LOCK:如何預測加密貨幣價格？

本文作者Jesus Rodriguez是Invector Labs首席科學家兼執行合伙人，同時也是IntoTheBlock的CTO，加密貨幣領域天使投資人。本文中Rodriguez總結分享了一些在他舉辦的一個加密貨幣價格預測的網絡研討會中關于構建加密資產預測模型的干貨，小蔥對其發布的博文進行了翻譯整理，全文如下：

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。該網絡研討會總結了我們在IntoTheBlock平臺中構建加密資產預測模型的一些經驗教訓。在這個方向我們進行了很多有趣且深入的研究，以下是我總結出的一些重要的想法，如果您也對預測加密資產價格感興趣的話，這些想法可能會對您有所幫助。

加密貨幣價格預測是一個有解的問題，當然解法絕對不是唯一的，而且在不同市場環境下也會有很多變化。

IOTA代幣持有者將投票決定無人認領的代幣該如何處置:1月27日消息，IOTA代幣持有者將投票決定無人認領的代幣應該如何處置。投票選項有兩種：1、用于支持和資助對IOTA社區生態系統至關重要的項目和計劃，這些資金將完全由社區管理。2、從IOTA分類賬中刪除，總供應量將減少。

投票過程將分為三個階段：提案公告；投票（七天）；計票（10天）。投票結果將通過參與計數的每個節點以分散的方式生成和驗證。每個節點都可以通過API終結點公開其當前和最終結果。

據此前消息，在去年的Chrysalis網絡升級期間，IOTA基金會要求IOTA社區決定如何使用超過50個無人認領的IOTA代幣。[2022/1/28 9:18:08]

正如英國偉大的統計學家George EP Box所說，“本質上說，人們構建的所有模型都是錯誤的，但并不意味著這些模型都沒有用”。當我們討論的問題設計金融市場這樣非常復雜的實體時，情況更加如此。對于加密資產來說，我們確實能夠通過一些方法進行未來價格走勢的預測，但是并沒有哪種模型能夠在任何情況下都能夠做出準確的判斷。

直播 ｜ 方魚 > 老牌交易所滿幣如何在合約市場異軍突起:金色財經 · 直播主辦的《 幣圈 “后浪” 仙女直播周》第5期本期3:00準時開始，本期“后浪”仙女 滿幣網 CMO 將在直播間聊聊“老牌交易所滿幣如何在合約市場異軍突起”，感興趣的朋友掃碼移步收聽！[2020/6/18]

進行預測一般來說我們有兩種基本方法：基于資產或基于因子

如果你現在考慮的問題是預測比特幣未來的價格，那么這就意味著你在用“基于資產”的思維在考慮問題。而另外一種“基于因子”的方法則是專注于在某種特定情況發生時市場可能會出現什么樣的變化，而這種方法并不直接指向某一種固定資產。

預測加密資產價格的三種基礎的技術實現方式

動態 | Kyle Samani發推質疑Block.one如何在兩年時間花掉 8 億美元:著名區塊鏈投資機構 Multicoin 創始合伙人 Kyle Samani 發推質疑 EOS 背后的開發公司 Block.one 如何在兩年時間中燒掉 8 億美元。Kyle Samani 發表推文稱，如果 Block.one 通過 ICO 融資了 40 億美元，現在的資產負債表上有 32 億美元的資產，那么這家有 200 名員工的公司如何在兩年時間里花掉了 8 億美元現金？Kyle Samani 還稱，Block.one 進行了 1.8 億美元風險投資，但這不是支出，即便把這些投資的賬面資產都減記為 0 ，時間也不夠用。而 Staked.us 的聯合創始人 Jonathan Marcus 則表示，Block.one 花費的那 8 億美元中，最少有 5.3 億美元用于股權回購，因為 Block.one 過去兩年共進行了兩次股權回購，一次花費了 3 億美元，最近又回購了 2.3 億美元的股權。[2019/6/3]

一般來說目前市場上大多數面向資本市場的預測模型主要可以分為以下三類，即時間序列預測、傳統機器學習和深度學習方法。諸如ARIMA或者Prophet之類的時間序列預測方法著重于根據已知的時間序列屬性預測特定變量。而在過去十年左右的時間里，諸如線性回歸或者決策樹之類的機器學習方法興起，并且已經成為了當下資本市場預測模型的主流方案。不過在近兩年間深度神經網絡學習方法熱度快速上升，這種方法能夠發現變量之間的非線性關系，從而進行價格預測，這種深度學習方法正在逐漸成為潮流。

金色財經現場報道 海納云CTO鄒均：區塊鏈技術難點在于如何讓所有節點統一步調:金色財經現場報道，在2018區塊鏈技術及應用峰會上，海納云CTO鄒均認為，區塊鏈技術當前的限制難點在分布式系統中讓所有節點統一步調，區塊鏈目前存在性能限制、擴展性限制、易用性限制、兼容性跨鏈互聯限制、存儲限制、治理限制、軟件升級限制等問題。[2018/3/31]

時間序列預測方法的優劣

時間序列預測方法易于實現，但是彈性很差。在經過多種相關分析手段的測試過后，我們發現這類方法很難在復雜的環境（比如資本市場）中行得通。這種方法確實很容易實現，但是當市場出現變化時這類方法很難有效適應市場的波動，這種方法最大的局限性在于他在使用少量固定地預測變量在運轉，而這些預測變量并不足以完整描述市場的行為，尤其是對于加密貨幣這種波動性極強的資產來說更難。

傳統機器學習方法的優劣

誠然傳統機器學習的方法已經在資本市場中取得了不錯的成績，不過由于加密貨幣市場誕生以來經常出現“違背傳統金融市場‘既定規律’”的異常行為，因此這些傳統的機器學習模型對于加密貨幣市場的適應性同樣欠佳。

深度學習模型的優劣

在測試中我們發現，深度學習模型在預測加密資產的價格波動時取得了相當出色的成績，不過由于這種模型構建的難度較高，所以很難用比較簡單的語言解釋明白他的運轉邏輯，而且在實施過程中確實也具有相當的挑戰性。簡單來說，深度學習模型是一種上手很難但是跑通后最佳的預測解決方案。

相比于傳統大類資產，加密貨幣市場提出了一些新的挑戰

在預測加密資產價格的過程中，你需要考慮的東西要比傳統大類資產復雜得多。因為在這個新興市場中你會遇到交易所“精心炮制”的虛假交易量，或者說交易相關數據的質量很差（時間不連續、數據丟失...）等等問題。因此在構建模型之前還需要大量的基礎架構工作，以此來配合后續的預測工作。雖然市面上已經有一些類似的模型在論文中出現，但是真正得到過市場檢驗有效的微乎其微。

不過也正是大量的不確定性以及嶄新的問題的存在，讓“加密資產價格預測模型”這件事情變得充滿挑戰，但也更加有趣了。

來源：小蔥APP 版權歸作者所有

原標題：關于構建加密貨幣價格預測模型的一些思考

Tags：加密貨幣BLOCBLOLOCK加密貨幣市場總市值多少億bloc幣價格Video BlogSUNBLOCKTERMINAL

Fil