在預測加密貨幣價格時 其實我在研究這背后的 8 大邏輯_BSP:數字人直播

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。

美SEC主席Gensler：大多數加密貨幣都會失敗:金色財經報道，Watcher.Guru在推文中表示，美國SEC主席Gensler表示，大多數加密貨幣都會失敗。[2023/1/12 11:07:50]

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。       

杭州全域開通數字人民幣繳交電費功能:金色財經消息，近日，杭州數字人民幣繳交電費功能全域開通。國網杭州供電公司表示，用戶通過手機上的網上國網小程序，選擇要繳費的場所，直接選擇“去交費”，在支付方式選擇界面上選擇“數字人民幣”，即可使用數字人民幣錢包進行線上電費繳納。

下一步，國網杭州供電公司將進一步豐富數幣的應用場景，實現線上線下數幣繳納電費全覆蓋，在全市各個行政區域的營業服務網點配置具有數字貨幣收費功能的POS機，用戶只要打開數字人民幣APP就能直接通過手機的二維碼進行現場掃碼繳費。同時也將進一步延伸到智能表計、智能充電樁等便民應用場景。（移動支付網）[2022/9/18 7:03:49]

3.處理加密資產預測的三種基本技術方法

Kraken：在上海升級6個月之前，ETH 取消質押“不可用”:金色財經報道，在以太坊合并之后，一些用戶想解除他們已經抵押的ETH，Kraken發布公告稱，允許用戶使用 Kraken Pro 應用程序質押和解除他們的加密貨幣資產。然而，在上海宣布升級到以太坊網絡之前，似乎ETH不可用。此外，Kraken團隊表示，以太坊基金會預計上海升級將在“合并后的 6-12 個月”進行。[2022/9/16 7:01:48]

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。       

P2E游戲開發公司Monoverse完成310萬美元融資，韓國房產基金KOREIT參投:5月28日消息，P2E游戲開發公司Monoverse宣布完成了一筆310萬美元的融資，韓國房產基金 Korea Real Estate Investment and Trust (KOREIT) 參投，該公司將利用這筆資金繼續拓展區塊鏈游戲市場。

Monoverse利用自行開發的Entropy平臺將傳統游戲和第三方NFT游戲納入其側鏈，該側鏈具有低gas費用和高交易處理速度優勢，為開發人員提供比以太坊和其他Layer1鏈更優質的服務，繼而消除技術壁壘，促進游戲行業從傳統模式向GameFi轉變，使鏈游更廣泛地被采用。[2022/5/28 3:47:12]

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加密貨幣數字人BSP幣nbs幣最新消息加密貨幣市場總市值是多少數字人直播

中幣下載