NBS:在預測加密貨幣價格時 其實我在研究這背后的 8 大邏輯_Pocketful of Quarters

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(George E. 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。

彭博ETF分析師：目前已收到11只以太坊期貨ETF申請:金色財經報道，彭博ETF分析師James Seyffart發布推文稱，目前已收到11只以太坊期貨ETF申請，Proshares申請了第4個以太坊期貨ETF。這個ETF是等權重的比特幣和以太坊ETF，就像Bitwise一小時前提交的申請一樣。[2023/8/4 16:18:04]

2.預測有兩種基本方式：基于資產的預測（asset-based）和基于因素的預測（factor-based）

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。       

彭博社：Circle是獲得硅谷銀行政府支持擔保的最大儲戶:6月24日消息，根據彭博社看到的聯邦存款保險公司（FDIC）文件，USDC穩定幣發行商Circle是獲得硅谷銀行（SVB）政府支持擔保的最大儲戶。FDIC擔保其在該銀行持有的超過33億美元，當時占支持其美元穩定幣儲備的8.2%。最大儲戶名單中緊隨其后的是該硅谷銀行的子公司，然后是專注于科技的風險投資公司紅杉資本，其在SVB的存款略高于10億美元，但僅占其管理的850億美元資產的一小部分。

該銀行三月份倒閉后，USDC曾短暫脫錨，隨后恢復穩定，其首席執行官Jeremy Allaire在4月份的共識會議上表示，自事件發生以來，該公司已加強其基礎設施。[2023/6/24 21:56:29]

CryptoOrange與支付平臺Paysafe合作為用戶提供多種交易方式:金色財經報道，加密貨幣交易所 CryptoOrange 與支付平臺 Paysafe（PSFE.WS）合作，為其客戶提供在國際上交易加密貨幣。除了轉移到 Paysafe 的卡處理服務之外，CryptoOrange 使用的替代支付方式包括數字錢包 Skrill 和 NETELLER、銀行轉賬解決方案 Rapid Transfer，以及 Paysafe 的在線現金（或 eCash）解決方案 paysafecard 和 SafetyPay。多種支付選項的添加將向希望使用該交易所但之前可能受到可用方法限制的新客戶開放 CryptoOrange 的服務。[2023/5/7 14:47:28]

3.處理加密資產預測的三種基本技術方法

SBF或對Robinhood進行全面收購:金色財經報道，FTX 首席執行官 Sam Bankman-Fried（SBF） 上周被披露已經獲得了加密交易應用 Robinhood 公司 8% 的股份，據悉 SBF 下一步很可能對其進行全面收購。Robinhood 曾經是硅谷寵兒，也是 Coinbase 的重要競爭對手，但該公司增長正在放緩，而且開始裁員 9%，股價更是在一年內暴跌了 70%，如果他們真的被 SBF 收購，很可能會發生一次具有“諷刺意味”的轉變。（decrypt）[2022/5/16 3:18:32]

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。       

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。       

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：NBSBSP加密貨幣ETFNBS價格BSPAY幣加密貨幣市場行情走勢最新Pocketful of Quarters

比特幣行情