编辑推荐：
比特币价格预测因高波动性和复杂变量交互面临挑战，传统模型依赖相关性难以捕捉因果关系。研究人员将因果矩阵（C&E Matrix）嵌入图神经网络（GNN），构建因果依赖模型。实验表明，该方法显著提升短期预测准确性，增强模型鲁棒性与可解释性。
在数字金融浪潮中，比特币作为去中心化加密货币，其价格波动犹如 “金融海洋中的风暴”，吸引着投资者目光的同时也带来巨大挑战。高波动性背后，是宏观经济指标、市场情绪、监管政策等多变量的复杂共舞，传统预测模型如循环神经网络（RNN）、卷积神经网络（CNN）等，往往局限于捕捉数据间的相关性，却难以穿透迷雾识别驱动价格波动的内在因果关系。在市场剧烈震荡时，这些模型常因无法把握稳定的因果逻辑而预测失灵，导致投资者在风险管控和资产配置中举步维艰。如何在这片 “混沌” 中找到价格波动的 “指南针”，成为金融领域亟待破解的难题。
为攻克这一挑战，东南大学的研究人员展开了一项突破性研究。他们创新性地将因果矩阵（C&E Matrix）嵌入图神经网络（GNN）框架，构建了能够显式建模因果依赖关系的预测模型，并将相关成果发表在《Engineering Applications of Artificial Intelligence》。这项研究如同为比特币价格预测装上了 “因果雷达”，有望为动荡的加密货币市场提供更可靠的预测工具。
研究主要采用了以下关键技术方法：首先运用因果推断技术中的 SLARAC 模型，对金融时间序列数据进行分析，识别影响比特币价格的关键因果变量；随后将这些因果关系转化为有向图结构（G=(V,E,A)，其中 V 为顶点集、E 为边集、A 为加权邻接矩阵），通过图神经网络（GNN）提取时空特征，捕捉价格波动的潜在动态。数据来源于纳斯达克数据库，涵盖 2017 年 4 月 24 日至 2022 年 4 月 22 日的 1261 个日频数据点，包含美元指数、能源数据及比特币能耗等变量。
因果关系识别与模型构建
传统 GNN 在构建网络时多基于相关性，易陷入 “伪关联” 陷阱。本研究通过因果矩阵替代传统时空相关性分析，利用 SLARAC 模型明确变量间因果方向及强度，如确认宏观经济指标与比特币价格间的直接因果链路。这种从 “相关” 到 “因果” 的范式转变，如同从 “雾里看花” 转向 “拨云见日”，使模型能够聚焦真正驱动价格变化的核心因素。
预测性能提升验证
实验对比了基于相关性的经典 GNN 模型与嵌入因果矩阵的 GNN 模型。结果表明，在短期价格预测中，因果增强模型的预测误差显著降低，尤其在市场高波动阶段，其鲁棒性优势更为突出。这意味着，当市场因政策变动或投机行为剧烈震荡时，该模型仍能基于稳定的因果逻辑保持较高预测精度，为投资者在 “风暴” 中导航提供可能。
模型可解释性增强
传统深度学习模型常被诟病为 “黑箱”，而因果矩阵的引入为模型注入了可解释性基因。通过有向图结构，研究者可直观展示各变量（如美元指数、能源价格）对比特币价格的因果影响路径，例如美元走强如何通过因果链路抑制比特币需求。这种可解释性使投资者和政策制定者能够 “看见” 预测背后的逻辑链条，而非单纯依赖模型输出结果，极大提升了决策的科学性。
研究结论指出，将因果关系整合到 GNN 框架中，能够有效提升比特币价格预测的准确性与可靠性，尤其在高波动市场环境下表现更优。与传统基于相关性的方法相比，该模型通过 “因果分析 — 图结构构建 — 时空特征提取” 三阶段流程，实现了对金融时间序列中复杂因果依赖的显式建模，为加密货币市场的预测研究开辟了新路径。
这项研究的意义不仅在于优化比特币价格预测模型，更在于为金融领域的时间序列分析提供了 “因果优先” 的方法论启示。在充满不确定性的金融市场中，因果逻辑的引入如同锚定了稳定的坐标系，使预测模型能够穿越市场波动的 “湍流”，为风险管控、资产配置乃至政策制定提供更具说服力的依据。随着加密货币市场的持续演进，此类融合因果推断与深度学习的研究范式，或将成为破解金融复杂系统预测难题的核心钥匙，引领智能金融时代的建模新方向。
