使用基于AIW-PSO的神经网络和地缘政治指标增强CCI-30加密货币指数预测

《Array》：Enhancing CCI-30 Cryptocurrency Index Prediction Using an AIW-PSO-Based Neural Network and Geopolitical Indicators

　　

本文研究了使用自适应惯性权重粒子群优化（AIW-PSO）优化的神经网络模型预测CCI-30加密货币指数，并考虑了重大地缘政治和全球事件的影响。与大量采用技术指标方法或优化单一参数的研究不同，本研究将地缘政治事件指标（COVID-19、俄乌战争、以色列-哈马斯战争）添加到预测模型中，以调查这些事件在不确定性期间如何影响加密货币的市场行为。数据来自CCI-30指数，涵盖2018年至2024年的2294个日观测值。为了检查所选变量与指数之间的线性关系，研究人员首先进行了皮尔逊（Pearson）相关分析和线性回归分析。结果表明，线性模型不足以准确建模加密货币市场复杂的非线性行为。因此，研究人员开发了具有不同隐藏层架构的常规神经网络模型，然后使用AIW-PSO进行学习率自适应和参数调优，以增强网络性能。数据集被分为训练集和测试集，同时在训练期间应用验证分割以提高泛化能力并减少过拟合。与更深的常规神经网络相比，AIW-PSO优化的神经网络在显著降低所需网络复杂度的同时，实现了有竞争力的预测性能。该模型在训练集和测试集上的决定系数（R²）分别为0.967和0.962。SHAP（SHapley Additive exPlanations）分析进一步确定了俄乌战争是预测CCI-30指数中最具影响力的解释变量。

**论文解读文章**

**研究背景与问题**

近年来，加密货币市场经历了显著增长，成为与股票并行的动态金融领域。然而，其高波动性和不可预测性给金融预测带来了持续挑战。现有研究多集中于预测单一加密货币（如比特币或以太坊），较少关注整体市场指数（如CCI-30加密货币指数）。此外，大多数预测模型采用技术指标或仅优化单一参数，忽略了重大地缘政治事件（如COVID-19大流行、俄乌战争、以色列-哈马斯战争）对市场的系统性影响。虽然已有研究将粒子群优化（PSO）用于神经网络训练，但将自适应惯性权重PSO（AIW-PSO）与地缘政治事件变量显式结合用于加密货币指数预测的研究尚属空白。同时，现有方法往往追求预测精度而忽视网络复杂度，导致模型在高波动市场中不够稳健且难以解释。因此，本研究旨在开发一种结合AIW-PSO优化和地缘政治事件指标的预测框架，以在降低网络复杂度的同时保持竞争性预测性能，并增强模型的可解释性。该论文发表在《Array》。

**主要技术方法**

研究人员采用以下关键技术方法：首先，从CCI-30指数网站（www.cci30.com）收集2018年至2024年的2294个日观测值，将COVID-19、俄乌战争和以色列-哈马斯战争编码为二进制虚拟变量（0表示事件前，1表示事件开始后）。其次，进行皮尔逊相关分析和线性回归评估线性关系。然后，构建前馈神经网络模型，使用AIW-PSO算法动态调整训练过程中的学习率，以优化网络性能。AIW-PSO的搜索空间由当前学习率定义，粒子群规模为50，优化迭代10次。最后，应用SHAP分析增强模型可解释性，识别最具影响力的变量。所有模型在相同数据集上使用70%训练、30%测试的随机划分，训练中采用30%验证分割以减少过拟合。

**研究结果**

**4.1 相关性和线性回归结果**
通过皮尔逊相关分析，研究人员发现CCI-30指数与俄乌战争呈强正相关（r=0.820，p=0.000），与COVID-19（r=0.380）和年份（r=0.375）呈中等正相关。线性回归模型的决定系数（R²）为0.759，但Durbin-Watson统计量显示残差存在正自相关，表明线性模型不足以描述复杂非线性关系。

