Hva Er Forskjellen Mellom Datavitenskap Og Maskinlæring?

Vi antar at du er ok med dette. Nyere forskning har vist en nær sammenheng mellom følelser og cryptocurrency verdi. Hvordan blir jeg rik? Når det gjelder å tjene penger, er passivitet nesten alltid verre enn feil handling. De krever imidlertid litt forskjellige ferdighetssett og forskjellige treningsmetoder. I denne demonstrasjonen lærer du hvordan du bruker maskinlæringsteknikker (regresjon) for å forutsi kontinuerlige responsvariabler, for eksempel volatilitet, ved å bruke Bitcoin-data fra Quandl. Funksjonene-målparene er beregnet for alle valutaer og alle verdier for inkludert mellom og.

  • Dette har siden blitt løst, selv om det ennå ikke er investert tid i å erstatte hvert av resultatsettene nedenfor.
  • Hva bestemmer prisen på Bitcoins?
  • Som sådan kan det hende at treningsdataene ikke er representative for testdataene, noe som undergraver modellens evne til å generalisere til usettede data (du kan prøve å gjøre dataene dine stasjonære - omtalt her).
  • Mens vår enkle belønningsfunksjon fra forrige gang var i stand til å tjene penger, produserte den ustabile strategier som ofte fører til sterke tap i kapital.
  • Bare 2 prosent av de 200 000 bitcoin-transaksjonene i datasettet ble ansett som ulovlige som en del av Eliptics første arbeid.

Egenskapene som vurderes for hver valuta er pris, markedsverdi, markedsandel, rangering, volum og avkastning (se (1)). Resultater oppnås for de forskjellige metodene ved å kjøre algoritmene med tanke på priser i BTC (venstre kolonne) og USD (høyre kolonne). 24 enkle måter å tjene penger på å skrive online i 2019. Ved bruk av ARIMA-modellen som ble trent på rundt 70 datapunkter, ble det oppnådd en gjennomsnittlig nøyaktighet på 75–80% og ved bruk av RNN-modellen ble det oppnådd en nøyaktighet på nesten 95%.

Hvordan kan vi få modellen til å lære mer sofistikert atferd? Parametrene for hver modell ble optimalisert for alle bortsett fra metode 3 på daglig basis, basert på utfallet av hvert parametervalg tidligere. Hvorfor skal vi ikke bruke denne modellen til faktisk handel? Antallet valutaer som skal inkluderes i en portefølje velges ved å optimalisere enten det geometriske gjennomsnittet (geometrisk middeloptimalisering) eller Sharpe-forholdet (Sharpe ratio optimization) i forhold til mulige valg av. Funn indikerer at næringsdrivende er i stand til å tjene konservativ avkastning på risikojustert grunnlag, til og med regnskap for transaksjonskostnader, når de bruker SVM.

I løpet av de siste par ukene og månedene har jeg møtt mange artikler som tar en lignende tilnærming til den som er presentert her, og som viser grafer over prisforutsigelser for cryptocurrency som ser ut som den ovenfor.

Registrer deg på CoinDesks nyhetsbrev

Den kumulative avkastningen i figur 5 oppnås ved å investere mellom 1. januar 2019 og 24. april 2019. Dette er et junioroppslag for nyutdannede for å bli dataforskere hos Microsoft. 034913 686 2019-01-03 430. Så selv om jeg kanskje ikke har en billett til månen, kan jeg i det minste komme om bord på hypertoget ved å forutsi kryptoprisen ved å utnytte dyp læring, maskinlæring og kunstig intelligens (ja, alle sammen!) Maskinlæring Bitcoin bruker IKKE algoritmer og økonomiske beregninger. Når Bitcoin-forskningen er fullført, sier han at han nå føler seg trygg på å modellere praktisk talt alle mengder som varierer over tid - inkludert, sier han halvt spøkefullt, gyldigheten av astrologispådommer.

Epok 50/50 6s - tap: For å forklare, la meg lede deg gjennom et eksempel på å bygge et multidimensjonalt Long Short Term Memory (LSTM) nevralt nettverk for å forutsi prisen på Bitcoin som gir prediksjonsresultatene du så ovenfor. Ovennevnte data viser at prediksjonsmodellen vår har prestert rimelig godt med forutsagte nære priser og reelle nære priser avviker fra 0 til 5. Gevinstene i USD (figur 16) er derfor høyere enn i Bitcoin (figur 5). Vi må negere gjennomsnittlig belønning, fordi Optuna tolker lavere avkastningsverdi som bedre forsøk. Også den andre metoden er avhengig av XGBoost, men nå brukes algoritmen for å bygge en annen regresjonsmodell for hver valuta (se figur 4).

