在危机时期使用改进的机器学习方法增强比特币交易信号预测

《Risks》：Enhancing Bitcoin Trading Signal Prediction in Crisis Periods Using an Improved Machine Learning Approach Yaser Sadati-Keneti, Mohammad Vahid Sebt, Reza Tavakkoli-Moghaddam and Orod Ahmadi

　　

本研究的目的是采用改进的机器学习技术来确定比特币在因全球紧急情况（如疫情、冲突和经济争端）导致的突然价格变化下的最佳交易头寸。具体而言，本研究以COVID-19大流行期间的价格波动作为案例研究，来评估所研究算法的性能。研究人员提出了一种新颖的混合方法，该方法结合了基于密度的含噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）和决策树（Decision Tree, DT）分类，以有效消除噪声数据并提取相关信息，从而进行准确的头寸预测。DBSCAN算法通过组织数据来揭示重要模式，而DT分类器则对交易信号进行分类。研究人员将所提出的DBSCAN-DT模型的性能与已建立的替代方案（包括多层感知器（Multi-Layer Perceptron, MLP）、支持向量分类器（Support Vector Classifier, SVC）和传统决策树）进行了严格比较。实验结果表明，在COVID-19的爆发、流行和大流行阶段，DBSCAN-DT混合模型始终优于这些基准模型，在预测交易头寸和市场趋势方面获得了更高的准确性。这些发现强调了将疫情相关干扰纳入加密货币价格预测模型的重要性，并展示了该方法在应对突发市场变化方面的灵活性。

**论文解读：基于改进机器学习方法的危机时期比特币交易信号预测研究**

**研究背景与问题**
近年来，区块链技术的广泛采用和人们对加密货币日益增长的兴趣，使比特币成为一种关键的数字资产，吸引了学者和金融专家的极大关注。比特币显著的价格波动性、不稳定的趋势以及对宏观经济影响的敏感性，使其价格预测成为一项具有挑战性但至关重要的任务。此外，全球性事件，如疫情、战争和经济争端，已经证明金融市场（尤其是加密货币）可能会经历突然且不可预测的转变。在市场剧烈波动的条件下预测比特币交易头寸，对投资者和市场分析师来说仍然是一个重大挑战。尽管传统模型如决策树（DT）、多层感知器（MLP）和支持向量分类器（SVC）已显示出一定效果，但在波动的市场条件下，由于噪声和不相关数据的存在，其预测准确性往往会下降。因此，整合基于密度的聚类方法（如DBSCAN）与分类模型，通过识别重要的数据簇和增强模型训练来减轻噪声，被推荐为一种有效策略。然而，现有研究对DBSCAN-DT等聚类-分类组合方法在危机条件下的应用关注有限，存在研究空白。

**研究目标与方法**
为应对上述挑战，本研究引入了一种创新的混合框架（DBSCAN-DT），旨在增强全球危机情况下预测比特币交易头寸的数据选择能力。通过消除噪声样本并专注于相关数据子集，该方法旨在提高头寸预测的精确性和可靠性。研究以COVID-19大流行不同阶段（爆发期、流行期、大流行期）作为具体案例，将DBSCAN-DT模型的性能与标准分类器（SVC、MLP和DT）进行比较，以验证其有效性。数据来源于2019年12月至2023年5月的比特币历史数据，通过Python的“CmcScraper”库从CoinMarketCap API获取，并定义了“High-Low”和“Open-Close”等特征以丰富数据集。研究的关键技术方法包括：1）**多层感知器（MLP）**：一种具有输入层、隐藏层和输出层的监督学习人工神经网络；2）**支持向量机（SVM）/支持向量分类器（SVC）**：通过寻找最优超平面来分离类别的监督学习方法；3）**决策树（DT）**：一种非参数、易于解释的监督学习算法，用于分类和回归；4）**基于密度的含噪声应用空间聚类（DBSCAN）**：一种无需预先指定簇数量的无监督聚类方法，擅长识别不规则和非线性模式并区分噪声；5）**DBSCAN-DT混合方法**：核心创新在于结合DBSCAN和DT，分三步选择与预测日条件最相似的历史数据：首先使用DBSCAN对历史数据进行聚类标记，然后使用DT为待预测日期的数据分配一个类别标签，最后根据该标签提取历史数据中具有相同标签的数据用于训练和预测；6）**参数优化**：使用田口方法（Taguchi method）对DBSCAN（epsilon和最小样本数）和DT（最大深度）的关键参数进行联合优化，以考虑算法间的交互作用，提升整体预测性能。

