預測加密貨幣價格背后的8大邏輯_比特幣:比特幣以太坊最新消息分析

Author：

Time：1900/1/1 0:00:00

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。

“美聯儲傳聲筒”Nick Timiraos：難以預測美聯儲加息幅度:2月1日消息，有“美聯儲傳聲筒”之稱的華爾街日報記者 Nick Timiraos 在社交媒體上表示，很難預測美聯儲的加息幅度，尤其是對其未來行動的預測。美聯儲在去年的七次會議上均提高了利率。一次上調 25 個基點，兩次上調 50 個基點，四次上調 75 個基點。美國銀行去年預測美聯儲在 2022 年的 7 次 FOMC 會議上均加息 25 個基點，當時被視為一種“不可能”的預測。這在當時將使美聯儲的基準利率達到 1.9%。而在去年年底，基準利率為 4.4%。

據悉，美聯儲將在北京時間 2 月 2 日凌晨 3:00 公布利率決定上限，美聯儲主席鮑威爾將在 3:30 分召開貨幣政策新聞發布會。[2023/2/1 11:40:20]

馬克·庫班：“超級看好”以太坊但拒絕做具體價格預測:金色財經報道，NBA 達拉斯獨行俠隊老板、億萬富豪馬克·庫班在接受《財富》雜志采訪時表示，自己依然“超級看好”（super bullish）以太坊，但他拒絕做出具體價格預測。馬克·庫班表示，即將到來的合并會將以太坊能耗減少 1000 倍，這是一個“重要因素”；其次，以太坊區塊鏈上的應用程序足夠多，可以推動其采用，以太坊會因為實用性在加密市場占據上風。此外，馬克·庫班對 Cardano 區塊鏈持高度懷疑態度，他表示 Cardano 已經推出很長時間了，但實用性甚至不如狗狗幣。[2022/8/25 12:47:43]

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。

動態 | Tom Lee評論Tim Draper關于“比特幣將在2年內達到25萬美元”的預測:風險投資家Tim Draper看好比特幣，他曾表示比特幣的價格可能在未來兩年內升至25萬美元的高點。Fundstrat聯合創始人Tom Lee參加CNBC的Fast Money欄目時談到Tim Draper的這一預測。Tom Lee表示，從對數的角度來看，比特幣將實現這一目標的想法與比特幣是代際交易的想法是一致的。然而，Lee表示，不確定需要多長時間才能達到Draper聲稱的高點。“我不知道24個月是否是（實現目標）所需要的時間，除非它需要5年。但如果花了五年時間，我認為這仍然被認為是一個巨大的、令人驚訝的成功。”在場討論的其他人指出，盡管比特幣價格暴跌，但今年的表現顯然非常好。（AMBCrypto）[2019/12/23]

區塊鏈預測競猜平臺CAI.TODAY與數字資產行情數據應用AICoin達成戰略合作:區塊鏈預測競猜平臺CAI.TODAY與數字資產行情數據應用AICoin達成戰略合作，在世界杯期間共建頂級社區-世界杯主題聊天室及可玩性最高的世界杯預測市場等方面達成高度共識。CAI.TODAY現已在AICoin空投百萬CAI，用戶可前往AICoin領取。截止目前，CAI相比發行價格上漲300%，CAI.TODAY獨有的挖礦分紅玩法引領區塊鏈預測市場，2018年6月1日，挖礦用戶分紅所得，周收益高達130%。[2018/6/8]

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。

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。