魔鏡魔鏡告訴我，數字貨幣未來價格可以預測嗎？_比特幣

雷鋒網按：自從比特幣的價格暴漲以來，關于數字貨幣的炒作一直不斷。每天都有新的數字貨幣的信息，它們有的被證實是騙局，有些則會在幾個月成為新的頂級貨幣。炒幣人士通常會為了一個傳言而買入賣出，自然，也會有人嘗試用機器學習來對數字貨幣的價格變化進行分析，來找出影響數字貨幣價格變動的因素。近日在外媒Medium上，就有一位叫做ChalitaLertlumprasert的博主發表了如何用機器學習來預測數字貨幣價格變化的文章，雷鋒網整理如下：

機器學習分析數字貨幣價格變化的原理

在經典的時間序列分析中，我們認為觀察到的時間序列是模式和隨機變量的組合。使用這種方法，我們可以根據歷史數據預測未來的價值。這種方法在大多數情況下可行，但是如果這個時間序列更加隨機化呢？如果一個時間序列主要是基于當前事件的推測，而不是具有一定的內在模式呢？嗯，你一定猜到了，低價數字貨幣就是這樣。

那么，究竟是什么在推動數字貨幣的價格？對于數字貨幣的猜測？創新？法律問題？公眾輿論？供給/需求的變化？比特幣的流行程度？甚至，土豪心血來潮決定購買一百萬個代幣？OK，現在是讓數據說話的時候了。

那么，影響加密價格的因素是？

硅谷銀行母公司SVB金融集團任命重組委員會:金色財經報道，市場消息：硅谷銀行母公司SVB金融集團任命重組委員會。SVB金融集團稱，SvbCapital和SvbSecurities的運營仍在繼續。由CenterviewPartners向我們提供咨詢服務，探索旗下業務運營的替代方案。[2023/3/13 13:01:21]

因素1：許多人說，答案是比特幣。區塊鏈技術是首先由比特幣實施的分散式數據庫系統，被認為是極有可能改變現代商業模式的一種技術趨勢。隨著比特幣備受關注，人們不斷推出也基于區塊鏈技術的替代數字貨幣。從某種意義說，比特幣幾乎是所有數字加密貨幣之母，其首先應用了這個行業的基本技術。這就是為什么我認為當比特幣價格飆升時，所有其他數字貨幣都會隨之上升，反之亦然。以下圖表是比特幣和以太坊的價格變化曲線。

正如你所見，這當中的對應關系看起來相當準確。但是，如果沒有統計方法上的證明，我們不會急于下結論。稍后，我們將更多地討論使用格蘭杰因果檢驗來確定一個“協整關系對”。

因素2：很明顯，法律因素或其他足以影響游戲規則的技術手段也在影響數字貨幣的價格。去年九月中國禁止數字貨幣的時候，所有數字貨幣價格迅速下降，一切都陷入混亂。為此，我們從PytrendsAPI獲取重大事件的GoogleNews搜索頻率數據。下面的圖表中的紅色曲線顯示了當數字貨幣價格下降時，“數字貨幣”的搜索頻率達到峰值。

Doodles聘請Meebits創始人擔任項目金庫The DoodleBank顧問:1月30日消息，據Doodles在社交媒體披露，該 NFT 項目已聘請 Meebits 創始人 @kaigani 擔任其金庫The DoodleBank顧問，kaigani表示將幫助Doodles團隊以更清晰的愿景、戰略方向和基金路線圖改造DoodleBank，并與社區聯系征求有關如何充分利用DoodleBank的反饋意見，包括明確的使命、章程和流程等。

DoodleBank目前持有約2940枚ETH，價值約合470萬美元，其中420ETH 是通過Doodles初始銷售募集的，此外該NFT項目的二次銷售版稅費用也會被納入到金庫The DoodleBank。[2023/1/30 11:36:16]

很有意思吧？在本項目中，搜索的關鍵詞由Google關鍵詞工具選擇，這個工具不僅讓你知道關鍵詞的流行程度，還提供了相關關鍵詞的列表。通過所提供的列表和PytrendAPI，我們獲得了七個不同的關鍵詞的搜索頻率數據。在稍后的章節中我將詳細介紹這些術語。