**4.2 常规神经网络模型**
研究人员构建了隐藏层数从1到5的常规神经网络，使用Nadam优化器。训练结果显示，5个隐藏层在训练集上达到R²=0.965、均方误差（MSE）=0.002，测试集上R²=0.961、MSE=0.002。SHAP分析表明，俄乌战争是最具影响力的解释变量，其次为COVID-19和年份，而以色列-哈马斯战争贡献相对较低。这证实了非线性模型能捕捉地缘政治事件对市场的影响。

**4.3 提出的AIW-PSO优化神经网络模型**
研究人员将AIW-PSO用于学习率自适应，优化后的神经网络以2个隐藏层实现了最佳性能：训练集R²=0.967、MSE=0.002，测试集R²=0.962、MSE=0.002。与5个隐藏层的常规网络相比，可训练参数从1217减少至401（降低约67%），同时预测性能相近。SHAP分析再次确认俄乌战争为最显著变量。此外，与先进基线模型（长短期记忆网络LSTM、门控循环单元GRU、极限梯度提升XGBoost、Transformer）相比，XGBoost达到最高测试R²=0.967，但AIW-PSO网络以更简单的架构实现了竞争性结果（R²=0.962）。

**4.4 讨论**
线性回归和相关性分析揭示了变量间的显著关联，但非线性模型（神经网络）大幅提升了预测精度。AIW-PSO优化通过动态调整学习率，使浅层网络（2层）性能接近深层网络（5层），同时降低了架构复杂度。SHAP分析增强了模型可解释性，表明俄乌战争对CCI-30指数的影响最大，这与地缘政治不稳定导致市场波动和投资者行为变化的金融理论一致。尽管XGBoost预测精度最高，但AIW-PSO框架的主要优势在于复杂度降低和可解释性提升。

**总结讨论与结论翻译**

**讨论部分总结**：
所有分析旨在探究地缘政治事件指标与CCI-30指数的关系。线性回归和Pearson相关显示变量间存在显著关联，但线性模型R²低于0.76且存在自相关。常规神经网络通过增加隐藏层提升了性能，但复杂度高。AIW-PSO优化神经网络以2个隐藏层达到与5层常规网络相当的预测性能，显著降低了参数数量（约67%）。与LSTM、GRU、XGBoost和Transformer相比，所提框架在保持竞争性预测精度的同时，简化了网络架构。SHAP分析确认俄乌战争为最具影响力的变量。局限性包括：输入变量较少（仅时间和地缘政治虚拟变量），未纳入通货膨胀率、油价等宏观经济因素；地缘政治事件编码为二进制变量，无法捕捉其动态经济影响；实验设计基于传统训练-测试划分，而非时间序列的滚动验证，因此结果应解释为监督预测性能而非时序预测能力。

**研究结论翻译**：
本研究强调了俄乌战争、COVID-19和以色列-哈马斯战争对全球市场注册的各种加密货币交易的影响。CCI-30指数包含30种加密货币，反映其每日整体增长。收集的数据集从2018年重采样至2024年并进行分析。相关分析和线性回归模型显示自变量与因变量关系较弱，且样本存在自相关问题。为提升预测性能，研究人员使用不同隐藏层的常规神经网络，5个隐藏层在训练集和测试集上分别达到R²=0.965和0.961，但网络复杂度很高。为降低复杂度，提出基于AIW-PSO优化的神经网络模型，结果显示2个隐藏层的AIW-PSO网络优于5个隐藏层，训练集R²=0.967、测试集R²=0.962，且误差函数低于常规网络。该模型丰富了加密货币预测文献，通过将COVID-19、俄乌战争和以色列-哈马斯战争等重大地缘政治事件融入神经网络预测过程，展示了AIW-PSO自适应学习率优化可改善网络收敛行为，以较小预测性能提升为代价，降低所需网络深度。研究还提供了线性回归、常规神经网络、先进机器学习/深度学习模型及所提AIW-PSO优化神经网络的对比评估，并利用SHAP增强可解释性。尽管结果有前景，但存在局限性：输入变量较少，地缘政治事件为二进制编码，实验设计基于传统划分而非时序验证；未来工作将纳入更多宏观经济变量，并探索AIW-PSO与LSTM、GRU、XGBoost、Transformer等先进架构的集成。