預測加密貨幣價格背后的8大邏輯_比特幣

Author：

Time：1900/1/1 0:00:00

編者按：本文來自區塊鏈大本營，作者：jrodthoughts，譯者：火火醬，Odaily星球日報經授權轉載。幾天前，我舉辦了一個關于加密貨幣價格預測的網絡研討會。在研討會上，我們總結了一些在IntoTheBlock平臺上構建加密資產預測模型的經驗教訓。這一領域有很多有趣的IP和研究項目，但我想總結幾條關鍵的想法。如果你對預測加密資產的價格感興趣的話，以下幾點想法會或許對你有所幫助：1.加密貨幣價格預測是可以實現和解決的，但不是通過單一的方法，也絕不是在任何市場條件下都能實現的。就像偉大的英國統計學家喬治·e·p·博克斯(GeorgeE.P.Box)曾說過的那樣：“本質上講，所有的模型都是錯誤的，但有些是有用的。”當涉及金融市場等復雜實體時尤其如此。就加密資產而言，預測加密貨幣的價格走勢絕對是可行的，但沒有任何一種模型能夠適用于所有的市場條件。始終都要假設自己的模型最終會失敗，并尋找替代方案。2.預測有兩種基本方式：基于資產的預測和基于因素的預測如果你想預測比特幣的價格，那么就是在遵循一種基于資產的策略。相反，基于因素的策略側重于預測特定的特征，如資產池中的價值或動量。

億萬富翁Chamath Palihapitiya預測：2023年人工智能崛起將使谷歌成最大輸家:1月9日消息，億萬富翁Chamath Palihapitiya預測，隨著人工智能的崛起，谷歌今年將受到最大的影響，因為人工智能開始讓谷歌搜索功能變得不那么重要。他特別提到了ChatGPT，這是一款新的基于人工智能的聊天機器人，自近兩個月前發布以來廣受關注。

這位風險投資家表示，谷歌可能不會失去其全球頂級搜索引擎的地位，但隨著其他網站的加入，谷歌仍可能失去相當大的使用量。（The Daily Hodl）[2023/1/9 11:01:34]

彭博預測：2030年中國60%的新房交易或采用數字人民幣結算:2月10日消息，彭博預計，到2030年，中國60%的新房交易可能會采用數字人民幣結算，而在2024年數字人民幣可能開始用于房地產交易時，該比例估計為1%。彭博認為，深圳和上海將率先采用數字人民幣進行房地產交易；成都、蘇州、南京和杭州將在2025年跟進；2026年將進一步擴大至其他一線城市和較大型二線城市；2027年將推廣至所有二線城市，到2030年將覆蓋全國。[2022/2/10 9:42:26]

3.處理加密資產預測的三種基本技術方法一般來說，大多數資本市場的預測模型，特別是加密資產，可以分為以下幾類:時間序列預測方法、傳統的機器學習方法和深度學習方法。時間序列預測方法(如ARIMA或Prophet)側重于根據已知的時間序列屬性預測特定的變量。在過去的十年中，線性回歸或決策樹等機器學習方法一直是資本市場預測模型的中心。最后，新成立的深度學習流派提出了深度神經網絡方法，用于發現變量之間的非線性關系，從而進行價格預測。

李啟元：今年比特幣牛市或現雙頂預測第一個小高峰在7萬至9.9萬美元之間:前比特幣中國CEO李啟元（Bobby Lee）發推文稱：“考慮到比特幣價格的巨大和快速上漲，今年可能會出現像2013年那樣的雙頂。(2013年的第一個小峰值出現在4月份，隨后真正的牛市在12月份達到峰值。)所以第一個小高峰消除了一些空氣，讓價格回落了一點，然后在夏秋季節再次上升。短期修正(定義為發生在同一牛市年內)將會更小，可能為40%到60%。這是長期的多年熊市調整，從歷史高點到底部大約80%。如果今年的牛市將出現雙頂，如果我不得不猜測，第一個小高峰可能在7萬美元至9.9萬美元之間，不會超過10萬美元。”[2021/1/3 16:17:56]

聲音 | Bitmex首席執行官：預測比特幣在達到9400美元后將急劇下跌:加密交易所Bitmex首席執行官Arthur Hayes今日發推文表示，預測比特幣在達到9400美元后將急劇下跌。（U.today）[2020/1/29]

4.時間序列預測方法易于實現，但適應性不強。在整個實驗過程中，我們測試了不同的時間序列方法，如ARIMA、DeepAR+或Facebook的Prophet。研究結果表明，此類方法并不是針對資本市場等復雜環境而設計的。它們非常易于實現，但是對于加密貨幣中常見的市場變化表現出非常差的彈性和適應性。此外，時間序列方法的最大局限性之一是它們依賴于數量有限且固定的預測因子，而事實證明，這些預測因子并不足以描述加密資產的行為。

5.傳統機器學習模型的泛化能力較差線性回歸和決策樹等方法一直是資本市場定量研究的前沿和中心。從這個角度來看，有很多研究可以被應用于加密空間。然而，考慮到加密市場的異常行為，我們發現大多數傳統的機器學習模型在概括知識方面都存在一定的困難，并且很容易出現不適用的情況。

6.深度學習模型很難解釋，但是在復雜的市場條件下表現良好。深度神經網絡已經不算是新事物了，但是在最近幾年才實現了其主流應用。從這個層面上講，這些模型的實現相對來說還是新生的事物。以加密市場為例，我們發現深度學習模型在預測方面可以達到相當好的效果。然而，考慮到模型的復雜性和實現的挑戰性，我們很難解釋這些模型的內部工作機制。