比特幣:預測加密貨幣價格背后的8大邏輯_CHIN

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。

比特幣預測下次難度上調1.87%至27.97T:金色財經報道，BTC.com數據顯示，目前比特幣全網未確認交易數量為3179筆，全網算力為204.79EH/s，24小時交易速率為2.89交易/秒，目前全網難度為27.45T，預測下次難度上調1.87%至27.97T，距離調整還剩11天12小時。[2022/3/20 14:06:55]

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。

麥肯錫2030物聯網預測：MachineFi機器金融爆發即將到來:今日，國際財經時報科技頭版發表了麥肯錫2030物聯網預測展望報道。麥肯錫在文中指出，到 2030 年，物聯網 (IoT) 可以釋放高達 12.6 萬億美元的全球經濟價值，物聯網數字世界和物理世界的融合是當今商業和經濟數字化轉型背后的主要趨勢之一，MachineFi機器金融爆發時代即將到來。同時，麥肯錫介紹了新一代高性能公鏈IoTeX，以及其如何將傳統的物聯網和機器垂直領域轉變為 MachineFi dapp，在 Metaverse 和 web3 世界中釋放萬億美元的機會，并最終使數百萬用戶能夠使用數十億的智能設備參與機器經濟。

《國際財經時報》是全球性在線金融報紙。IBTimes宗旨是通過采編網絡為全球讀者提供及時的商業新聞與分析評論。

IoTeX作為硅谷開源項目成立于2017年，以鏈接現實世界和數字世界為發展目標，是與以太坊全兼容的高性能公有區塊鏈。[2021/11/17 21:56:51]

動態 | 數據科學家使用深度學習來實時預測BTC價格:印度韋洛爾技術大學的一名數據科學家提出了一種方法，據稱可以利用長短時記憶（Long Short-Term Memory，LSTM）神經網絡實時預測加密貨幣價格。在12月2日發表的一篇博客文章中，研究者Abinhav Sagar展示了一個四步過程，即如何使用機器學習技術預測一個“與傳統市場相比相對不可預測”的行業的價格。 Sagar提出的四步方法包括：1）收集實時加密貨幣數據；2）準備用于神經網絡訓練的數據；3）使用LSTM神經網絡測試預測；4）可視化預測結果。（Cointelegraph）[2019/12/2]

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。

區塊鏈內部人士和亞馬遜暢銷書作者預測，今年夏天比特幣可能會出現更大的牛市:雅各布斯說:“今年我們的比特幣市場開局并不好。”但對于那些準備在年底前持有比特幣的投資者來說，現在可能是買入比特幣的絕佳時機。因為在接下來的幾個月里，比特幣即將迎來鋪天蓋地的利好消息。”根據雅各布斯的說法，目前有三種具體的發展趨勢，似乎它們的規模足以讓比特幣的需求飆升——就像比特幣在夏末之前可能突破20萬美元的界限一樣。[2018/4/16]

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。

7.一些有意思的挑戰還沒有出現在資本市場中。加密資產的預測模型遇到了許多傳統資本市場不存在的挑戰。從虛假數據、虛假交易到低質量的API和數據集，加密領域的任何預測工作都需要大量的基礎架構工作的配合。此外，研究論文中包含的許多模型并沒有在真實世界的市場中進行過測試，當然也沒有在加密貨幣中進行過測試。

8.挑戰與機遇并存加密貨幣的預測模型是一個令人興奮的領域，但同時也充滿了挑戰。在IntoTheBlock上，我們在這方面已經取得了相當大的進展，你應該很快就能在我們的平臺上看到一些成果了。你也可以先通過以下鏈接進行預覽。

Tags：比特幣加密貨幣區塊鏈CHIN波場幣和比特幣的區別加密貨幣是錢嗎區塊鏈是騙局嗎CHINU

SOL