本文作者Jesus Rodriguez是Invector Labs首席科学家兼执行合伙人，同时也是IntoTheBlock的CTO，加密货币领域天使投资人。本文中Rodriguez总结分享了一些在他举办的一个加密货币价格预测的网络研讨会中关于构建加密资产预测模型的干货，小葱对其发布的博文进行了翻译整理，全文如下：
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。该网络研讨会总结了我们在IntoTheBlock平台中构建加密资产预测模型的一些经验教训。在这个方向我们进行了很多有趣且深入的研究，以下是我总结出的一些重要的想法，如果您也对预测加密资产价格感兴趣的话，这些想法可能会对您有所帮助。
加密货币价格预测是一个有解的问题，当然解法绝对不是唯一的，而且在不同市场环境下也会有很多变化。
正如英国伟大的统计学家George EP Box所说，“本质上说，人们构建的所有模型都是错误的，但并不意味着这些模型都没有用”。当我们讨论的问题设计金融市场这样非常复杂的实体时，情况更加如此。对于加密资产来说，我们确实能够通过一些方法进行未来价格走势的预测，但是并没有哪种模型能够在任何情况下都能够做出准确的判断。
进行预测一般来说我们有两种基本方法：基于资产或基于因子
Rocket Pool拟推出Staking-as-a-Service产品，并计划将minipool运营者抵押要求降至4ETH:7月19日消息，据以太坊质押协议Rocket Pool的DAO活跃成员Marceau.eth表示，Rocket Pool将进行一列升级，计划为基础设施公司和机构托管人推出Staking-as-a-Service产品，使得大型质押运营商以信任最小化的方式来参与质押；还计划将小型矿池运营商（minipool）的抵押要求从16ETH减少到4ETH，这将使运行节点所需的抵押品减少2至4倍，提升节点运营商的收益。此外，在之后的Capella硬分叉后，Solo质押者也将能够直接迁移到RocketPool。（The Defiant）[2022/7/19 2:22:55]
如果你现在考虑的问题是预测比特币未来的价格，那么这就意味着你在用“基于资产”的思维在考虑问题。而另外一种“基于因子”的方法则是专注于在某种特定情况发生时市场可能会出现什么样的变化，而这种方法并不直接指向某一种固定资产。
一般来说目前市场上大多数面向资本市场的预测模型主要可以分为以下三类，即时间序列预测、传统机器学习和深度学习方法。诸如ARIMA或者Prophet之类的时间序列预测方法着重于根据已知的时间序列属性预测特定变量。而在过去十年左右的时间里，诸如线性回归或者决策树之类的机器学习方法兴起，并且已经成为了当下资本市场预测模型的主流方案。不过在近两年间深度神经网络学习方法热度快速上升，这种方法能够发现变量之间的非线性关系，从而进行价格预测，这种深度学习方法正在逐渐成为潮流。
时间序列预测方法的优劣
时间序列预测方法易于实现，但是弹性很差。在经过多种相关分析手段的测试过后，我们发现这类方法很难在复杂的环境（比如资本市场）中行得通。这种方法确实很容易实现，但是当市场出现变化时这类方法很难有效适应市场的波动，这种方法最大的局限性在于他在使用少量固定地预测变量在运转，而这些预测变量并不足以完整描述市场的行为，尤其是对于加密货币这种波动性极强的资产来说更难。
传统机器学习方法的优劣
诚然传统机器学习的方法已经在资本市场中取得了不错的成绩，不过由于加密货币市场诞生以来经常出现“违背传统金融市场‘既定规律’”的异常行为，因此这些传统的机器学习模型对于加密货币市场的适应性同样欠佳。
深度学习模型的优劣
在测试中我们发现，深度学习模型在预测加密资产的价格波动时取得了相当出色的成绩，不过由于这种模型构建的难度较高，所以很难用比较简单的语言解释明白他的运转逻辑，而且在实施过程中确实也具有相当的挑战性。简单来说，深度学习模型是一种上手很难但是跑通后最佳的预测解决方案。
相比于传统大类资产，加密货币市场提出了一些新的挑战
在预测加密资产价格的过程中，你需要考虑的东西要比传统大类资产复杂得多。因为在这个新兴市场中你会遇到交易所“精心炮制”的虚假交易量，或者说交易相关数据的质量很差（时间不连续、数据丢失...）等等问题。因此在构建模型之前还需要大量的基础架构工作，以此来配合后续的预测工作。虽然市面上已经有一些类似的模型在论文中出现，但是真正得到过市场检验有效的微乎其微。
来源：小葱APP 版权归作者所有
原标题：关于构建加密货币价格预测模型的一些思考
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。