加密货币:如何预测加密货币价格？

作者：

时间：1900/1/1 0:00:00

本文作者Jesus Rodriguez是Invector Labs首席科学家兼执行合伙人，同时也是IntoTheBlock的CTO，加密货币领域天使投资人。本文中Rodriguez总结分享了一些在他举办的一个加密货币价格预测的网络研讨会中关于构建加密资产预测模型的干货，小葱对其发布的博文进行了翻译整理，全文如下：

几天前，我举办了一个关于加密货币价格预测的网络研讨会。该网络研讨会总结了我们在IntoTheBlock平台中构建加密资产预测模型的一些经验教训。在这个方向我们进行了很多有趣且深入的研究，以下是我总结出的一些重要的想法，如果您也对预测加密资产价格感兴趣的话，这些想法可能会对您有所帮助。

加密货币价格预测是一个有解的问题，当然解法绝对不是唯一的，而且在不同市场环境下也会有很多变化。

Sweat授权社区决定如何处理自年初以来积累的1亿枚SWEAT代币:4月18日消息，Move-to-Earn 项目 Sweat 授权社区决定如何处理自今年年初以来积累的 1 亿枚 SWEAT 代币，投票选项包括 0% 分发和 100% 销毁，25% 分发和 75% 销毁，50% 分发和 50% 销毁，75% 分发和 25% 销毁，100% 分发和 0% 销毁。[2023/4/18 14:11:30]

正如英国伟大的统计学家George EP Box所说，“本质上说，人们构建的所有模型都是错误的，但并不意味着这些模型都没有用”。当我们讨论的问题设计金融市场这样非常复杂的实体时，情况更加如此。对于加密资产来说，我们确实能够通过一些方法进行未来价格走势的预测，但是并没有哪种模型能够在任何情况下都能够做出准确的判断。

Stargate DAO成员在社区会议上讨论如何处理即将收到的160万枚ARB:3月30日消息，Stargate DAO成员在周三社区电话会议上讨论如何处理160万枚Arbitrum（ARB）代币的预期分配，这些代币价值不到200万美元。LayerZero Labs的员工MaxPower表示，这些代币尚未收到，但当收到时将必须决定是否持有、出售、部署或委托这些代币。

一些与会者建议，DAO应该将ARB代币分发给用户，或将其部署为流动性激励。与此同时，其他治理代币持有者建议委托ARB代币，以便Stargate DAO可以参与Arbitrum治理。

据DeFiLlama的数据，Stargate的总锁定价值（TVL）为3.64亿美元，其中近22%来自Arbitrum平台。（CoinDesk）[2023/3/30 13:34:35]

进行预测一般来说我们有两种基本方法：基于资产或基于因子

国际刑警组织正在调查如何监督元宇宙犯罪:金色财经报道，国际刑警组织（INTERPOL）正在调查如何在元宇宙中监督犯罪。然而，国际刑警组织的一名高级官员认为，定义“元宇宙犯罪”存在一些问题。据BBC报道，国际刑警组织秘书长Jurgen Stock透露，该组织打算监督元宇宙中的犯罪活动。Stock强调了“老练和专业”的罪犯适应新技术工具进行犯罪的能力。

此前2022年10月消息，国际刑警组织推出专门为全球执法部门设计的元宇宙INTERPOL Metaverse，该元宇宙允许注册用户参观法国里昂的国际刑警组织总秘书处总部的虚拟场景，甚至可以通过其Avatar与其他官员进行互动以及为全球执法部门提供沉浸式培训课程。（Cointelegraph）[2023/2/6 11:50:10]

如果你现在考虑的问题是预测比特币未来的价格，那么这就意味着你在用“基于资产”的思维在考虑问题。而另外一种“基于因子”的方法则是专注于在某种特定情况发生时市场可能会出现什么样的变化，而这种方法并不直接指向某一种固定资产。

日本经济安全大臣：日本方面有必要考虑如何使用数字货币:日本经济安全大臣小林鹰之：日本方面有必要考虑如何使用数字货币，以便在国际规则制定中发挥主导作用。（金十）[2021/10/14 20:29:08]

预测加密资产价格的三种基础的技术实现方式

一般来说目前市场上大多数面向资本市场的预测模型主要可以分为以下三类，即时间序列预测、传统机器学习和深度学习方法。诸如ARIMA或者Prophet之类的时间序列预测方法着重于根据已知的时间序列属性预测特定变量。而在过去十年左右的时间里，诸如线性回归或者决策树之类的机器学习方法兴起，并且已经成为了当下资本市场预测模型的主流方案。不过在近两年间深度神经网络学习方法热度快速上升，这种方法能够发现变量之间的非线性关系，从而进行价格预测，这种深度学习方法正在逐渐成为潮流。

时间序列预测方法的优劣

时间序列预测方法易于实现，但是弹性很差。在经过多种相关分析手段的测试过后，我们发现这类方法很难在复杂的环境（比如资本市场）中行得通。这种方法确实很容易实现，但是当市场出现变化时这类方法很难有效适应市场的波动，这种方法最大的局限性在于他在使用少量固定地预测变量在运转，而这些预测变量并不足以完整描述市场的行为，尤其是对于加密货币这种波动性极强的资产来说更难。

传统机器学习方法的优劣

诚然传统机器学习的方法已经在资本市场中取得了不错的成绩，不过由于加密货币市场诞生以来经常出现“违背传统金融市场‘既定规律’”的异常行为，因此这些传统的机器学习模型对于加密货币市场的适应性同样欠佳。

深度学习模型的优劣

在测试中我们发现，深度学习模型在预测加密资产的价格波动时取得了相当出色的成绩，不过由于这种模型构建的难度较高，所以很难用比较简单的语言解释明白他的运转逻辑，而且在实施过程中确实也具有相当的挑战性。简单来说，深度学习模型是一种上手很难但是跑通后最佳的预测解决方案。

相比于传统大类资产，加密货币市场提出了一些新的挑战

在预测加密资产价格的过程中，你需要考虑的东西要比传统大类资产复杂得多。因为在这个新兴市场中你会遇到交易所“精心炮制”的虚假交易量，或者说交易相关数据的质量很差（时间不连续、数据丢失...）等等问题。因此在构建模型之前还需要大量的基础架构工作，以此来配合后续的预测工作。虽然市面上已经有一些类似的模型在论文中出现，但是真正得到过市场检验有效的微乎其微。

不过也正是大量的不确定性以及崭新的问题的存在，让“加密资产价格预测模型”这件事情变得充满挑战，但也更加有趣了。