060792 685 2019-01-04 433.

Skrive En Omtale

Å bruke funksjonen ovenfor på Bitcoin-dataene våre vil gi oss en nyinnrammet data, og de fem første utdataene av ominnrammede data kan sees nedenfor i normalisert form. Den bruker et RNN (Recursive Neural Networks) nevrale nettverk som består av flere lag med 64 nevroner hver. Tidligere i år samlet hovedetterforsker Devavrat Shah og nyutdannet Kang Zhang prisdata fra alle større Bitcoin-børser, hvert sekund i fem måneder, og samlet mer enn 200 millioner datapunkter. Vi tester og sammenligner tre overvåkede metoder for kortsiktig prisvarsling. Forskjell dataene og sjekk for stasjonaritet. Keras er API-innpakning på høyt nivå, dyp læringsramme som går på toppen av Tensorflow eller Caffe2. Jeg trodde dette var et helt unikt konsept for å kombinere dyp læring og kryptoer (i det minste bloggmessig), men når jeg forsker på dette innlegget (i. )I løpet av denne tidsskalaen kan støy overvelde signalet, så vi velger daglige priser.

Hvis ikke annet, viser funnene Shahs tro på at det som kommer i veien for forutsigelsesmaktene våre oftere enn ikke er våre forutinntatte forestillinger om hvilke mønstre som dukker opp. For dagens jobb kommer vårt viktigste verktøy til å være optuna-biblioteket, som implementerer Bayesian-optimalisering ved hjelp av trestrukturerte Parzen Estimators (TPE). Ved å bruke Gradient Boosting-algoritmen med standardparametere oppnår vi en gjennomsnittlig kryssvalideringsnøyaktighet på 80. Etter dette kurset, vet du alt du trenger for å kunne skille fakta fra fiksjon når du leser påstander om Bitcoin og andre cryptocurrencies. Det er virkelig fantastisk med tanke på at disse agentene ikke fikk noen forkunnskaper om hvordan markedene fungerte eller hvordan de kunne handle lønnsomt, og i stedet lærte å bli massivt suksessfulle gjennom prøving og feiling alene (sammen med noen gode gamle fremtidsskjevheter). Denne kundeveiledningen understreker behovet for omfattende forskning for å bestemme dine rettigheter, hva som kan påvirke fremtidig verdi av en digital mynt eller token, og skritt du kan ta for å unngå svindel eller andre problemer.

Big Data og skalering av nettapplikasjoner

I tillegg brukte jeg Mean Absolute Error (MAE) som tapsfunksjon og Adam-optimalisereren. Vi fokuserer på data samlet ved hjelp av Twitter- og Reddit-kanaler, utfører ETL ved hjelp av Apache Spark, og deretter gruver jeg meninger med dyp læringsbaserte NLP-teknikker for å funksjonelt knytte BTC historiske prisdata til sentimenter fremstilt med tid, og videre forutsi fremtidige priser med akseptabel nøyaktighet. Arbeidet ditt skal ha en kjernen empirisk komponent, i motsetning til en rent kvalitativ studie av effekten av teknologi på samfunnet. For å gjøre dette poenget tydeligere, la oss beregne forventet avkastning som forutsagt av modellen og sammenligne dem med den faktiske avkastningen. Merk at figuren for visualiseringsformål viser den oversatte geometriske middelavkastningen G-1.

Bitcoin vs GBP/USD? BTC virkelig Gold 2.0? Forholdet mellom Bitcoin og strømning 2019

Ettersom datamengden var enorm, så det ut til at den nevrale nettmodellen fungerte veldig bra og ga en god prediksjon. Først etter bruk av 1-dagsskiftet på spådommene, oppnår vi svært korrelerte avkastninger som ligner avkastningen til de faktiske bitcoin-dataene. Øvre grense for kumulativ retur. Deres rolle er sterkt fokusert på analyse og bygging av datarørledninger som hjelper til med å informere forretningsavgjørelser. Bitocoin-økosystemet har vokst raskt. Som en bonus er det ganske enkelt å implementere, og det gjør at vi kan skape et tillitsintervall for fremtidige spådommer, som ofte er mye mer innsiktsfull enn en enkelt verdi. Hvordan sikre datasystemer, kommunikasjon og brukere.