**研究结果**
研究人员对2019年5月至2023年5月期间的数据分析显示，持有头寸的天数占比从爆发期的51%逐渐下降到大流行期的34%，而非常强烈买入和卖出头寸的比率从爆发期的6%上升到大流行期的13%，增加了一倍以上，凸显了危机时期预测的重要性。
模型性能比较表明，所提出的DBSCAN-DT方法在预测交易头寸和市场方向方面均优于其他方法。在整体数据上，DBSCAN-DT预测不同头寸的准确率达到77%，预测市场方向的准确率达到82%，均高于DT、MLP和SVC。分阶段来看：
- **爆发期**：DBSCAN-DT在预测卖出（64%）、持有（87%）和非常强烈买入（56%）头寸方面表现最佳。
- **流行期**：DBSCAN-DT在预测卖出（78%）、非常强烈卖出（67%）、持有（94%）和买入（100%）头寸方面优于其他方法。
- **大流行期**：DBSCAN-DT在所有七类头寸的预测上均显著优于其他方法，平均准确率领先。
六边形分箱图（hexagonal binned plot）可视化结果进一步证实了DBSCAN-DT的优越性，其预测值与实际值在主对角线上的密度更高，表明预测更准确。统计显著性检验（配对t检验和Wilcoxon符号秩检验）证实，DBSCAN-DT相对于基线模型（DT、SVC、MLP）的改进在所有阶段均具有统计学意义（p值<0.05）。研究还指出，所有模型在“非常强烈卖出”等极端、数据稀少的类别上准确率较低甚至为0%，这主要反映了类别不平衡的挑战。DBSCAN-DT通过筛选制度相似的数据子集，部分缓解了此问题。

**讨论与结论**
讨论部分总结了本研究的核心发现和意义。研究结果表明，DBSCAN-DT混合模型在预测比特币交易头寸方面，特别是在高波动性的危机时期，优于传统的MLP、SVC和单一DT模型。该模型在预测头寸和市场方向上的整体高准确率（分别为77%和82%）证明了其稳健性。DBSCAN-DT方法的主要优势在于其能够有效过滤市场噪声，并通过DBSCAN聚类识别出有意义的数据模式，从而使DT分类器能够专注于连贯且统计上显著的数据簇，形成更稳定、可解释的决策边界，并降低对加密货币市场中常见 erratic signals（不规则信号）的过拟合风险。该方法在准确识别“非常强烈买入”和“非常强烈卖出”等关键交易头寸方面表现尤为突出，这对于危机期间的投资决策至关重要。
研究结论部分翻译如下：本研究提出并验证了一个混合机器学习框架，该框架结合了基于密度的含噪声应用空间聚类（DBSCAN）和决策树（DT）分类器（DBSCAN-DT），用于在疫情、战争和经济冲突等高波动性条件下预测比特币交易头寸。实验结果表明，所提出的DBSCAN-DT模型在交易头寸预测和市场趋势方向识别的准确性方面优于多层感知器（MLP）、支持向量分类器（SVC）和单个决策树等传统方法。该混合模型在预测头寸和市场方向方面分别达到了77%和82%的整体准确率，在破坏性事件、流行病和大流行期间表现出显著的韧性，从而支持了以下理论：在分类之前结合聚类技术来识别相关的、高质量的数据子集可以显著提高预测的可靠性。
DBSCAN-DT方法的主要好处在于其能够有效过滤市场噪声，并揭示比特币价格波动（表现出非平稳性和突然冲击）中的重要模式。DBSCAN聚类技术巧妙地识别并隔离了通常阻碍传统监督模型的异常值和噪声数据点，使决策树分类器能够专门关注连贯且具有统计意义的数据簇。这产生了更稳定和可解释的决策边界，同时也降低了对加密货币市场中常见的不规则信号过拟合的风险。该方法的有效性在精确识别关键交易头寸（如“非常强烈买入”和“非常强烈卖出”）方面尤为明显，这些头寸对于做出明智的投资决策至关重要，但传统模型在危机期间很难持续识别。
此外，这项研究为了解模型在疫情不同阶段的表现提供了重要的见解，表明虽然流行阶段通常给预测带来更大的挑战，但DBSCAN-DT模型表现出相当一致的性能，突出了其适应市场条件快速变化的能力。六边形分箱图提供的视觉确认增强了对模型结果的信任，清晰地描绘了预测交易头寸与实际交易头寸沿主对角线的紧密对齐，这作为预测准确性和信心的指标，无法完全被汇总指标所捕获。除了这些数值和视觉验证之外，结果还强调了在不确定性和波动时期，混合聚类-分类模型在金融预测中的重要性。与纯粹预测性的黑盒模型相比，DBSCAN-DT通过整合基于统计密度特性的数据分割步骤，提供了更好的可解释性，有效地将数据科学与实际金融分析联系起来。这对于寻求可靠、透明工具的交易员和风险管理人员至关重要，这些工具需要能够有效应对快速变化的市场环境。
虽然结果令人鼓舞，但必须在方法学背景下对其进行界定。该研究侧重于比特币内在价格数据，没有整合外部因素（如宏观经济指标、地缘政治发展或社交媒体情绪），这表明通过扩大特征集有改进的潜力。此外，对聚类和分类器超参数进行全面的敏感性分析将阐明模型有效性的局限性并提高可重复性。实施统计检验以验证优异性能的显著性，以及跨滚动窗口的时间稳定性分析，可以进一步加强稳健性主张。
总之，本研究提出了一种独特且经过实证验证的方法，解决了危机情况下预测加密货币价格的挑战。通过结合无监督和监督学习方法，DBSCAN-DT模型为比特币交易信号的预测准确性和操作一致性设立了新标准。其在现实世界算法交易和金融决策过程中的应用，有可能在当今数字资产市场固有的不确定性和波动性面前改善投资结果。未来深入研究模型可解释性、特征扩展以及在不同市场中的验证，将进一步巩固这一有前景的路径，从而形成更具韧性和适应性的金融智能框架。