比特币泡沫状态预测：多期限概率学习器与集成方法比较研究

《Entropy》：Forecasting Explosive Bubble Regimes in Bitcoin Time Series with Multi-Step Ensemble Learning

　　比特币泡沫表现出局部爆发性动态，但识别过去的泡沫事件并不能证明其具有可预测性。我们将广义最大值增强型Dickey-Fuller检验与九个概率学习器及三种概率输出集成方法相结合，对一日期、三日期和七日期预测期限内的泡沫状态进行预测。基于2016年1月至2026年4月的日度数据，我们识别出30个最长的连续泡沫事件，共包含455个泡沫日。在开发期间验证中选择回看窗口和过采样比例，再进行最终测试评估；集成权重由开发期间的滚动预测估计得出。没有任何模型家族在各预测期限上均占据主导地位。约束最小二乘集成在一日期的最终测试均方误差最低，而逻辑回归在三日期和七日期的误差最低。逆误差加权集成在七日期上具有最高的平均精度。移动块自助法置信区间存在大量重叠，90%的模型置信集在每个预测期限上均保留了多个模型。跨来源稳健性检验显示日度泡沫状态分类的一致率为99.58%。这些发现支持期限依赖的概率性风险监控，但独立泡沫事件数量有限以及较长期限上的低召回率限制了预测结果的实际解释能力。