BSP:在預測加密貨幣價格時 其實我在研究這背后的 8 大邏輯

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。

世界銀行探索基礎設施項目的代幣化:金色財經報道，世界銀行發布一份報告，探討了區塊鏈在道路、發電廠和可再生能源項目等基礎設施項目中的應用。全球基礎設施中心估計，2018年至2040年期間，基礎設施項目的融資缺口將達到15萬億美元。每年在基礎設施上的支出約為3- 4萬億美元，其中大部分由政府承擔。

區塊鏈可以以兩種截然不同的方式幫助基礎設施項目。一種是通過將基礎設施證券(無論是債務還是股權)代幣化來幫助填補資金缺口。使用區塊鏈可能會降低發行成本，盡管仍然需要一個特殊目的的載體。

第二個應用是將區塊鏈的透明度用于預算層面的基礎設施項目管理。這包括在分包商和承包商之間共享有關采購訂單和發票的數據，以減少潛在的爭議。

它建議世界銀行應該考慮啟動概念驗證，以幫助推動金融監管的變革，并在區塊鏈技術方面發揮領導作用。此外，它還將獲得與“加密生態系統”互動的經驗。[2023/5/16 15:04:49]

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）

交易員現在認為美聯儲3月維持利率不變的可能性為54%:金色財經報道，據CME“美聯儲觀察”：交易員現在認為美聯儲3月維持利率不變的可能性為54%，加息25個基點的可能性為46%。[2023/3/13 13:00:59]

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。       

3.處理加密資產預測的三種基本技術方法

“美SEC或禁止面向散戶的質押服務”傳聞導致Lido治理代幣價格上拉逾10%:2月9日消息，在Coinbase首席執行官Brian Armstrong透露有傳聞稱美國SEC可能會禁止面向散戶的加密貨幣質押服務后，流動性質押平臺Lido的治理代幣LDO價格飆升。作為一種去中心化協議，它不太可能像Coinbase這樣在美國注冊的中心化實體那樣遵守證券規則。

行情顯示，LDO在Armstrong的評論發表后立即上拉約11%，過去24小時內上漲約8.4%。DeFiLlama提供的數據顯示，上個月Lido TVL激增了33%，目前為85.6億美元。

根據鏈上數據，Lido目前在質押池市場占有25%的市場份額，Coinbase占11.5%，Kraken占7%。

今晨消息，Brian Armstrong發推表示：“我們聽到傳聞，稱SEC希望在美國取消面向散戶的加密貨幣質押服務。”（CoinDesk）[2023/2/9 11:56:44]

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。       

Brevan Howard聘請前Dragonfly合伙人擔任數字資產投資經理:金色財經報道，前Dragonfly合伙人Kevin Hu加入投資公司Brevan Howard擔任投資組合經理，專注于投資上市數字資產。此前他曾在資產管理公司貝萊德和加密風險基金Dragonfly任職。Hu將在公司新的阿布扎比辦事處工作，直接向BH Digital首席執行官Gautam Sharma匯報工作。Hu此前是加密風險基金Dragonfly的普通合伙人和流動性策略主管。

此前消息，Brevan Howard聘請了Robert Bogucki擔任高級投資組合經理，Lewis Tuff擔任首席技術官。Brevan Howard為機構投資者管理著超過300億美元的資產，客戶包括主權財富基金、企業和公共養老金計劃。[2023/1/27 11:31:58]

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：BSPNBS加密貨幣BASBSPT幣nbs幣未來價格加密貨幣指什么MBASE幣

狗狗幣最新價格