“CryptoPulse: Short-Term Cryptocurrency Forecasting with Dual-Prediction and Cross-Correlated Market Indicators”

论文地址：https://arxiv.org/pdf/2502.19349

摘要

加密货币市场的高波动性对投资者构成了重大挑战。当前的预测工具大多依赖于历史数据模式，未能充分考虑三个核心要素：宏观投资环境如何塑造投资者决策、新闻报道引发的市场情绪怎样左右投资策略，以及技术指标在短期内对价格变动的影响。

本文介绍了一种改进的双重预测框架，它不仅考量了宏观经济波动、特定加密货币的价格动态，还融合了基于市场情绪重新校准和整合的机制来预测下一个交易日的收盘价。通过这种综合方法，该模型能够在大多数情况下展现出比其他十种现有方法更高的准确性，实现了行业领先的表现。简而言之，这种方法旨在通过更加全面的数据分析视角，捕捉影响加密货币价值变化的多方面因素，从而为投资者提供更为精准的市场预测。这样不仅可以帮助投资者更好地理解市场动向，还能提高他们在高度不确定性的环境中做出明智投资决定的能力。

简介

加密货币因其价格的剧烈波动和区块链等技术革新而备受瞩目，吸引了众多寻求短期高额收益的投资者，这进一步加剧了市场的不稳定性。然而，传统的机器学习算法如支持向量机（SVM）和随机森林在加密货币的价格预测方面表现欠佳，难以捕捉市场中的复杂动态。与此同时，深度学习模型，例如长短期记忆网络（LSTM）和卷积神经网络与LSTM结合（CNN-LSTM），虽已被应用于主要加密货币的价格预测，但这些研究大多聚焦于市值较大的货币，忽略了流动性较低的币种。

近期的研究尝试将市场情绪分析与历史价格数据相结合来进行更精准的预测，但这类工作往往只针对比特币和以太坊，并且情绪数据的标注过程通常较为复杂。为了解决这些问题，“CryptoPulse”框架被提出，旨在通过三个方面来预测次日收盘价：

一是利用实时新闻反映的市场情绪；

二是基于目标加密货币的历史交易记录和技术指标；

三是考量主要加密货币所处宏观投资环境的变化。

“CryptoPulse”的主要贡献在于：首先，它提供了一套新的框架，用于预测次日的加密货币收益，该框架整合了短期内对关键市场信号的观察，包括但不限于市场情绪、宏观背景、技术分析以及内在价格变动趋势。其次，设计了一种创新的激励策略，采用少样本学习和一致性校准的方法，以便更高效地从加密新闻中提取市场情绪信息。再者，创建了一个双重预测系统，分别处理基于宏观经济状况和特定加密货币行情的价格预测，然后通过市场情绪导向的策略将两者融合，从而提升整体预测精度。最后，通过对一个全新构建的大规模真实世界数据集进行详尽测试，验证了该模型在预测次日价格方面的有效性。总之，“CryptoPulse”不仅拓宽了加密货币预测的研究范围，还提高了预测的准确性和实用性。

01问题建模

设集合 C = {c_i}^N 代表 N 种不同加密货币的历史价格记录，其中每个 c_i 包含一个特征向量序列 {f_t}^T。这些特征向量包含了如开盘价、收盘价、最高价、最低价、交易量以及各类技术分析指标等信息。另外，集合 D = {d_t}^T 表示从每日Cointelegraph新闻中收集的文章汇总。我们的目标是利用过去 l 天的市场价格数据、技术分析指标以及相关新闻内容，来预测特定加密货币在第 t+1 天的收盘价。

这一问题对于实现自动化加密货币交易系统尤为重要，特别是针对那些执行频率介于高频与低频之间的中频交易策略。通过精准预测未来一天的价格走向，投资者能够更有效地制定买卖决策，从而在波动性较大的加密市场中获取潜在收益。这种方法不仅提高了交易决策的速度和准确性，还可能为投资者带来相对于传统手动交易方法的竞争优势。总之，这种基于历史数据、技术分析以及新闻事件的综合预测模型，旨在提升加密货币交易策略的有效性和可靠性。