Vi kan forsøke å fjerne det ved å ta logaritmen på hvert trinn før differensiering, som produserer den endelige, stasjonære tidsserien, som vises nedenfor til høyre. I dyp læring blir dataene vanligvis delt opp i trenings- og testsett. La meg forklare. Tidsstemplet i dataene ble konvertert til standard UNIX-tidsstempler, og for ARIMA ble dataene gruppert etter måneder ved å ta middelverdiene, og for RNN ble dataene gruppert etter dagene som igjen tok middelverdi for hver dag. Resultatene vises i Bitcoin. Imidlertid har anvendelsen av maskinlæringsalgoritmer til cryptocurrency-markedet hittil vært begrenset til analyse av Bitcoin-priser, ved bruk av tilfeldige skoger [43], Bayesianske nevrale nettverk [44], langtidshukommende nevralt nettverk [45], og andre algoritmer [32, 46]. Siden 2019 har over 170 hedgefond spesialisert seg på cryptocururrency, og Bitcoin futures er blitt lansert for å imøtekomme institusjonell etterspørsel etter handel og sikring av Bitcoin [6].

En annen, men likevel lovende tilnærming til studien cryptocururrency, består i å kvantifisere virkningen av opinionen, målt ved hjelp av spor i sosiale medier, på markedsatferden, i samme ånd som dette ble gjort for aksjemarkedet [67].

Forfatterne erklærer at de ikke har interessekonflikter. Denne kundenes rådgivning er utviklet for å oppmuntre investorer til å være forsiktige med salgsområder for å utpeke “IRS-godkjente” eller “IRA godkjente” virtuelle valutapensjonskontoer. Dype nevrale nettverk for kryptokursvalutas prisforutsigelse I dette korte innlegget vil jeg vise deg hvordan du bruker Algominr til å lage en enkel maskinlæring av Bitcoin-handelsstrategi. 01 39633800 -0. Jeg brukte de siste 10% av dataene til testing, som deler opp dataene for 2019–09–14. I dette avsnittet viser vi resultater oppnådd med tanke på priser i USD. LSTM-er ble utviklet for å håndtere eksplosjons- og forsvinningsgradientproblemet når man trener tradisjonelle RNN-er.

Amerika

Nå som vi har fått det ut av veien, kommer vi til å oppdatere observasjonsområdet vårt ytterligere ved hjelp av litt funksjonsteknikk. De beste nettstedene for aksjehandel for nybegynnere 2019, mange nye aksjehandlere blir overveldet fordi de må få informasjonen fra en rekke kilder. Empiriske bevis på tester av fyldigere type dickey. Du kan lese mer om disse typene av NN her: Resultatene påvirkes ikke spesielt av valg av antall nevroner eller antall epoker. Factom (91 dager), E-Dinar Coin (89 dager), Ripple (76 dager), Ethereum (71 dager), Steem (70 dager), Lisk (70 dager), MaidSafeCoin (69 dager), Monero (58 dager) , BitShares (55 dager), EDRCoin (52 dager). Cbyn/bitpredict: Utvidelse av denne trivielle etterslepsmodellen, blir aksjekurser ofte behandlet som tilfeldige turer, som kan defineres i disse matematiske begrepene:

Selv om den nåværende innsatsen fokuserer på bitcoin (BTC), kan den brukes på flere andre kryptokurser som strekker seg fra eter (ETH) til Facebooks kommende cryptocurrency, Libra, la Robinson til. Ig.com anmeldelse: kan du stole på dem? Vær oppmerksom på at det er flere forskjeller enn dette. Prisen på Bitcoin i USD har økt betydelig i vurderingsperioden. Se her for eksempler på hvordan prosjekter kan se ut. Denne kundeveiledningen dekker virtuell valuta og hvordan det er en digital representasjon av verdi som fungerer som et utvekslingsmedium, en kontoenhet eller en butikk med verdi, men den har ikke lovlig anbudsstatus. Mer skreddersydde handelsfokuserte tapsfunksjoner kan også bevege modellen mot mindre konservativ atferd.

