5 有效性的威胁

在本节中，我们将讨论对我们的分析有效性的潜在限制和威胁。首先，我们的分析侧重于以太坊和比特币：这可能会对外部有效性构成威胁，因为对不同的加密货币进行分析可能会导致不同的结果。

第二，对内部效度的威胁与影响结果的混杂因素有关。基于经验证据，我们假设技术、交易和社会指标在我们的模型中是详尽无遗的。尽管如此，本研究可能忽略了其他可能影响价格变动的因素。

最后，结构效度的威胁集中在观察结果如何准确地描述感兴趣的现象上。价格变动的检测和分类是基于描述整个现象的客观数据。一般来说，技术指标和交易指标是以客观数据为基础的，通常是可靠的。社交媒体指标是基于通过使用公开数据集训练的深度学习算法获得的实验测量：这些数据集可能带有内在偏见，而这些偏见又会转化为情感和情绪的分类错误。

6 结论

在最近的文献中，人们曾多次尝试对主要加密货币的价格或其他市场指标的不稳定行为进行建模和预测。尽管许多研究小组致力于这一目标，密码货币市场的分析仍然是最有争议和难以捉摸的任务之一。有几个方面使解决这个问题变得如此复杂。例如，由于其相对年轻，加密货币市场是非常活跃和快节奏的。新加密货币的出现是一个常规事件，导致市场本身的组成发生意外和频繁的变化。此外，加密货币的高价格波动性及其“虚拟”性质同时也是投资者和交易员的福音，也是任何严肃的理论和实证模型的诅咒，具有巨大的实际意义。对这样一个年轻市场的研究，其价格行为在很大程度上还没有被探索，不仅在科学领域，而且对投资者和加密市场格局中的主要参与者和利益相关者都有着根本性的影响。

在本文中，我们旨在评估在“经典”技术变量中添加社会和交易指标是否会导致加密货币价格变化分类的实际改进（考虑每小时和每日频率）。这一目标是实现和基准广泛的深度学习技术，如多层感知器（MLP），多元注意长期短期记忆完全卷积网络（MALSTM-FCN），卷积神经网络（CNN）和长期短期记忆（LTMS）神经网络。我们在分析中考虑了比特币和以太坊这两种主要的加密货币，并分析了两种模型：一种是仅考虑技术指标的受限模型，另一种是包括社会和交易指标的非受限模型。

在限制性分析中，就准确度、精确度、召回率和f1分数而言，获得最佳性能的模型是MALSTM-FCN，比特币的f1平均分数为54%，以太坊的CNN为小时频率。在不受限制的情况下，LSTM神经网络对比特币和以太坊的平均准确率分别为83%和84%。对于无限制模型的小时频率分类，最重要的发现是，在模型中加入交易和社会指标可以有效地提高平均准确度、精确度、召回率和f1分数。我们已经证实，这一发现不是统计波动的结果，因为所有实施的模型都取得了相同的成果。出于同样的原因，我们可以排除结果依赖于特定的实现算法。最后，对于日常分类，当使用仅包含技术指标的受限模型时，MALSTM-CNF for Ethereum以99%的准确率实现了最佳分类性能。对于比特币而言，MLP的f1分数为55%，准确率为60%，无限制模型包括社交媒体指标和技术指标，在这种情况下，我们考虑比特币的f1分数和准确率，因为第3.4节中描述了略微不平衡的类别分布。对于日频率分类，我们可以看到，在一般技术指标单独表现更好的分类第二天的价格走势。我们向模型中添加的指标越多，性能下降的幅度就越大。 (责任编辑：admin)