02CryptoPulse

CryptoPulse 包含三个核心组成部分：

• 基于宏观市场环境预测次日的波动情况；
• 基于价格动态进行波动性的预测；
• 结合市场情绪实施双重预测、重标定以及数据融合。

在正式进行预测之前，会有一个预处理阶段，此阶段的任务是通过计算一系列技术指标来准备输入数据，并利用过去几天的价格信息来识别和捕捉市场趋势及模式。这种方法确保了模型能够综合考量多种因素，从而为加密货币的次日收盘价提供更为精确的预测。简而言之，这一框架不仅关注宏观经济状况和价格走势，还特别强调了市场情绪的作用，并通过细致的数据处理步骤提升预测模型的整体性能。

基于技术指标的预处理

技术指标概述：采用七种广泛使用的技术指标来预测市场的走向，这些指标包括随机指标（%K和%D）、威廉姆斯百分比范围（%R）、累积/分配振荡器、动量指标、差异7、以及变化率（ROC）。

随机指标 %K：评估某一交易日的收盘价相对于过去14天内最高价与最低价区间的位置。如果该值超过80，则市场可能处于超买状态；若低于20，则可能处于超卖状态。

随机指标 %D：它是%K的3天简单移动平均，通过平滑%K的波动来帮助确认买入或卖出信号。

威廉姆斯百分比范围 %R：测量收盘价在最近14天价格区间中的相对位置。当其值低于-80时，表明市场可能超卖；而高于-20则意味着可能是超买情况。

累积/分配振荡器：用于监测市场中买卖压力的变化，如果振荡器上升，这通常表示购买力增强；反之，下降则暗示出售压力加大。

动量指标：计算一定时期内的价格变动率，用以指示趋势是否有可能反转或是持续发展。

差异7：对比当前价格与7日移动平均值，正值提示可能存在超买现象，而负值则可能显示超卖状况。

变化率（ROC）：将当前价格与12天前的价格进行比较，快速增加的高值可能预示着价格上涨的趋势，而低值或负值可能预警价格下跌的可能性。

基于宏观市场环境的波动预测

宏观市场环境，例如黄金和美元的价值变动以及政策调整等，对加密货币的价格波动有着显著影响。然而，量化这种复杂的宏观环境颇具挑战性。为了解决这个问题，本文提出了一种新颖的方法，即利用前n大加密货币的整体行为作为宏观投资环境的代表。具体来说，通过运用1D卷积层结合正弦位置编码技术来处理目标加密货币及其前n大加密货币的市场数据，包括开盘价、收盘价、最高价、最低价和交易量等信息。这种方法旨在识别哪些市场行为子序列能够有效地近似反映宏观投资环境，并通过注意力机制优化这些子序列的相关性权重。最终目标是利用学习得到的宏观投资张量来预测目标加密货币在次日的收盘价波动情况。

简而言之，本方法尝试通过分析排名前列的加密货币群体的行为模式，来捕捉宏观市场环境的变化，并将这些变化转化为可用于预测单个加密货币价格波动的有效信号。这种方法不仅考虑了宏观层面的因素，还结合了微观层面的具体市场动态，从而提供了一个更为全面的视角来进行加密货币价格预测。

价格动态波动预测

在尝试预测加密货币价格时，直接预测次日的收盘价往往效果不理想，主要是因为市场的高度波动性使得精确预测变得复杂。为改进预测准确性，建议首先对价格波动进行预测，然后再结合前一日的收盘价来重构出次日的价格预期。这种方法通过两步走的方式减轻了市场波动带来的影响。具体到模型设计上，无论是采用Transformer结合线性层的架构，还是使用NLinear结构来专门针对波动性进行预测，并通过线性层与前一天的收盘价数据相结合来进行归一化处理，都能达到类似的效果。

换句话说，这种策略强调先理解市场的波动模式，再利用这些信息结合已知的价格点（即前一日的收盘价）来推算未来的价格走势。这样的做法有助于提高预测的可靠性，即便是在那些价格变动剧烈、难以捉摸的市场环境中也是如此。通过这种方式，不仅可以更准确地捕捉到价格的潜在变化趋势，还能有效地将这些趋势转化为具体的价位预测。