Vi bygger lite datarammer som består av 10 påfølgende dager med data (kalt windows), så det første vinduet vil bestå av de 0-9 radene i treningssettet (Python er nullindeksert), det andre vil være radene 1-10 , etc.

  • Grønne trekanter signal kjøper, røde trekanter signal selger.
  • Vær ekstra forsiktig når du vurderer handelsrådgivning, produkter eller tjenester som er utpekt på sosiale medier.
  • Under gjennomsnittlig kvadratfeil (MSE) ville LSTM-modellen for eksempel bli tvunget til å legge mer vekt på å oppdage pigger/renner.
  • Vi kan også bygge en lignende LSTM-modell for spådommer for Bitcoin-tester er plottet nedenfor (se Jupyter-notisbok for full kode).
  • Så for enkle modeller er det virkelig godt valg.
  • Hver av disse krever en annen tilnærming når man utvikler en strategi for å handle.
  • Bitcoin prisvarsling med dype læringsalgoritmer.

Leading-Edge Technology

Vær oppmerksom på at korreksjoner kan ta et par uker å filtrere gjennom de forskjellige RePEc-tjenestene. Dette er et enkelt forhold mellom porteføljens meravkastning til volatilitet, målt over en bestemt tidsperiode. Bitcoin er mer tilgjengelig, med flere børser, flere kjøpmenn, mer programvare og mer maskinvare som støtter det. De to rollene er komplementære, men de er ikke helt de samme, og det kan være en katastrofe å ansette feil profil for en rolle eller prøve å få en jobb i et område der ferdighetene dine ikke passer. For visualiseringsformål beregnes kurver over et rullende døgnvindu.

Vi finner ut at medianverdien til det valgte vinduet over tid er 7 for både Sharpe-forholdet og den geometriske middeloptimaliseringen. En ny innsikt i bitcoin-transaksjon. Jo høyere forhold, jo større er sannsynligheten for oppsidepotensial over nedsidepotensialet. Som aksjemarkedsanalyse kan også denne brukes av investorer til å bedømme det beste tidspunktet å foreta investeringer for å oppnå best mulig resultat. I den siste artikkelen brukte vi dyp forsterkningslæring for å lage Bitcoin-handelsboter som ikke taper penger.

Om RePEc

I begge tilfeller er gjennomsnittlig avkastning på investeringen i den vurderte perioden større enn 0, noe som gjenspeiler den generelle veksten i markedet. Her setter vi Bitcoin, den ledende cryptocurrency, på en test ved å studere anvendeligheten av den effektive markedshypotesen av Fama fra to synsvinkler: På plottet over sammenligner vi Train and Test-tapet på hver iterasjon av treningsprosessen. Den geometriske middelavkastningen beregnet mellom tiden "start" og "slutt" ved å bruke optimalisering av Sharpe ratio for grunnlinjen (a), metode 1 (b), metode 2 (c), og metode 3 (d). 51 legitime måter å tjene penger på nettet, jeg vil dele alle feilene jeg har gjort som fikk meg dit jeg er nå, slik at du ikke trenger å gå gjennom dem, og kan bygge en vellykket online inntektskilde for deg selv. Vi svarer om støttevektormaskiner (SVM) og kunstige nevrale nettverk (ANN) -baserte strategier kan gi unormal risikojustert avkastning når den brukes på Bitcoin, den største desentraliserte digitale valutaen når det gjelder markedsverdi. Kan vi gjøre en rettsmedisinsk analyse av kjente tyverier av bitcoins, eller hendelser som Mt. Det første vi må gjøre for å forbedre lønnsomheten til modellen vår, er å gjøre et par forbedringer på koden vi skrev i forrige artikkel. Første halvdel av kurset blir "snudd: "

Før vi bygger modellen, må vi skaffe noen data for den.

Oversett Dette Nettstedet

Det krevde ganske mye arbeid, men vi har klart å oppnå det ved å gjøre følgende: Den første metoden vurderer en enkelt regresjonsmodell for å beskrive prisendringen på alle valutaer (se figur 3). Aksjehandelsplattformer, pris-til-inntjening-forholdet (P / E-forhold) er et forhold for å verdsette et selskap som måler sin nåværende aksjekurs i forhold til resultat per aksje (EPS). Under kodebiten er å bygge LSTM-modell ved å bruke Keras. Ved å bruke en teknikk kalt "Bayesian regression", trente de en algoritme for å automatisk identifisere mønstre fra dataene, som de brukte for å forutsi priser, og handle deretter. Tross alt har finansverdenen allerede visst lenge at "tidligere prestasjoner ikke er en indikator for fremtidige resultater". Bitcoin er en peer-to-peer, desentralisert elektronisk kontantprotokoll.

