PROP:预测加密货币价格背后的8大逻辑_Propland

编者按:本文来自区块链大本营,作者:jrodthoughts,译者:火火酱,Odaily星球日报经授权转载。几天前,我举办了一个关于加密货币价格预测的网络研讨会。在研讨会上,我们总结了一些在IntoTheBlock平台上构建加密资产预测模型的经验教训。这一领域有很多有趣的IP和研究项目,但我想总结几条关键的想法。如果你对预测加密资产的价格感兴趣的话,以下几点想法会或许对你有所帮助:1.加密货币价格预测是可以实现和解决的,但不是通过单一的方法,也绝不是在任何市场条件下都能实现的。就像伟大的英国统计学家乔治·e·p·博克斯(GeorgeE.P.Box)曾说过的那样:“本质上讲,所有的模型都是错误的,但有些是有用的。”当涉及金融市场等复杂实体时尤其如此。就加密资产而言,预测加密货币的价格走势绝对是可行的,但没有任何一种模型能够适用于所有的市场条件。始终都要假设自己的模型最终会失败,并寻找替代方案。2.预测有两种基本方式:基于资产的预测和基于因素的预测如果你想预测比特币的价格,那么就是在遵循一种基于资产的策略。相反,基于因素的策略侧重于预测特定的特征,如资产池中的价值或动量。

预测:到2025年区块链行业的价值将达到1760亿美元:金色财经报道,根据预测,到2025年区块链行业的价值将达到 1760 亿美元。自2018年以来,印度的区块链和加密工作岗位已经增加了 138%。未来,区块链技术和加密货币的采用有望使印度在金融方面更具包容性和技术先进性。

此外,在印度,加密货币正在稳步普及。千禧一代也从二线和三线城市跳上了加密货币的潮流。尽管男性直到最近才主导这个行业,但从事加密货币交易的女性人数增加了 1000% 以上。66% 的用户仍未满 35 岁这一事实表明,该国年轻人对加密货币的采用率更高。[2023/1/9 11:01:54]

区块链预测平台OpenPredict与Polygon达成合作:区块链预测平台OpenPredict宣布与Polygon(原Matic Network)达成合作,利用Polygon的L2扩容解决方案提高OpenPredict平台的可扩展性,降低交易成本,改善整体用户体验。

OpenPredict是Polygon生态系统基金的资助获得者,由DAO Maker孵化,最近宣布即将推出其首个产品OpenMarket,旨在让任何人能对几乎任何东西进行预测。通过使用OpenMarket,任何人都可以创建一个主题,也称为流动性主题(liquidity thread),以促进讨论和社会共享。主题创建者可以通过启动一个市场来分享自己对未来结果的看法。对该话题感兴趣的用户可以通过采取相同或相反的方式参与预测。[2021/3/6 18:21:42]

3.处理加密资产预测的三种基本技术方法一般来说,大多数资本市场的预测模型,特别是加密资产,可以分为以下几类:时间序列预测方法、传统的机器学习方法和深度学习方法。时间序列预测方法(如ARIMA或Prophet)侧重于根据已知的时间序列属性预测特定的变量。在过去的十年中,线性回归或决策树等机器学习方法一直是资本市场预测模型的中心。最后,新成立的深度学习流派提出了深度神经网络方法,用于发现变量之间的非线性关系,从而进行价格预测。

动态 | Weiss Ratings对2019年加密货币及区块链做出7大预测:据ethereumworldnews消息,Weiss Cryptocurrency Ratings在今日发表的一篇文章中表示,尽管2018年加密货币在价格方面是灾难性的,但在技术方面“也是有重大进展的一年“。该机构分享了与加密货币和区块链技术相关的七项技术预测:1.比特币将越来越多地被用作储值方式;2.比特币的价格将再次上涨,并创下新的历史新高;3.部分山寨币将升至此前历史最高点的20倍;4.一组精选的加密货币将竞争建立一种新的互联网;5.另一组加密货币将破坏银行业,XRP最终可能成为世界第一的加密货币;6.一些比特币硬分叉将逐渐消失;7.一些新币种将像火箭一样进入前10。[2019/1/4]

2018关于能源领域拥抱区块链技术的4个预测:据GTM研究最近发表的名为《2018年区块链在能源领域的发展》的报告,对目前全球范围内区块链在能源领域的发展做出了4个预测:1.针对区块链进行的能源设施投资将呈现增长态势2.美国的能源设施将进入试点阶段3.能源批发贸易将努力实现商业化部署4.其它相关商业模型将实体化,如电动汽车充电和可再生能源信用交易将会成为区块链在能源领域的首批应用案例并具备盈利功能。[2018/3/8]

4.时间序列预测方法易于实现,但适应性不强。在整个实验过程中,我们测试了不同的时间序列方法,如ARIMA、DeepAR+或Facebook的Prophet。研究结果表明,此类方法并不是针对资本市场等复杂环境而设计的。它们非常易于实现,但是对于加密货币中常见的市场变化表现出非常差的弹性和适应性。此外,时间序列方法的最大局限性之一是它们依赖于数量有限且固定的预测因子,而事实证明,这些预测因子并不足以描述加密资产的行为。

5.传统机器学习模型的泛化能力较差线性回归和决策树等方法一直是资本市场定量研究的前沿和中心。从这个角度来看,有很多研究可以被应用于加密空间。然而,考虑到加密市场的异常行为,我们发现大多数传统的机器学习模型在概括知识方面都存在一定的困难,并且很容易出现不适用的情况。

6.深度学习模型很难解释,但是在复杂的市场条件下表现良好。深度神经网络已经不算是新事物了,但是在最近几年才实现了其主流应用。从这个层面上讲,这些模型的实现相对来说还是新生的事物。以加密市场为例,我们发现深度学习模型在预测方面可以达到相当好的效果。然而,考虑到模型的复杂性和实现的挑战性,我们很难解释这些模型的内部工作机制。

7.一些有意思的挑战还没有出现在资本市场中。加密资产的预测模型遇到了许多传统资本市场不存在的挑战。从虚假数据、虚假交易到低质量的API和数据集,加密领域的任何预测工作都需要大量的基础架构工作的配合。此外,研究论文中包含的许多模型并没有在真实世界的市场中进行过测试,当然也没有在加密货币中进行过测试。

8.挑战与机遇并存加密货币的预测模型是一个令人兴奋的领域,但同时也充满了挑战。在IntoTheBlock上,我们在这方面已经取得了相当大的进展,你应该很快就能在我们的平台上看到一些成果了。你也可以先通过以下链接进行预览。

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

区块博客

[0:15ms0-3:447ms