NBS:在预测加密货币价格时 其实我在研究这背后的 8 大逻辑_bspt币未来前景

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(George E. 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。

Coinbase将在CBS面向全国播出多个广告，希望接触政策制定者和DC内部人士:金色财经报道，Coinbase 于周日在华盛顿特区发起了一场全国性的广告活动，Coinbase 的一位代表表示，该活动旨在影响该国首都的政策制定者对加密货币的重要性。在近两分钟的黑白广告中，Coinbase 首席执行官Brian Armstrong辩称，虽然加密技术处于早期，但它将更新我们的金融系统并在世界上创造更多的经济自由。

此次活动总共将有四个广告，第一个已于周日播出。据该代表称，Coinbase将在每个周末在Face the Nation上播放后续广告。

Armstrong在推特上写道，有很多政策工作要做，以确保美国不落伍。?[2023/5/24 15:21:55]

2.预测有两种基本方式：基于资产的预测（asset-based）和基于因素的预测（factor-based）

近两日共计1.92亿枚USDT从OKX转移到Kraken交易所:金色财经报道，MistTrack发推称，近两日共计1.92亿枚USDT从OKX转移到Kraken交易所。[2023/5/22 15:17:58]

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。       

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。       

Web3游戏开发工作室Tribo完成117万美元融资，Play Ventures等参投:10月10日消息，Web3多人游戏开发工作室Tribo宣布完成117万美元融资，Play Ventures、Sisu Game Ventures和Joakim Achrén参投。据悉，该公司正在开发一款多人参与的免费休闲游戏，并且将使用NFT数字藏品推动游戏经济。

此外，Tribo推出NFT系列Flameys，总计发行2000枚，持有者可以获得Tribo社区VIP权限和福利。（VentureBeat）[2022/10/11 10:30:10]

数据：OFAC制裁后Tornado Cash转出ETH价值已超7000万美元:8月12日消息，据Dune Analytics数据显示，自8月8日美国财政部海外资产控制办公室（OFAC）针对Tornado Cash的禁令公布后，已有价值70,888,695美元的ETH从Tornado Cash转出，目前这些ETH被转入到了856个独立接收者和72个独立ENS地址。[2022/8/12 12:22:03]

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。

标签：NBSBSPBAS加密货币nbs币发行量bspt币未来前景Eterbase数字货币和加密货币的区别

酷币下载热门资讯