市场情绪导向双预测重测与融合

市场情绪对加密货币的波动有着显著的影响，然而传统的分析方法在实时应用上存在一定的局限性。为了克服这一挑战，利用大型语言模型（LLMs）进行情绪分析成为一种有效的解决方案。这其中，设计出能够有效引导模型理解任务的提示策略显得尤为重要。通过采用类似于“智囊团讨论”的提示方式，并结合少量样本学习技术，可以模拟交易者面对新闻时的情绪反应，进而使用3-way-kshot学习方法来提升预测的准确性。

一旦获得了市场情绪的数据，就可以将其用于调整波动预测的范围。具体做法是将情绪向量嵌入到预测模型中，并与价格动态数据相结合，以此增强模型对于不同加密货币的泛化能力。这种综合考虑了市场情绪和价格走势的方法，不仅有助于更精确地捕捉市场的即时变化，还能使预测模型在处理多样化的加密货币时表现得更加稳健和可靠。

简而言之，这种方法强调首先通过创新的提示工程策略获取准确的市场情绪，然后将这些情绪信息整合进价格波动预测模型中，以期获得更加精准和可靠的市场预测结果。这代表了一种将定性的情绪分析与定量的价格数据分析相结合的新趋势，旨在提高加密货币市场预测的整体效能。

03实验

数据集

该数据集汇集了多个来源的信息，主要包括以下几个方面：历史价格数据来源于Yahoo Finance，包含了从2021年1月1日至2024年4月1日期间，市值超过80亿美元的75种加密货币的价格记录，这些货币覆盖了市场总市值的92.18%。此外，还包括基于这些价格信息计算得出的七种常用技术分析指标。同时，还收集了来自Cointelegraph的加密货币相关新闻，共计25,210篇文章，其时间跨度与价格数据一致，均为2021年1月1日至2024年4月1日。

这种全面的数据集合不仅涵盖了广泛的市场价格动态，也包括了可能影响市场的新闻事件，从而为研究提供了坚实的基础，并有助于确保研究发现具有较高的普遍适用性和可靠性。通过整合这些多样化的数据源，研究人员能够更全面地理解加密货币市场的运作机制及其受新闻情绪等因素影响的方式。

实验设置

在实验设计中，观察窗口被设定为固定的7天周期。整个数据集按照7:1:2的比例分配给训练集、验证集和测试集，并且最终的结果是通过平均五次独立实验得出的。为了评估模型性能，采用了均方误差（MSE）、平均绝对误差（MAE）以及经过归一化的交叉相关（CORR）作为评价标准，这些指标用于衡量预测价格与实际价格之间的相似度。特别地，CORR指标经过调整后，其结果范围限定在0到1之间，数值越接近于1意味着预测精度越高。

为了进行全面比较，研究中共引入了十种当前最先进的基准模型，其中包括四种时间序列预测方法、三种循环神经网络（RNN）方法、一种混合型RNN方法以及两种传统的机器学习算法。所有参与对比的模型都在一致的配置下运行，特别是在使用滚动窗口技术时，窗口大小固定为3个单位。这样的设置确保了不同模型之间的公平性，使得性能差异能够真实反映各自方法的特点和优势。此外，统一的实验条件有助于识别出最适合处理特定类型时间序列数据的方法，从而为后续的研究提供有价值的参考依据。

结果

在对CryptoPulse模型与十个最先进（SOTA）模型的性能进行评估时，研究集中考察了市值排名前五的加密货币以及进一步扩展到前十、前十五和前二十个加密货币的平均表现。结果表明，无论在哪种情况下，CryptoPulse都显著超越了其他对比方法。对于市值最高的五个加密货币，CryptoPulse在平均绝对误差（MAE）方面实现了10.4%至63.8%的改进，在均方误差（MSE）方面则提升了17.2%至69.0%。当评估范围扩大到更多的加密货币时，该模型同样表现出色，MAE提升了42.2%至46.9%，而MSE的提升幅度为41.8%至47.9%。

研究表明，传统机器学习模型如支持向量机（SVM）和随机森林（RF）的表现不及深度学习模型，这可能是由于它们表达能力有限。通过消融实验排除情绪数据后，传统模型的表现依然不佳，进一步证实了这一点。尽管循环神经网络（RNN）模型在某些场景下仍能提供良好的预测，特别是门控循环单元（GRU）模型，在处理动态变化的加密货币数据时不易发生过拟合，其预测的相关性也更加稳定。

