可以使用机器学习技术预测加密货币的价格吗？如何预测？（下）

在资本市场，总有人孜孜不倦的预测资产价格。加密货币领域也不例外，加密货币交易，已经产生了丰富的数据，可以用来预测其行为。此外，我们正处于机器学习的黄金时代，在这个时代，主流开发人员可以使用具有复杂预测功能的平台和框架。

今天，我继续谈谈加密货币领域的价格预测的方法和面临的挑战。

方法：时间序列与机器学习

传统的预测模型，可以通过以下方式进行数学公式化：

设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。
在构建预测模型时，从业者通常有两个主要的选择：

1、时间序列分析： 这些是统计模型，重点是根据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（ARIMA）是该领域最流行的技术之一。

2、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。

他们各自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持有的预测因子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的时间，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有所改进。

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，本身就非常复杂，加密货币领域还会面临一系列独特的挑战，使其变得更加有意思。在尝试为加密资产创建预测策略时，应该意识到如下困难：

1、有限的数据集： 加密货币市场还非常年轻，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，深具挑战性。例如，要预测像2017年那样的下一个牛市，其实非常困难，因为当时存在诸如 ICO狂潮之类的非常独特的因素，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，因为在不了解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，首先需要我们将特定地址标识为交易所。

3、虚假交易量和清洗交易： 基于订单簿数据的预测模型，容易受到中心化交易中市场操纵行为的影响。例如，洗盘交易等行为可能导致预测模型采集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确认的非常独特的因素。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影响，但统计证据仍很可疑。

5、缺乏负相关因素： 基于因子的预测策略，仅在不同资产与单个因子呈负相关的市场中有效。就加密货币市场而言，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，就很难依靠动量策略。

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市场的不合理性，为在某些市场条件下创建可靠的预测模型提供了非常独特的机会。

就像其他金融市场一样，加密货币在某些情况下的表现似乎是可预测的，而其他情况的模型建立，则极具挑战性。

（免责声明：作者是IntoTheBlock的CTO）

原文网址: https://hackernoon.com/myths-and-realities-about-cryptocurrency-price-predictions-7ep338k

系列课程1《爱莉莎科普区块链》75课 ！点击！

系列课程2《一起开发 EOS DAPP系列》 点击！
系列课程3《区块链工具百宝箱》 点击！

微信公众号：竹三七

—-

编译者/作者：爱莉莎

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。