今日实时汇率

1 美元(USD)=

7.1788 人民币(CNY)

反向汇率:1 CNY = 0.1393 USD   更新时间:2025-07-10 03:00:01

如何准确预测加密货币价格?交易,技术和社交情绪指标的深度学习算法了解一下

原标题:《加密货币价格预测:交易,技术和社交情绪指标的深度学习研究》

币圈深度参与者和holder获得更高收益, 而不是trader,这或许是我们的错觉,因为加密货币资产天然适合种套利高频机器人交易。

虽然像我们这些有点信仰又不是老炮的散户韭菜,对交易技术指标有点不屑。但面对币价波动,我们也不那么佛系,价格涨跌或多或少扰乱我们的情绪。

而对于币价的预测或感觉,仅凭社交情绪。本文从大量的技术,交易,社交情绪指标通过各种深度学习算法得出的结论是,综合技术,交易,社交情绪指标的深度学习结果对预测币价比单一指标要好。而Github和Reddit的基于技术开发人员的情绪指标更具有参考价值。

虽然这不一定正确更不是真理,毕竟深度学习算法和数据都可能有问题。然而这足足30来页的论文足已令我们恐惧,如今能用到如此高深的算法和有如此开放丰富的数据对加密资产交易预测,我们散户韭菜如何是好?

也许只有做好个人功课。我们为什么要投资这个项目?我们如何能为项目贡献?我如何才能不在乎币价?

Title: On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning

Author(s):Marco Ortu, Nicola Uras, Claudio Conversano, Giuseppe Destefanis, Silvia Bartolucci

URL: http://arxiv.org/abs/2102.08189


摘要


由于加密货币市场的高波动性和新机制的存在,预测加密货币的价格是一项众所周知的艰巨任务。在这项工作中,我们重点研究了2017-2020年期间两种主要加密货币以太坊和比特币。通过比较四种不同的深度学习算法(多层感知器(MLP)、卷积神经网络(CNN)、长短期记忆(LSTM)神经网络和注意长短期记忆(ALSTM))和三类特征,对价格波动的可预测性进行了综合分析。特别是,我们考虑将技术指标(如开盘价和收盘价)、交易指标(如移动平均线)和社交指标(如用户情绪)作为分类算法的输入。我们比较了一个仅由技术指标组成的受限模型和一个包括技术、交易和社交媒体指标的非受限模型。结果表明,不受限制的模型优于受限制的模型,即包括交易和社交媒体指标,以及经典的技术变量,使得所有算法的预测精度都有显著提高。


1 简介


在过去十年中,全球市场见证了加密货币交易的兴起和指数增长,全球每日市值达数千亿美元(截至2021年1月达到约1万亿美元)。

最近的调查显示,尽管存在价格波动和市场操纵相关的风险,但机构投资者对新加密资产的需求和兴趣仍在飙升,原因是这些资产的新特性以及当前金融风暴中潜在的价值上升。

繁荣和萧条周期往往由网络效应和更广泛的市场采用引起,使价格难以高精度预测。关于这一问题有大量文献,并提出了许多加密货币价格预测的定量方法[13,15–18]。加密货币的波动性、自相关和多重标度效应的快速波动也得到了广泛的研究[22],同时也研究了它们对初始硬币发行(ICO)的影响[10,11]。

文献中逐渐出现的一个重要考虑因素是加密货币交易的“社会”的相关性。区块链平台的底层代码在Github上以开源方式开发,加密生态系统的最新添加内容在Reddit或Telegram的专业频道上讨论,Twitter提供了一个经常就最新发展进行激烈辩论的平台。更准确地说,已经证明,情绪指数可以用来预测价格泡沫[5],而且从Reddit专题讨论中提取的情绪与价格相关[28]。

开源开发在塑造加密货币的成功和价值方面也扮演着重要的角色[21,25,27]。特别是,Bartolucci et al.[2]之前的一项工作(这项工作是其扩展)表明,从开发人员对Github的评论中提取的情绪时间序列与加密货币的回报之间存在格兰杰因果关系。对于比特币和以太坊这两种主要的加密货币,还显示了如何将开发者的情绪时间序列纳入预测算法中,从而大大提高预测的准确性。

在本文中,我们使用深度学习方法进一步扩展了以前对价格可预测性的研究,并将重点放在按市值最高的两种主要加密货币,比特币和以太坊。

我们通过将准时价格预测映射到一个分类问题来预测价格变动:我们的目标是一个具有两个独特类别的二元变量,向上和向下的变动,表示价格上涨或下跌。下面我们将比较四种深度学习算法的性能和结果:多层感知器(MLP)、多变量注意长短时记忆完全卷积网络(MALSTMFCN)、卷积神经网络(CNN)和长短时记忆神经网络(LSTM)。

我们将使用以下类别的(财务和社会)指标作为输入:(i)技术指标,如开盘和收盘价格或成交量,(ii)交易指标,如根据价格计算的动量和移动平均线,(iii)社交媒体指标,即从Github和Reddit评论中提取的情绪要素。

对于每一个深度学习算法,我们考虑一个按小时和按每天频率的受限和非受限数据模型。受限模型由比特币和以太坊的技术变量数据组成。在无限制模型中,我们包含了Github和Reddit的社交媒体指标和技术、交易变量。

在所有四种深度学习算法中,我们都能证明无限制模型优于限制模型。在每小时数据频率下,将交易和社交媒体指标与经典技术指标结合起来,能提高比特币和以太坊价格预测的准确性,从限制模式的51-55%提高到非限制模式的67-84%。对于每日频率分辨率,在以太坊的情况下,使用限制模型实现最精确的分类。相反,对于比特币而言,仅包括社交媒体指标的无限制模式实现了最高的性能。

在下面的部分中,我们将详细讨论实现的算法和用于评估模型性能的引导验证技术。

本文的结构如下。在第2节中,我们详细描述了使用的数据和指标。在第三节中,我们讨论了实验的方法。在第4节中,我们介绍了研究结果及其意义,在第5节中,我们讨论了本研究的局限性。最后,在第6节中,我们总结了我们的发现并概述了未来的发展方向。


2 数据集:技术和社交媒体指标


本节讨论数据集和用于实验的三类指标。

2.1 技术指标

我们以每小时和每天的频率对比特币和以太坊价格时间序列进行了分析。我们从加密数据下载web服务中提取的所有可用技术变量,特别是来自Bitfinex.com网站交易数据服务。我们考虑了过去4年,从2017/01/01到2021/01/01,共35,638个小时的观测值。

在我们的分析中,我们将技术指标分为两大类:纯技术指标和交易指标。技术指标指的是开盘价和收盘价等“直接”的市场数据。交易指标是指移动平均线等衍生指标。

技术指标如下:

收盘价:加密货币在交易期间的最后交易价格。 开盘价:加密货币在交易期开始时首次交易的价格。 最低:加密货币在一个交易周期内交易的最低价格。 最高:加密货币在交易期间交易的最高价格。 交易量:完成的加密货币交易数量。

表1和表2显示了技术指标的汇总统计数字。在图1和图2中,我们还显示了技术指标的历史时间序列图。