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。在研讨会上，我们总结了一些在IntoTheBlock平台上构建加密资产预测模型的经验教训。这一领域有很多有趣的IP和研究项目，但我想总结几条关键的想法。如果你对预测加密资产的价格感兴趣的话，以下几点想法会或许对你有所帮助：
1.加密货币价格预测是可以实现和解决的，但不是通过单一的方法，也绝不是在任何市场条件下都能实现的。
就像伟大的英国统计学家乔治·e·p·博克斯(George E. P. Box)曾说过的那样：“本质上讲，所有的模型都是错误的，但有些是有用的。”当涉及金融市场等复杂实体时尤其如此。就加密资产而言，预测加密货币的价格走势绝对是可行的，但没有任何一种模型能够适用于所有的市场条件。始终都要假设自己的模型最终会失败，并寻找替代方案。
金色财经行情播报 | BTC快速拉升，市场节奏发生转变:据火币行情显示，今日上午BTC价格迅速拉升，最高触及9530.56USDT，市场节奏发生转变。日线图突破大周期下降楔形，均线多头排列。4小时图沿均线MA10形成上升通道，局部拉升后乖离值过大有整理需求。1小时图整理已经接近MA5，后市多头仍有发力空间。截至10:00，火币平台的主流币的具体表现如下。[2020/7/23]
2.预测有两种基本方式：基于资产的预测（asset-based）和基于因素的预测（factor-based）
如果你想预测比特币的价格，那么就是在遵循一种基于资产的策略。相反，基于因素的策略侧重于预测特定的特征，如资产池中的价值或动量。
金色财经挖矿数据播报 | BSV今日全网算力下降24.16%:金色财经报道，据蜘蛛矿池数据显示：
ETH全网算力173.975TH/s，挖矿难度2159.11T，目前区块高度9854463，理论收益0.00795558/100MH/天。
BTC全网算力111.288EH/s，挖矿难度14.72T，目前区块高度625531，理论收益0.00001708/T/天。
BSV全网算力1.770EH/s，挖矿难度0.22T，目前区块高度630214，理论收益0.00050861/T/天。
BCH全网算力1.804EH/s，挖矿难度0.26T，目前区块高度630396，理论收益0.00049899/T/天。[2020/4/12]
金色财经现场报道 EOS antpool 田鑫：希望在DPOS和POW中为生态做贡献:今日，在澳门举行的Huobi x 三点钟Supernode party上，EOS antpool 田鑫表示：我们希望在DPOS和POW中为生态做贡献。我们此前的核心点一直放在挖矿方面，我们希望能更多元化的发展，希望进入DPOS和POS机制中。我能为POW和DPOS做些什么？我可以把EOS的机制转化成POW的产出，并做出一些DAPP和智能合约的开发，我们的优势在于挖矿。POW主要是挖矿，我们想把这个能量转化至DPOS方面。矿工和用户们共同维护DPOS。POW可以为DPOS做一些概念，DPOS可以为POW做一些引入。希望与我们合作的人，可以与我们联系。第二，我们要链接AI。基于EOS，可以开发很多的DAPP，我们现在在做AI，我们想通过EOS将AI串联起来，为EOS和传统行业引流和互换。第三，是溯源的概念。这就是我们EOS竞选节点的内容。[2018/4/24]
3.处理加密资产预测的三种基本技术方法
一般来说，大多数资本市场的预测模型，特别是加密资产，可以分为以下几类:时间序列预测方法、传统的机器学习方法和深度学习方法。时间序列预测方法(如ARIMA或Prophet)侧重于根据已知的时间序列属性预测特定的变量。在过去的十年中，线性回归或决策树等机器学习方法一直是资本市场预测模型的中心。最后，新成立的深度学习流派提出了深度神经网络方法，用于发现变量之间的非线性关系，从而进行价格预测。
4.时间序列预测方法易于实现，但适应性不强。
在整个实验过程中，我们测试了不同的时间序列方法，如ARIMA、DeepAR+或Facebook的Prophet。研究结果表明，此类方法并不是针对资本市场等复杂环境而设计的。它们非常易于实现，但是对于加密货币中常见的市场变化表现出非常差的弹性和适应性。此外，时间序列方法的最大局限性之一是它们依赖于数量有限且固定的预测因子，而事实证明，这些预测因子并不足以描述加密资产的行为。
5.传统机器学习模型的泛化能力较差
线性回归和决策树等方法一直是资本市场定量研究的前沿和中心。从这个角度来看，有很多研究可以被应用于加密空间。然而，考虑到加密市场的异常行为，我们发现大多数传统的机器学习模型在概括知识方面都存在一定的困难，并且很容易出现不适用的情况。
6.深度学习模型很难解释，但是在复杂的市场条件下表现良好。
深度神经网络已经不算是新事物了，但是在最近几年才实现了其主流应用。从这个层面上讲，这些模型的实现相对来说还是新生的事物。以加密市场为例，我们发现深度学习模型在预测方面可以达到相当好的效果。然而，考虑到模型的复杂性和实现的挑战性，我们很难解释这些模型的内部工作机制。
7.一些有意思的挑战还没有出现在资本市场中。
加密资产的预测模型遇到了许多传统资本市场不存在的挑战。从虚假数据、虚假交易到低质量的API和数据集，加密领域的任何预测工作都需要大量的基础架构工作的配合。此外，研究论文中包含的许多模型并没有在真实世界的市场中进行过测试，当然也没有在加密货币中进行过测试。
8.挑战与机遇并存
加密货币的预测模型是一个令人兴奋的领域，但同时也充满了挑战。在IntoTheBlock上，我们在这方面已经取得了相当大的进展，你应该很快就能在我们的平台上看到一些成果了。你也可以先通过以下链接进行预览。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。