因素3：公眾的認知也是另一重要影響因素。購買越多，需求越多，數字貨幣價格就越高。要得到這些數據些難度，付費的TwitterAPI可以解決這個問題，但因為窮，我更希望把這筆錢花到其他地方。我選擇的是redditmetrics.com，該網站可以統計Reddit所有子話題的歷史訂閱增長數據。下面則對Nem的子話題訂閱增長與新的歷史價格進行了比較。

安全團隊：NFT項目Nasty Goons Discord服務器發布釣魚鏈接，請勿點擊:1月21日消息，據CertiK監測，NFT項目Nasty Goons的Discord服務器發布了一條釣魚鏈接，在團隊確認服務器是安全的之前，不要點擊任何鏈接。請社區用戶保持警惕。[2023/1/21 11:25:02]

正如預期的那樣，訂閱的增長與價格趨勢變化有著高度的重合。

以上展示只是為了讓你對這一領域有一個初步的了解，并向你介紹我們正在試圖解決的問題。在我的GitHub上可以看到一個完整的EDA，接下來，我將介紹一個預測硬幣未來價格的模型的統計方法。

如何建立模型？

在本節中，我們將深入探討方法論。這里僅僅是每一步的總結，如果你想對代碼深入挖掘，請參閱我的GitHub庫。

1確定協整關系對

我們通過CryptocompareAPI獲得了12種主要數字貨幣的價格歷史數據。在我們對時間序列做任何事情之前，我們必須確保時間序列是固定的。為了滿足平穩性的要求，時間序列必須具有常數均值、常數方差和自相關常數。而在現實中，完美定態的時間序列是不存在的，但無需擔心，我們有迪基-福勒檢驗！

金融科技公司TrueLayer將為Coinbase支付提供支持:金色財經報道，金融科技獨角獸TrueLayer正在與Coinbase合作這是對數字資產更廣泛推動的一部分，TrueLayer希望在其以加密貨幣為重點的產品中增加一個穩定幣產品。通過與Coinbase的合作，英國用戶將能夠把他們的銀行賬戶直接鏈接到Coinbase，通過銀行應用程序進行認證，然后確認付款。這將在未來幾個月內逐步推廣到整個歐洲。（the block）[2022/11/17 13:17:41]

擴展迪基-福勒檢驗是一個統計測試，可以測試一個自回歸模型是否存在單位根。測試采用自回歸模型，并通過不同的滯后值對信息因素進行優化。當中的零假設是時間序列可以用單位根表示。在統計學上，如果你的P值小于0.05，這意味著可以拒絕零假設。但是——再一次強調——對于特定問題，結果應該是可解釋和有意義的。事實證明，設定0.05的門檻，所有12種硬幣的歷史價格都不會通過定態測試，在這種情況下，我們要對時間時間序列定態化和重新進行測試。

差分化：這是用來對時間序列定態化的一種常用方法，可以消除趨勢和季節性。在本項目中，我們對連續觀測的差異進行了差分化。如果一個時間序列具有季節性因素，則滯后值應該是季節性的周期。在數字貨幣的例子中沒有明顯的季節性成分。下面的箱線圖表明，以太坊在一天24小時內每小時的價格平均值相對恒定。其方差不同，但沒有明顯的模式。而在對時間序列進行了滯后差分后，所有的12種貨幣都通過了迪基-福勒檢驗。

美股三大指數期貨跌幅均擴大至1%:行情顯示，美股三大指數期貨跌幅均擴大至1%。[2022/6/16 4:32:16]

格蘭杰因果關系檢驗：這是一種統計假設檢驗，用于確定一個時間序列是否有助于預測另一個時間序列。在這里，我們用格蘭杰因果關系檢驗來確某一數字貨幣的價格滯后值是否可以用于預測其他硬幣的未來價值。

既然12個錢幣的歷史價格數據是定態的，我們構建了一個總的132組不同貨幣的數據對，每一個數據對都是某數字貨幣對應于其他數字貨幣的歷史價格，用于進行格蘭杰因果關系檢驗。檢驗的零假設是：每一個貨幣數據對中，后一種數據貨幣沒有對前一種數據產生影響，在測試之后后我們初步發現，達世幣H與比特幣現金之間相關性最強，但進一步的研究結果表明，這種強烈的相關性是由于來自韓國交易的激增。考慮到這不是一個正常的交易，因為這不是一個正常的情況下，我們選擇了XEM-IOT這一對相關性最強的貨幣對，在本項目中，我們將用IOT的歷史來對XEM的價格進行預測。

