală.

3.2 Conceptul de rețea neuronală predictivă și utilizarea în analiza seriilor de timp

Structura creierului uman se compune dintr-o rețea complexă de neuroni care se
interconectează între ei în mod paralel prin intermediul unor axoni, respectiv dendrite. Schimbul
de informație între diferiții neuroni se realizează prin intermediul așa-numitelor sinapse.
Funcționarea creierului uman se caracterizează prin fenomene electro-chimice relativ simple. S-a
pus problema explicării modului în care aceste rețele neuronale complexe, dar constituite din
elemente de procesare relativ simple, pot să prezinte performanțe notabile. Aceste idei au condus
la crearea diferitelor modele matematice ale neuronilor “artificiali”.
Prin studierea rețelelor neuronale artificiale putem încerca înțelegerea operațiilor esențiale
ce au loc în rețeaua de neuroni dens interconectată a sistemului nervos central natural. Primul model
neuronal propus de (McCulloch & Pitts, 1943) a fost bazat pe neuroni binari simplificați, care
implementează o funcție de prag simplă, conform căreia un neuron este sau activ sau inactiv, stări
calculate pe baza sumei ponderate a stărilor neuronilor la care acesta este conectat. În acest scop
conexiunile dintre neuroni sunt direcționate (de la neuronul i la neuronul j) și au atașate câte o
pondere. Legăturile sunt deci niște conexiuni care transportă semnale excitatorii sau inhibitorii de
la un element de procesare la altul. Dacă suma ponderată a neuronilor i conectați la neuronul j
depășește o valoare de prag, atunci starea neuronului j este activ altfel inactiv. Remarcabil, rețele
construite din astfel de elemente de calcul simple, pot implementa o gamă largă de funcții
matematice, corelând stările de intrare cu stările de ieșire și variind ponderile conexiunilor pe baza
unor algoritmi specifici, astfel rețelele de neuroni artificiali învățând funcțiile respective.

1
Capitolul 4. Arhitectura modelului nelinear autoregresiv cu intrări exogene
(NARX)
4.1 Noțiuni introductive
4.2 Etapele proiectării și implementării algoritmului predictiv AI în Matlab
4.2.1 Colecționarea datelor statistice a evoluției criptomonedelor
4.2.2 Formatarea datelor inițiale si vizualizarea acestora
4.2.3 Compatibilizarea datelor statistice pentru utilizarea în rețele
neuronale
4.2.4 Crearea rețelei neuronale și parametrizarea optimizată
4.2.5 Antrenarea rețelei neuronale
4.2.6 Testarea rețelei neuronale
4.2.7 Vizualizarea și interpretarea performanțelor de învățare a rețelei
4.2.8 Predicția unipas si multipas în buclă închisă
4.3 Extinderea analizei predictive asupra unei noi criptovalute
Capitolul 5. Interpretarea comparativă a rezultatelor obținute
5.1 Performanța antrenării rețelei neuronale
5.2 Starea antrenării
5.3 Histograma erorii
5.4 Regresia
5.5 Răspunsul rețelei
5.6 Autocorelația erorii
5.7 Corelația intrări-erori

Capitolul 6. Concluzii și perspective ale analizei predictive AI în Blockchain

1

Bibliografie

[1] McConaghy, T. (2017, Jan 3). Blockchains for Artificial Intelligence. From Decentralized
Model Exchanges to Model Audit Trails. Ocean Protocol .

Bibliografie

[1] Dan Ștefănoiu, Ion Matei, Petre Stoica, Aspecte practice în Modelarea și Identificarea

1
Sistemelor , Universitatea Politehnică din București

[2] Florescu, D. and Coca, D. (2018) Identification of linear and nonlinear sensory processing
circuits from spiking neuron data. Neural Computation. pp. 1-38. ISSN 0899-7667

[3] Codoiu Remus Gh. , Sisteme de reglare automată a acționărilor electrice cu motoare de curent
continuu

[4] Panu Mihai, Noțiuni generale de mașini electrice.

Anexe

Anexa 1 – Codul script Matlab complet

1