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.

El número de direcciones con más de 1 ETH alcanzó un récord: el 7 de noviembre, los datos de Glassnode mostraron que el número de direcciones con más de 1 ETH alcanzó un récord de 1 608 692. [2022/11/7 12:27:53]

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.        

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.        

El gigante de almacenamiento de datos Seagate Technology ha presentado solicitudes de marca comercial relacionadas con Metaverse y NFT: según las noticias del 10 de mayo, según los tweets del abogado estadounidense Mike Kondoudis, el gigante de almacenamiento de datos Seagate Technology ha presentado "SEAGATE" y su LOGOTIPO "remolino" a Metaverse y aplicaciones de marcas registradas relacionadas con NFT, que cubren NFT y medios compatibles con NFT, bienes virtuales, coleccionables digitales y mercados de activos basados ​​en blockchain. [2022/5/10 3:04:05]

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.       

El Departamento de Recursos Ambientales de la Comisión Nacional de Desarrollo y Reforma celebró un simposio sobre la neutralidad del carbono en algunas áreas de Hangzhou: Según las noticias del 10 de junio, ayer, Zhao Penggao, subdirector del Departamento de Recursos Ambientales de la Comisión Nacional de Desarrollo y Reforma, organizó un pico de carbono en algunas áreas de Hangzhou, provincia de Zhejiang Simposio de trabajo neutral en carbono. La reunión solicitó que debemos comprender con precisión los puntos clave del pico de carbono y la neutralización de carbono, optimizar vigorosamente la estructura energética, ajustar profundamente la estructura industrial, centrarnos en la conservación de energía y la reducción de carbono en los campos del transporte y la construcción, fortalecer la investigación científica y tecnológica importante , consolidar y mejorar las capacidades de sumidero de carbono, y acelerar la mejora de las políticas Sistema de Seguridad. En la actualidad, es especialmente necesario hacer todo lo posible para hacer un buen trabajo en las dos tareas clave del control dual del consumo de energía y frenar resueltamente el desarrollo ciego de proyectos "dos altos", para garantizar que el objetivo de reducir la intensidad del consumo de energía por alrededor del 3% se completó con éxito este año, y para promover diversas tareas para ver los resultados reales. (Prensa financiera asociada) [2021/6/10 23:26:39]

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：

Etéreo