Handelsressurser

Så i forsøk på å holde denne artikkelen så nær originalen som mulig, vil jeg la de gamle (ugyldige) resultatene ligge her til jeg har tid til å erstatte dem med nye, gyldige resultater. Det har de fleste gründere som skaper selskaper rundt seg med mye intellekt, engasjement og kreativitet som går mot å gjøre det mer nyttig. Eksperimentelle resultater viste at ytelsen til testede algoritmer er lovende og at Bitcoin-markedet fremdeles er i sin ungdom, og ytterligere markedsmuligheter kan bli funnet. I løpet av denne tidsskalaen kan støy overvelde signalet, så vi velger daglige priser.

La oss kjøre hver av disse optimaliserte agentene i et testmiljø, som er initialisert med prisdata de ikke har fått opplæring i, og se lønnsomme de er.

Dette betyr at den ikke styres av noen sentralbank eller annen myndighet. Når det er sagt, har du forhåpentligvis oppdaget min skepsis når det gjelder anvendelse av dyp læring for å forutsi endringer i kryptopriser. Analysen fant at 2% av de analyserte transaksjonene var ulovlige, 21% var lisenser, og de resterende transaksjonene ble merket som ukjent. (Resultatene presentert i figur 6 er oppnådd under Sharpe ratio optimalisering for grunnlinjen (figur 6 (a)), metode 1 (figur 6 (b)), metode 2 (figur 6 (c)) og metode 3 (figur 6 (d) )). 4) vil foreslå flyter på en enkel, additiv måte (0.

På den måten tilbakestilles ikke feil fra tidligere prediksjoner, men blir forsterket av påfølgende prediksjoner.

Modellen for valuta er trent med parfunksjoner mål mellom tider og.

Hovednavigasjon

Den første endringen vi trenger å gjøre er å oppdatere policyen vår for å bruke et tilbakevendende, Long Short-Term Memory (LSTM) nettverk, i stedet for vårt forrige, Multi-Layer Perceptron (MLP) nettverk. Straff konservative AR-type modeller: Deretter er gevinster konvertert til USD (uten transaksjonsgebyr). Med litt datarengjøring kommer vi til tabellen over. Funksjonene-målparene inkluderer en enkelt valuta, for alle verdier for inkludert mellom og.

Totalt sett nedenfor er trinnene vi fulgte for å forutsi "nære priser" ved å bruke LSTM nevrale nettverk. Økt-hashtaggen: Grunnleggende algoritmer på en rekke andre områder er også dekket, inkludert geometriske og grafiske algoritmer. Heldigvis trenger vi ikke å bygge nettverket fra bunnen av (eller til og med forstå det), det finnes pakker som inkluderer standardimplementeringer av forskjellige dype læringsalgoritmer (f.eks. Fremtiden for algoritmisk handel, den ideelle situasjonen er selvfølgelig at avkastningen er betydelig, men at den ekstra risikoen for å investere er så liten som mulig. )Prosjekter vil være kvalifisert for teknologi og samfunnsattest.

471–483, 1992. Det lar deg også akseptere potensielle sitater på dette elementet som vi er usikre på. Enhver modell som er bygd på 2019-data, vil sikkert slite med å gjenskape disse enestående bevegelsene. Bruke bitcoin-transaksjonsgrafen for å forutsi prisen på bitcoin. Vi har brukt enkelt LSTM-nettverk. Målet med å slå tilfeldige turer er en ganske lav stolpe.

Undervisning Og Utdanning

Prognose fremtiden! Til slutt er det verdt å merke seg at de tre foreslåtte metodene gir bedre resultater når spådommer er basert på priser i Bitcoin i stedet for priser i USD. Resultatene vises med tanke på priser i Bitcoin. Du kan se en sammenligning av ekte og forutsagte etiketter på diagrammet nedenfor. Derfor antas Bitcoin i stor grad å gi en høy grad av anonymitet, som er en driver for dens hyppige bruk for ulovlige aktiviteter. 1080/07421222. Nyere fremskritt på feltet har imidlertid vist at RL-agenter ofte er i stand til å lære mye mer enn veiledte læringsagenter innenfor det samme problemdomenet.