值得注意的是，线性模型并不总是优于Transformer架构的模型。例如，DLinear和Linear模型在一些实例中不如Autoformer模型，而NLinear则在多数情况下超越了Autoformer。这是因为线性模型未能有效捕捉不同时间序列之间的复杂相关性，而Transformer模型在这方面具有优势。此外，DLinear和Linear模型在高波动性环境中使用MSE作为评价标准时，稳定性较差。

值得注意的是，线性模型并不总是优于Transformer架构的模型。例如，DLinear和Linear模型在一些实例中不如Autoformer模型，而NLinear则在多数情况下超越了Autoformer。这是因为线性模型未能有效捕捉不同时间序列之间的复杂相关性，而Transformer模型在这方面具有优势。此外，DLinear和Linear模型在高波动性环境中使用MSE作为评价标准时，稳定性较差。

趋势分析在时间序列预测中扮演着重要角色，DLinear和Autoformer模型明确考虑了趋势模式。然而，如果移动平均趋势调节不当，可能会导致DLinear模型在加密货币市场的极端波动中变得不稳定。相比之下，Autoformer在平衡季节性和趋势周期成分上做得更好，因此提供了更为稳定的预测结果。鉴于加密货币市场中的长期模式稀缺，短观察窗口对于影响次日预测至关重要。这种设计选择有助于提高模型在快速变化市场环境下的适应性和准确性。

消融分析

通过进行消融研究以排除新闻情感数据的影响，发现虽然情感数据通常能够提升加密货币预测的性能，但在五个具体案例中，NLinear模型在没有这些情感数据的情况下表现更优。这表明情感标签作为时间序列数据的一部分可能会引入噪声，从而对某些模型的预测能力产生负面影响。特别是，DLinear和Linear模型在是否包含情感数据时的表现差异显著，这揭示了它们在这种情况下的不稳定性。

另外一项消融研究去除了技术指标后发现，包含技术指标实际上可以增强模型的整体性能。其中，DLinear和Autoformer从这种特征添加中获得了最大的益处，而我们自己的模型也显示出了轻微的改进。这是因为技术指标基于深厚的金融领域知识，能够为自动化趋势分析模型提供更加精准的市场洞察力，从而有助于提高预测的准确性16。综上所述，尽管情感数据对于改善预测结果具有潜在价值，但其应用需要谨慎考虑可能带来的噪声问题；同时，技术指标的加入对提升模型性能具有积极影响。

鲁棒性

我们通过计算五个独立实验中平均绝对误差（MAE）的标准差来评估不同模型的稳健性，这一比较覆盖了排名前五、前十、前十五和前二十的加密货币。标准差较低意味着模型在多次训练运行中的结果更加一致且稳定。特别关注了基于线性模型、基于Transformer的模型以及我们自己的模型，因为这些模型在整个实验过程中表现突出。结果显示，我们的模型在处理前十、前十五和前二十种加密货币时拥有最小的标准差，在前五种加密货币的表现上与顶尖模型相当。尤其是在那些市值较小且通常波动更大的加密货币上，我们的模型展示了尤为出色的稳定性，而基于线性的模型如Linear和DLinear在这类加密货币上的表现则相对较弱。这样看来，我们的模型不仅在一致性方面表现出色，而且在预测那些更具波动性的加密货币时也显得更为可靠。

04总结

本文介绍了一种名为“CryptoPulse”的新型预测模型，旨在预估加密货币次日的收盘价格。该模型融合了三个关键因素：整体市场的波动情况、特定加密货币的价格变动以及技术分析指标的变化，并结合了市场情绪的数据。通过一个双重预测机制，CryptoPulse能够同时关注宏观经济状况和目标加密货币的具体动态。此外，模型还利用市场情绪的信息来增强其预测的准确性。经过一系列实验评估表明，相比于其他十种不同的预测方法，CryptoPulse在预测加密货币价格波动方面展现出了更高的精确度，这使得它成为处理高度不确定性的加密货币市场的一个有效工具。因此，这种模型为投资者提供了一个有力的方式来应对加密货币市场的复杂性和不可预测性。