2.特征選擇

數據查詢。以下是分析的數據及其來源：

CryptocompareAPI：XEM和IOT的歷史價格，每小時；PytrendsAPI：GoogleNews對“Cryptocurrency”關鍵詞的搜索頻率；redditmetrics.com數據：對”Cyptocurrency”、“Mem”、“IOT”子話題訂閱量的增長PytrendsAPI：對“Nemwalletdownload“、“Iotawalletdownload”,“Nemprice”,Iotaprice”,Bitcoinprice”,“GPUformining”等Google關鍵詞的搜索頻率——這些關鍵詞基于Google關鍵詞工具挖掘。YahooFinancialAPI：AMD、NVIDIA兩大挖礦軍火商的股票價格

ElasticNet回歸、正則化：上述查詢數據可能存在關聯性，如在“Bitcoinprice”和“CryptoCurrency”可能包含類似Google搜索頻率信息，谷歌搜索頻率。使用類似的特性構建模型會造成冗余并影響預測結果。ElasticNet可將冗余預測系數縮小到零。

在本項目中，我們對上述13個特征變量用ElasticNet回歸正則化，其中因變量為XEM的歷史價格。經過算法處理后，最終剩下三個具有非零系數的預測因子。這些特性將用于構建最終模型。我同樣也用也試著用13個特征建立了一個模型，與使用選定的3個特征建立的模型相比，性能差異并不顯著。最終我選用了3個特征的模型。

3.建立模型

在本項目中，我們使用ARIMAX模型來預測XEM的未來價格。ARIMAX模型如同ARIMA模型通過自回歸和移動平均值進行預測，但ARIMAX可包含其他外生變量，在此我們使用的是之前選擇的3個外生變量。

數據預處理：我們之前已經提到了定態性和迪基-福勒檢驗的相關內容，在此不再展開。這些書在ElasticNet前已經標準化過了，我們只需進行差異化處理，并確保其通過了迪基-福勒檢驗。之后數據被清理并分成測試集和訓練集。

ACF&PACF：數據已經確定，我們需要1）確定時間序列是自回歸或是移動平均過程；2）確定我們需要在模型中使用自回歸和移動平均過程的順序。ACF可以回答第一個問題，也可以用于確定移動平均序列中的滯后階數。下圖為XEM歷史價格的ACF和PACF。

正如我們所見，這是一個自回歸過程，因為ACF沒有截止值。PACF在滯后滯后有一個截止值，這將是我們用于ARIMAX模型的參數。

ARIMAX：使用AR1和3個外生變量。下圖是與實際值比較的擬合值。

用擬合出的模型得出的XEM價格預測。下圖是基于XEM樣本對未來600步的預測值。

如我們預期，該模型在開始的表現更好，而隨著時間的推移，預測誤差也在不斷增加。在1-100步內，預測的均方誤差為0.039，而101-600步的均方誤差為0.119。

總結

我們用IOT的歷史價格以及對“NemPrice”的Google搜索量、“Nem”子條目的訂閱量增長建立ARIMAX模型來預測NEX的數字貨幣價格。在100小時以內，預測結果是可以接受的，超過100小時后就不能看了。

這是我的第一個數據科學項目，還有很大的改進空間。如果使用付費的Twitter數據或者使用不同的機器學習模型可能會顯著提高其性能，目前我會考慮提出一個能用于自動交易的交易信號算法，但摸摸我的錢包，我不禁流下了悲傷的淚水。

我希望你能像我喜歡寫這篇文章一樣喜歡這篇文章！如果你有任何想法，請留言讓我知道。

Tags：數字貨幣比特幣XEM十大數字貨幣交易所排名數字貨幣交易所官方網址數字貨幣詐騙案例視頻比特幣中國官網聯系方式40億比特幣能提現嗎比特幣最新價格行情走勢XEM價格XEM幣

火星幣