Data science fokuserer på teorien, og administrerer en prediktiv modell, for deretter å formidle den til interessenter. På den måten kan vi få mest mulig utbytte av disse tekniske indikatorene uten å legge for mye støy til observasjonsområdet. I dag lærer du hvordan Bitcoin-prediksjon blir gjort med Vi har også utført maskinlæring-modellopplæring for å utføre spådommer. 2019 er større enn 1 for alle metoder, for avgifter opp til (se tabell 1). Her bruker vi denne tilnærmingen for å teste hypotesen om at ineffektiviteten til cryptocurrency-markedet kan utnyttes til å generere unormal fortjeneste. Jeg har valgt en hvor det fulle intervallet tilfeldige turer ser nesten anstendig ut for Ethereum.

Selv om agentene var lønnsomme, var ikke resultatene så imponerende, så denne gangen skal vi styrke det og ha forbedret lønnsomheten til vår modell.

Data Analytics

For det første har vi Omega-strategien, som ender opp med å være ganske ubrukelig handel mot datasettet. For å redusere effekten av den generelle markedsveksten, ble cryptocururrency priser uttrykt i Bitcoin. Når vi fjerner alle dupliserte funksjoner (funksjoner med en absolutt gjennomsnittlig korrelasjon> 0. )Utenkelig anvendelse av maskinlæring risikerer således å forevige samfunnsfordeler inkludert rasemessige og kjønnsfordeling. Hvordan tjene penger raskt: 100+ enkle måter å tjene kr100 eller mer. Hvis du virkelig vil forstå den underliggende teorien (hva slags kryptoentusiast er du?) I dette tilfellet anser vi prisen for å være den samme som før den forsvant. I stedet for å finne opp hjulet på nytt, kommer vi til å dra nytte av smerten og lidelsen til programmererne som har kommet foran oss.

For de resterende kolonnene, som det andre blogginnlegget, normaliserer vi inngangene til den første verdien i vinduet. Dette forventes, siden Bitcoin-prisen har økt i vurderingsperioden. De tekniske indikatorene bør legge til noe relevant, men hengende informasjon til datasettet vårt, som vil bli komplimentert godt av prognoserte data fra vår prediksjonsmodell. For eksempel kan vi belønne agenten vår for en økning i nettoverdien mens den har en BTC/USD-posisjon, og igjen for den trinnvise nedgangen i verdien av BTC/USD mens den ikke har noen posisjoner. Vi kan da kalle studie.

Vennligst Logg Inn For å Få Tilgang Til Dette Innholdet

Vår kildekodelagring er tilgjengelig her for å prøve ut LSTM-modellen vi bygde. Men hvorfor la negative realiteter komme i veien for grunnløs optimisme? Det ser ut til å være status quo å raskt slå av eventuelle forsøk på å lage forsterkende læringsalgoritmer, da det er "feil vei å bygge en handelsalgoritme". Vi har fornyet modellen vår, forbedret vårt funksjonssett og optimalisert alle hyperparametrene våre. Dette innebærer at Bitcoin er ekskludert fra vår analyse. Lær og bidra Koble til andre ginkarbone/machine-learning-bitcoin Bli med i GitHub i dag Klon med HTTPS-nedlasting.

Det kommer til å bli spennende og innsiktsfullt, uansett om vi tjener penger eller ikke, så du ikke vil savne det!

Nylig har det også vært noen bekymringer rundt det [4]. Resultatene er vist for, for Ethereum (b) og Ripple (c). Ikke bruk den til handel. La oss raskt gå gjennom taperne slik at vi kan komme til det gode.

Antall valutaer som skal inkluderes i porteføljen optimaliseres over tid ved å mazimisere den geometriske gjennomsnittlige avkastningen (se vedlegg avsnitt A) og Sharpe-forholdet (se vedlegg avsnitt A). 1014-1020,2019. Dette betyr at for beregning av fremtidige priser blir opplevelsen fra den forrige historiske serien brukt med et 120-dagers handlingsvindu. På Bitcoin Blockchain er et eierselskaps identitet i den virkelige verden skjult bak et pseudonym, en såkalt adresse.