这就是您的加密货币价格预测失败或成功的原因[解释]

预测资产价格是资本市场上永无止境的痴迷，加密货币领域也不例外。自从比特币诞生之初，就已经进行了很多尝试来创建预测模型来预测加密资产的价格。

不幸的是，这些尝试中的大多数都还没有超出一些研究论文的花哨博客文章，并且我们仍在等待看到主要应用程序依赖于加密资产的预测模型。

作为完全数字资产类别，加密资产会产生丰富的数字足迹，这似乎是合理的，可以用来预测其行为。此外，我们当前正处在机器学习的黄金时代，在这个时代，不乏主流开发人员可以使用的具有复杂预测功能的平台和框架。

但是，事实是，预测金融市场非常困难，其中一些挑战在加密领域更加突出。在IntoTheBlock，我们已经在加密资产的预测模型中进行了大量工作，并且面临着一些意想不到但又引人入胜的挑战。

今天，我想对加密空间中预测模型的机遇和挑战提供不同的看法。

加密市场具有一些非常独特的特征，但与可预测性相关的许多挑战也存在于传统资本市场中。金融市场是应用现代机器/深度学习技术的最复杂的环境之一。

市场是复杂的，非线性相互联系的，不断变化的，容易受到宏观因素和投资者心理行为的影响，因此清单不断。

将其与在图片中识别出猫的建筑模型进行比较，您将了解我在说什么????

从概念上讲，预测加密资产行为的过程可以抽象为三个主要元素：

·目标：您要预测什么？

·论文：您打算用什么来预测目标？

·方法：预测模型应遵循哪种方法？

尽管这听起来可能很简单，但是其中每个步骤都带来了一系列独特的挑战，这些挑战可能会使最有经验的机器学习从业人员疯狂起来。

目标：基于资产与基于因子

金融市场中的大多数预测方法可以分为两大类：基于资产或基于因子。基于资产的模型着重于在给定的时间范围内预测资产的价格（例如：未来2小时内以太坊的价格）。

这些策略依赖于对目标资产的非常深入的特征建模，以至于这些模型很少会应用于其他资产。另一种基于因子的预测策略是基于因子的，该因子试图预测特定特征对一组资产的影响。

例如，基于因子的策略可以预测在下周具有强劲势头的加密资产倾向于胜过具有弱势头的加密资产。

基于资产的预测策略和基于因子的预测策略在加密空间中都是可行的。基于资产的预测策略可纳入关于可产生强大结果的加密资产行为的高度优化的论点。

但是，由于这类策略完全易受单个资产行为的影响，因此会带来很高的风险。基于因子的预测策略倾向于在不同资产之间更加多样化，这意味着有时它们表示特定资产类别的唯一性。

例如，如果基于账户的区块链中不存在基于UTXO指标的基于因子的策略，那将是不可能的。

论文：预测源

为了预测比特币的价格，我们需要了解如何预测比特币。是的，与某些加密专家可能告诉您的不同，用价格predict预测价格有点困难。

创建加密资产预测模型的下一步是确定我们要使用的论文和预测变量。加密是一种非常独特的资产类别，具有一些非常独特的预测功能，但它也继承了传统资本市场的许多预测因素。

在当前的加密市场中，有五个基本来源可以帮助制定预测模型论点：

区块链：链上指标是加密资产中独特的情报来源。从像哈希率这样的全球指标到交易所的流入和流出，区块链都是不可思议的加密资产预测特征来源。通常，区块链预测器在中频策略中更有效，该策略可以跨几天而不是几秒钟或几分钟进行预测。

订单簿：像传统的资本市场一样，订单簿是预测加密资产交换行为的关键来源。市场失衡或扩散势头等因素已成为传统金融市场中许多量化预测策略的来源，并且在加密货币领域仍然非常重要。订单簿预测变量在短期内预测的高频策略中更有效。

