编辑推荐：
为解决比特币价格预测缺乏综合视角的问题，研究人员开展了利用多种输入数据、特征选择及多种模型（ML、DL）预测比特币价格的研究。结果显示 SVM 在预测价格走势时表现最佳，Boruta - SVM 最具盈利能力。该研究助力投资者决策。
在数字金融的浪潮中，比特币自诞生以来便备受瞩目。2008 年中本聪推出比特币白皮书后，加密货币市场迎来了爆发式增长，到 2021 年 11 月，其市值飙升至超 2.9 万亿美元。在萨尔瓦多和中非共和国等国家，比特币甚至被赋予了法定货币的地位。然而，这个市场的波动性如同坐过山车一般。比特币价格的起伏受到供求关系、市场成熟度、监管政策、媒体舆论等多种因素影响。一方面，这种波动让它成为了投机者眼中的香饽饽，也被部分人视作资产多元化配置的选择；但另一方面，也有人质疑它作为 “避风港” 资产的可靠性。这使得准确预测比特币价格变得极为关键，却又困难重重。
传统的金融市场预测本就充满挑战，比特币市场更是如此。数据中的噪音干扰了规律的探寻，市场因素间复杂的相互作用让预测难度倍增，例如媒体报道引发的投资者情绪波动，会直接影响比特币价格走向。而且，比特币发展历程较短，可用于训练预测模型的历史数据有限。此外，有效市场假说（EMH）也给比特币价格预测带来了理论上的困境，虽然有研究表明比特币市场在某些阶段符合该假说，但也有研究指出加密货币市场整体效率并不高。尽管不少研究在比特币价格预测上取得了一定成果，但现有研究仍缺乏全面性，没有综合考量输入数据类型、特征选择和模型类型等因素，对于机器学习（ML）和深度学习（DL）模型谁更适合预测比特币价格也尚无定论。
在这样的背景下，密苏里科技大学（Missouri University of Science and Technology）的研究人员 Oluwadamilare Omole 和 David Enke 开展了一项深入研究。他们的研究成果发表在《Engineering Applications of Artificial Intelligence》上，为理解比特币价格波动和指导投资决策提供了重要参考。
研究人员采用了一套复杂而严谨的技术方法。首先是数据准备，他们收集了比特币价格、链上指标（on - chain metrics）和技术分析指标（TA），涵盖了 3758 天的数据，从 2013 年 3 月 11 日至 2023 年 6 月 24 日。之后利用 Boruta 算法进行特征选择，筛选出最相关的特征，以降低数据维度，避免 “维度诅咒” 问题。接着，他们训练了多种 ML 和 DL 模型，包括支持向量机（SVM）、随机森林（RF）、梯度提升机（GBM）、长短期记忆网络（LSTM）、卷积神经网络 - 长短期记忆网络（CNN - LSTM）等，用于分类和回归任务。最后通过交易模拟来评估模型的盈利能力。
研究结果
- 模型预测性能对比：在预测比特币价格走势（价格方向）时，SVM 模型表现最为出色，准确率达到 83%，F1 分数为 82%。在预测价格幅度方面，该模型的均方根误差（RMSE）最低，为 1531.3，同时 R2达到 0.9856 ，显示出良好的拟合优度。DL 模型在分类任务上表现出一定竞争力，但在回归任务中大多表现不佳。
- 特征选择和数据类型的影响：研究发现，Boruta 特征选择方法显著提升了模型性能。链上数据的加入也对模型性能有明显改善，尤其在分类任务中效果突出。
- 模型盈利能力评估：通过回测评估模型的盈利能力，Boruta - SVM 成为最具盈利能力的模型。分类模型大多能获得正收益，而回归模型则多产生亏损或仅有微薄收益。
研究结论与讨论
综合来看，这项研究强调了特征选择、模型选择和目标类型在比特币价格预测中的重要性。研究结果表明，不同模型在比特币价格预测的不同方面各有优劣，SVM 在预测价格方向和幅度上展现出优势，而 DL 模型虽然在分类任务有潜力，但在回归任务中还需改进。Boruta 特征选择方法和链上数据对提升模型性能的积极作用，为后续研究和实际应用提供了新的思路。
从投资角度而言，该研究成果为投资者提供了有价值的参考。投资者可以依据这些结论，更明智地选择预测模型和输入数据，优化投资策略，从而在波动的比特币市场中做出更合理的决策，有望实现收益最大化。这一研究也为加密货币市场的研究开辟了新方向，未来研究可以在此基础上进一步探索其他影响比特币价格的因素，改进模型结构，提升预测的准确性和可靠性。
