高维技术指标与机器学习模型融合预测加密货币价格走势及交易绩效:基于比特币、以太坊和瑞波币的实证研究

《FinTech》:Integrating High-Dimensional Technical Indicators into Machine Learning Models for Predicting Cryptocurrency Price Movements and Trading Performance: Evidence from Bitcoin, Ethereum, and Ripple

【字体: 大 中 小 】 时间:2025年12月26日 来源:FinTech CS6.2

编辑推荐:

  本研究系统比较了逻辑回归(LR)、随机森林(RF)、XGBoost、支持向量分类器(SVC)、K近邻(KNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)在预测主流加密货币(BTC、ETH、XRP)日度价格方向中的表现。通过整合86种技术指标并进行严格的数据预处理(包括平稳性检验和主成分分析PCA),研究发现XGBoost在BTC和XRP预测中分类准确率最高(分别为55.9%和53.8%),而LR在ETH预测中表现最佳(准确率54.4%)。交易模拟显示,基于XGBoost的策略在BTC和XRP上实现了最优风险调整后收益(夏普比率分别为1.78和1.59),LSTM则在ETH交易中表现突出。结果表明,经过严谨特征工程的机器学习策略能有效捕捉短期价格动态并超越买入持有基准。

  
引言
自2009年比特币(Bitcoin, BTC)问世以来,加密货币已从小型数字实验发展为重塑全球市场的重要资产类别。截至2025年10月,全球加密货币总市值突破4万亿美元,展现出极强的市场活力。在众多数字资产中,比特币(BTC)、以太坊(Ethereum, ETH)和瑞波币(Ripple, XRP)凭借其市值和全球影响力成为代表性标的:BTC作为数字价值存储的基准,ETH支撑去中心化金融和智能合约应用,XRP则专注于跨境支付解决方案。然而,加密货币价格序列具有高波动性、厚尾分布和结构突变等特征,使传统计量模型预测效果受限。机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)方法因其能从历史数据中学习非线性时序模式,逐渐成为加密货币预测的主流工具。
文献综述
现有研究可分为三类:一是基于经典ML模型(如随机森林RF、支持向量机SVM)与中低维特征集的工作,例如Sun等利用Alpha101因子构建随机森林模型,发现因子特征能捕捉价格非线性关系;二是聚焦深度学习架构(如LSTM、GRU、CNN-LSTM混合模型)的预测,如Hamayel等比较LSTM、GRU和双向LSTM在BTC、ETH和莱特币上的表现,GRU在预测误差和收敛速度上最优;三是引入情感、社交媒体等替代数据增强预测性能的研究,如Ortu等将Reddit和GitHub情感指标加入模型,使方向预测准确率提升至67%–84%。然而,现有工作多存在资产覆盖有限、特征集规模较小、维度缩减处理不足、模型对比不统一及回测协议不透明等问题。本研究通过构建高维技术指标池、实施平稳性转换与PCA降维,并在统一回测框架下对比七类模型,弥补了上述研究缺口。
材料与方法
数据来源于雅虎财经(Yahoo Finance),覆盖2017年12月1日至2025年10月1日的日度OHLCV(开盘价、最高价、最低价、收盘价、成交量)数据。描述性统计显示,BTC平均价格最高且波动相对温和,ETH价格较低但收益率波动更大,XRP则呈现极高的峰度(34.134),表明其收益率分布具有厚尾特性。
预处理阶段包括:(1)特征构建:利用TA库生成86种技术指标,涵盖动量、趋势、波动性等五类;(2)平稳性转换:对所有数值特征进行Augmented Dickey–Fuller(ADF)检验,非平稳序列转换为百分比变化;(3)标准化:使用Standard Scaler对特征进行Z-score标准化;(4)降维:通过主成分分析(PCA)保留25个主成分(累计方差解释度约90%);(5)目标变量定义:以次日收盘价是否高于当日作为二分类标签(1表示上涨,0反之)。
模型构建涵盖七种算法:逻辑回归(LR)作为基线模型;随机森林(RF)通过Bootstrap聚合降低过拟合;XGBoost以梯度提升框架优化损失函数;支持向量分类器(SVC)利用核函数处理高维特征;K近邻(KNN)基于欧氏距离进行局部分类;长短期记忆网络(LSTM)通过遗忘门、输入门和输出门控制信息流;门控循环单元(GRU)以更简化的更新门和重置门结构捕捉时序依赖。
模型训练采用时序分割(80%训练、20%测试),超参数通过随机搜索结合TimeSeriesSplit交叉验证优化。评估指标包括准确率、精确率、召回率和F1-score。回测模拟基于简单多头策略:预测为1时买入持有至下一收盘日,预测为0时空仓。绩效指标涵盖累计收益率、夏普比率(Sharpe Ratio)、最大回撤(Maximum Drawdown, MDD)和胜率(Win Ratio, WR),并与买入持有(Buy-and-Hold, B&H)基准对比。
结果与讨论
BTC-USD结果:XGBoost分类准确率最高(55.9%),SVC的F1-score最优。回测中XGBoost累计收益达141.4%,夏普比率1.78,显著优于B&H基准(累计收益98.5%,夏普比率0.97)。LSTM亦表现稳健,累计收益131.7%,夏普比率1.52。模型策略普遍呈现更低回撤,说明ML方法能有效控制下行风险。
ETH-USD结果:LR分类准确率领先(54.4%),但LSTM在交易中表现最佳,累计收益138.2%,夏普比率1.05。SVC虽召回率高,但累计收益(92.6%)和波动控制弱于LSTM。ETH市场的高噪声使预测信号向利润的转化效率低于BTC。
XRP-USD结果:XGBoost分类准确率53.8%,回测累计收益246.6%,夏普比率1.59。尽管B&H基准因XRP的极端收益实现更高终端收益(405.8%),但XGBoost策略的夏普比率(1.59 vs 0.89)和最大回撤(-25.3% vs -68.1%)显著优于被动持有,凸显其风险调整优势。
跨资产比较显示:BTC趋势性强,ML模型易捕捉规律;ETH噪声较高,模型表现分化;XRP的厚尾特性使B&H基准在样本内收益突出,但主动策略能提供更平滑的资金曲线。与Pintelas等(2022)和Livieris等(2023)研究相比,本研究在相似准确率水平下,通过高维特征工程和透明回测,实现了更优的夏普比率和风险控制。
结论
研究表明,结合高维技术指标和机器学习模型能有效预测加密货币短期价格方向。XGBoost和LSTM在不同资产中展现稳定优势,而严谨的数据预处理(如平稳性转换和PCA)是提升模型泛化能力的关键。尽管预测准确率普遍在55%左右,但风险调整后收益显著超越被动投资,证明ML策略在加密货币交易中的实用价值。未来工作可探索多类别目标变量、跨资产泛化性测试以及情感数据的整合,以进一步提升模型适应性和鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号