Al predecir el precio de las criptomonedas, en realidad estoy estudiando las 8 lógicas que hay detrás

Hace unos días, organicé un seminario web sobre predicciones de precios de criptomonedas. En el taller, resumimos algunas lecciones aprendidas en la construcción de modelos predictivos para criptoactivos en la plataforma IntoTheBlock. Hay muchos proyectos interesantes de investigación y propiedad intelectual en esta área, pero quiero resumir algunas ideas clave. Si está interesado en predecir el precio de los criptoactivos, las siguientes ideas pueden ayudarlo:

1. Las predicciones de precios de criptomonedas se pueden lograr y resolver, pero no a través de un solo método, y de ninguna manera bajo ninguna condición de mercado.

Como dijo una vez el gran estadístico británico George E. P. Box: "En esencia, todos los modelos son incorrectos, pero algunos son útiles". Cuando se trata de finanzas, esto es especialmente cierto para entidades complejas como los mercados. En lo que respecta a los criptoactivos, predecir el movimiento de precios de las criptomonedas es definitivamente factible, pero ningún modelo único es adecuado para todas las condiciones del mercado. Asuma siempre que su modelo eventualmente fallará y busque alternativas.

2. Hay dos formas básicas de hacer pronósticos: pronósticos basados ​​en activos y pronósticos basados ​​en factores

Si desea predecir el precio de Bitcoin, está siguiendo una estrategia basada en activos. Por el contrario, las estrategias basadas en factores se centran en predecir características específicas, como el valor o el impulso en un grupo de activos.        

KyberSwap: hay un problema en el contrato de Elastic LM que impide que una pequeña cantidad de usuarios reciban recompensas, y se lanzará una función de salida forzada: el 19 de agosto, KyberSwap, el agregador DEX de Kyber Network, lanzó una importante actualización de la comunidad sobre Elastic Farms, diciendo que comenzará a recibir el 17 de agosto. Los comentarios de los usuarios de KyberSwap sobre Elastic Farms encontraron una falla en el contrato de ElasticLM que evitaría que una pequeña cantidad de usuarios reciban recompensas, pero todos los fondos estaban seguros y solo una pequeña cantidad de usuarios se vieron afectados en términos de recibir recompensas. La función de cierre de sesión forzado para los usuarios afectados se lanzará antes de las 22:00 del 18 de agosto de 2022, hora de Beijing, y la solución completa se anunciará más adelante. [2022/8/19 12:35:58]

3. Tres enfoques técnicos básicos para manejar pronósticos de criptoactivos

En general, la mayoría de los modelos de pronóstico para los mercados de capitales, especialmente para los criptoactivos, se pueden dividir en las siguientes categorías: métodos de pronóstico de series temporales, métodos tradicionales de aprendizaje automático y métodos de aprendizaje profundo. Los métodos de pronóstico de series de tiempo como ARIMA o Prophet se enfocan en pronosticar variables específicas basadas en propiedades de series de tiempo conocidas. Durante la última década, los métodos de aprendizaje automático, como la regresión lineal o los árboles de decisión, han estado en el centro de los modelos de pronóstico del mercado de capitales. Finalmente, la escuela de aprendizaje profundo recientemente establecida propone métodos de redes neuronales profundas para descubrir relaciones no lineales entre variables para la predicción de precios.        

Cierre de acciones A: el índice Blockchain 50 de la bolsa de valores de Shenzhen aumentó un 0,97%: Golden Financial News, las acciones A cerraron, el índice compuesto de Shanghái cerró en 3369,12 puntos, cerrando un 0,66%, el índice de componentes de Shenzhen cerró en 13692,13 puntos, cerrando un 1,01% , Distrito de la Bolsa de Valores de Shenzhen El índice Blockchain 50 reportó 3773.95 puntos, cerrando con un 0.97%. El sector blockchain cerró con un 0,4% y el sector de moneda digital cerró con un 0,09%. [2020/12/14 15:09:02]

4. Los métodos de pronóstico de series de tiempo son fáciles de implementar, pero no muy adaptables.

A lo largo de los experimentos, probamos diferentes métodos de series temporales como ARIMA, DeepAR+ o Facebook's Prophet. Los hallazgos sugieren que dichos enfoques no están diseñados para entornos complejos como los mercados de capital. Son muy fáciles de implementar, pero exhiben muy poca resiliencia y adaptabilidad a los cambios del mercado comunes en las criptomonedas. Además, una de las mayores limitaciones de los métodos de series temporales es que se basan en un número limitado y fijo de predictores, que han demostrado ser insuficientes para describir el comportamiento de los criptoactivos.       

5. La capacidad de generalización de los modelos tradicionales de aprendizaje automático es deficiente

Métodos como la regresión lineal y los árboles de decisión han estado al frente y en el centro de la investigación cuantitativa de los mercados de capital. Desde esta perspectiva, hay mucha investigación que se puede aplicar al espacio criptográfico. Sin embargo, dado el comportamiento anómalo del criptomercado, encontramos que la mayoría de los modelos tradicionales de aprendizaje automático tienen algunas dificultades para generalizar el conocimiento y son propensos a la inaplicabilidad.        

6. Los modelos de aprendizaje profundo son difíciles de explicar, pero funcionan bien en condiciones de mercado complejas.

Las redes neuronales profundas no son nuevas, pero su uso generalizado solo se ha logrado en los últimos años. En este sentido, la implementación de estos modelos es relativamente nueva. Tomando el mercado criptográfico como ejemplo, descubrimos que los modelos de aprendizaje profundo pueden lograr resultados bastante buenos en la previsión. Sin embargo, es difícil explicar el funcionamiento interno de estos modelos, dada su complejidad y desafíos de implementación.        

7. Aún no han surgido algunos desafíos interesantes en los mercados de capitales.

Los modelos predictivos para criptoactivos enfrentan muchos desafíos que no existen en los mercados de capital tradicionales. Desde datos falsos y transacciones falsas hasta API y conjuntos de datos de baja calidad, cualquier esfuerzo predictivo en criptografía requiere mucho trabajo de infraestructura. Además, muchos de los modelos incluidos en los trabajos de investigación no se han probado en los mercados del mundo real y, desde luego, no en las criptomonedas.      

8. Conviven retos y oportunidades

El modelado predictivo para criptomonedas es un campo apasionante, pero también lleno de desafíos. Aquí en IntoTheBlock, hemos logrado un progreso considerable en este frente, y pronto verás algunos resultados en nuestra plataforma. También puede obtener una vista previa primero a través del siguiente enlace.

Tags：

MANA