衍生品：期货，永久掉期，期权和其他衍生品正成为加密市场的重要公民。从预测建模的角度来看，衍生工具提供了可用于预测加密资产行为的独特因素。例如，预测模型可以使用未来合约中的未平仓合约来估计这些合约结算后的价格影响。通常，导数因子在中频策略中更为有效。

协议：加密空间中预测信息的另一个独特来源是管理特定资产的协议的行为。比特币减半事件，令牌发行甚至分叉都可能对加密货币的行为产生重大影响。此类因素主要用于仅在特定时间段内适用的事件驱动策略。

备用数据集：事实证明，诸如Twitter或Telegram之类的社交媒体渠道或新闻媒体对加密资产的行为具有影响力。结果，诸如Twitter情绪或新闻主题之类的因素也可以在预测模型中起作用。通常，这种类型的因素在中频策略中更为有效。

方法：时间序列与机器学习

传统的预测模型可以通过以下方式数学公式化：

令Y = {y1，…，yn}表示时间序列。预测表示估算Y的未来值yn + h的过程，其中h表示预测范围。

在建立预测模型时，从业人员通常有两个主要选择：

时间序列分析：这些是统计模型，致力于基于与数据集其他属性的线性相关性来预测变量。自回归综合移动平均线（ARIMA）是该领域最受欢迎的技术之一。

机器/深度学习模型：这些是神经网络体系结构，可基于其他预测变量之间的分层非线性关系来预测变量。长期记忆神经网络和递归神经网络已成为该思想流派中非常重要的方法。

每种方法的优缺点是机器学习社区中一个活跃的辩论主题。通常，时间序列模型被认为对较小的数据集和短期预测更有效，而深度学习模型可以揭示长期保留的预测变量之间难以置信的复杂关系。

鉴于时间序列分析已在金融市场中使用了较长时间，因此有很多文献记载了它们的局限性，但目前尚不清楚深度学习技术是否能够在这些领域得到改进。

当涉及使用时间序列或深度学习的加密资产时，会带来一些意想不到的挑战。

挑战

为金融市场建立预测模型非常复杂，但是加密货币领域仍然设法增加了自己的独特挑战，使其变得更加有趣。在尝试为加密资产创建预测策略时，您应该意识到一些困难：

1.有限的数据集：加密市场非常年轻，许多事件仅在非常独特的情况下发生过一次。结果，对于预测模型预测以前从未见过的市场状况而言，这具有挑战性。例如，预测像牛市这样的下一个2017年将非常困难，因为存在诸如ICO疯狂之类的非常独特的因素，这些因素很难复制。

2.缺乏标签数据集：区块链的匿名性给预测模型带来了挑战，因为在不知道某些身份信息的情况下很难推断出预测变量。例如，创建一个基于资金流入交易所的价格预测模型的预测模型，首先需要我们将特定地址标识为交易所。

3.交易假交易量和清洗交易：基于订单簿数据的预测模型容易受到集中交易中不断进行的市场操纵的影响。例如，洗盘交易等行为可能导致预测模型学习到无法复制的不良行为。

4.缺乏成熟的预测因素：与其他金融市场不同，加密货币领域带来了一些尚未被确立为预测因素的非常独特的因素。例如，人们一直在猜测诸如哈希率，著名的NVT比率或交易所流入和流出等区块链指标是否对价格波动具有预测性影响，但统计证据充其量仍是可疑的。

5.缺乏负相关因素：基于因素的预测策略仅在不同资产与单个因素呈负相关的市场中有效。就加密而言，市场高度相关，这使得基于因子的预测策略具有挑战性。例如，当排名前20位的加密资产显示非常相似的动量模式时，很难依靠动量策略。

建立加密资产的预测模型是一个令人着迷的挑战。加密货币领域的数字性质，主流开发人员可以使用的大量机器学习技术以及加密货币市场的不合理性提供了非常独特的机会，可以针对某些市场条件创建可靠的预测模型。

像其他金融市场一样，加密货币在某些情况下的表现非常可预测，而其他情况则将挑战最复杂的模型。

（免责声明：作者是IntoTheBlock的CTO）

—-

编译者/作者：小大伟

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。