基于链上数据与特征选择的比特币价格方向预测模型研究及其交易策略优化

本研究针对比特币价格波动剧烈、预测难度大的问题，通过链上数据（on-chain data）分析结合Boruta特征选择算法，构建CNN-LSTM（卷积神经网络-长短期记忆网络）模型，实现82.03%的次日价格方向预测准确率。交易回测显示，该模型驱动的多空策略年化收益达1682.7%，夏普比率6.47，为加密货币量化交易提供了高精度决策工具。

　　

比特币作为市值最大的加密货币，其价格波动剧烈且缺乏传统资产定价锚点，给投资者带来高风险与高收益并存的挑战。现有研究多基于技术分析或社交媒体情绪，但链上数据（记录在区块链中的交易历史信息）的预测潜力尚未充分挖掘。针对这一空白，密苏里科技大学的研究团队在《Machine Learning with Applications》发表论文，系统评估了196项链上指标对比特币价格方向的预测能力，并开发了高效的特征选择-建模-交易策略全流程解决方案。

研究采用Boruta、L1回归和主成分分析（PCA）三种特征选择方法，结合CNN-LSTM和时序卷积网络（TCN）等先进模型，通过Glassnode提供的2012-2023年链上数据集进行验证。关键创新在于将链上特征分类为挖矿（Mining）、已实现价值（Realized Value）、未实现价值（Unrealized Value）、持币稳定性（Stationarity）和活跃度（Activity）五大类别，发现前三类特征具有最高预测相关性。

特征选择：Boruta算法筛选出的25个关键特征中，已实现价值类占比48%（如盈亏比realized_profit_loss_ratio），未实现价值类占28%（如MVRV市场价值/实现价值比），验证了链上持有者盈亏状态对价格方向的强预测性。

模型性能：CNN-LSTM以5天回溯期取得82.03%的测试集准确率（F1值0.82），显著优于TCN模型（70.88%）和随机森林（52.43%）。其双层LSTM结构（32/64单元）与卷积核（kernel size=3）的组合有效捕捉了链上数据的时空特征。

交易策略：在2021-2023年熊市周期中，CNN-LSTM驱动的多空策略年化收益达1682.7%，远超单一做多（458%）或做空（349%）策略。值得注意的是，该模型在比特币价格下跌76.6%的环境下仍保持16.1%以内的最大回撤，展现强健的风险控制能力。

该研究首次系统证明了链上数据在加密货币量化交易中的核心价值：1）提出可迁移的特征分类框架；2）揭示持有者盈亏指标（如SOPR_adjusted
）是关键预测因子；3）验证了CNN-LSTM对非平稳金融时间序列的适应性。实际应用中，该模型可集成至比特币ETF对冲策略或跨资产组合配置，为机构投资者提供数据驱动的决策支持。未来研究可扩展至以太坊等智能合约平台币种，或探索链上数据与传统宏观指标的协同预测效应。