基于经验模态分解方法的比特币价格波动分析及预测方法研究

发布时间：2020-06-08 07:55

【摘要】：比特币是一种极富争议且具有颠覆性的数字货币,它是计算机技术、密码学原理与自由主义经济思想的奇妙结合的产物。它有总量有限、去中心化、交易记录透明公开不可篡改等信用货币不具备的特点。比特币具有商品属性和货币属性,既能用来投资投机,也能用来进行支付交易。比特币价格的波动也异于传统货币和大宗商品的价格变化。因此,分析和预测比特币价格的走势也就成为理论界和投资界关注和研究的热点。2013年以来,由于受到多种因素的影响,比特币价格经历了数次大跌大涨,对世界各国的影响也越来越大。在贸易保护主义抬头和世界经济增长趋缓的背景下,比特币日渐成为人们理财和投资的工具之一,能否对比特币价格和走势进行分析判断就显得极其重要。比特币投资者只有深刻理解比特币价格的波动机制及比特币价格走势才能够有效规避比特币价格的波动风险,进而获得理想的投资收益。本文提出了一种基于集成经验模态分解方法(EEMD)的比特币价格波动分析及预测方法。本文以2013年1月4日至2017年4月12日的比特币价格序列的日度数据为研究对象,首先对比特币价格进行描述性统计分析以了解比特币价格的基本特征,其次运用EEMD技术将比特币价格序列分解成10个不同频率的分量(包括9个本征模态(IMF)和1个残差项)。首先,本文对分解后的分量做了如下分析:1、计算各个IMFs的平均周期;2、分析IMFs与比特币价格原始序列的相关性及其方差贡献率。其次,采用重构算法把这些不同频率、尺度各异的IMFs叠加成三个新的分量,按照频率的不同可以分为:低频分量、高频分量和趋势分量,本文从三个时间尺度分别对比特币价格时间序列进行理论分析和特征分析。本文得出的结论为:比特币价格主要受长期趋势、重大事件和市场短期波动所影响。在此基础上,本文接下来尝试对比特币价格进行预测分析。由于比特币价格是非线性和非平稳的时间序列,所以精确预测其价格的走势就变得富有挑战性。一般的统计学和计量经济学模型是基于所研究的数据是线性的这一假设之上的,要提取隐匿在比特币价格中的非线性模式是极其困难的,因此普遍不能获得比特币价格精确的预测结果。为了突破统计学和计量经济学模型的这一缺陷,本文尝试提出一种以EEMD和LSTM(长短期循环神经网络)为基础的EMD-LSTM模型预测方法。该方法采用EEMD把比特币价格序列分解成若干个不同频率和尺度的分量,根据各个分量频率高低不同重构成三个新的序列,他们分别代表短期市场波动项、中期重大事件项、长期趋势项;针对此三个序列,构建参数不同的LSTM模型分别预测得到三个预测值序列。采用均方误差根(RMSE)、平均绝对百分误差(MAPE)和平均绝对偏差MAD(Mean Absolute Deviation)。度量实验中各个模型的预测误差大小,最后,把三个预测值序列相加得到最终预测值。结果显示,本文采用的预测方法的预测结果相比于单一的LSTM模型要好。
【图文】：

交易过程,资料来源,机制,所有者

生控制在平均十分钟。前四年，每挖取一个新区块，系统奖励，每挖取一个新区块，奖励 25BTC，再接下来四年是 12.5BT100 万比特币全部被开采完。易机制是指一个用户用比特币向另一个用户进行支付的过程。在图和 3 是一笔比特币不同时点上的所有者。一笔比特币要从所有的账户里，，所有者 1 必须首先知道所有者 2 的公钥，然后所有钥将有关比特币的交易数量、这笔比特币此前的交易记录以及钥）签署成数字信息，并向整个网络发布，由整个网络验证后功的从所有者 1 转入到所有者 2 的账户。由图 1.1 可知，交易有者 2 的私钥信息通过 SHA-256 算法得到一个散列即哈希值之后，这些信息形成了交易 2，实现了比特币从所有者 1 到所此类推，如果所有者 2 向所有者 3 支付这笔比特币，通过同样就可以进步一步延伸。

示意图,区块,外文,示意图

区块链示意图
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F821;F49

【相似文献】