如果你想預測比特幣的價格,那麼就是在遵循一種基於資產的策略。相反,基於因素的策略側重於預測特定的特徵,如資產池中的價值或動量。
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)側重於根據已知的時間序列屬性預測特定的變數。在過去的十年中,線性迴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。最後,新成立的深度學習流派提出了深度神經網路方法,用於發現變數之間的非線性關係,從而進行價格預測。
4.時間序列預測方法易於實現,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,此類方法並不是針對資本市場等複雜環境而設計的。它們非常易於實現,但是對於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侷限性之一是它們依賴於數量有限且固定的預測因子,而事實證明,這些預測因子並不足以描述加密資產的行為。
5.傳統機器學習模型的泛化能力較差
線性迴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於加密空間。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,並且很容易出現不適用的情況。
6.深度學習模型很難解釋,但是在複雜的市場條件下表現良好。
深度神經網路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,考慮到模型的複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。從虛假資料、虛假交易到低質量的API和資料集,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並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.挑戰與機遇並存
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。你也可以先透過以下連結進行預覽。