基于深度学习方法和分位数回归的加密货币价格预测研究.pdfVIP

摘要 交易市场上目前已经出现了上千种加密数字货币，引起了很多投资者和政府 部门的关注。在2020 年10 月，中国人民银行开展了第一批央行法定数字货币的 试点活动。最早诞生的加密数字货币比特币，是区块链技术的首次应用，具有去 中心化、匿名性等特点。近几年来，比特币在交易市场上的价格节节攀升，单枚 比特币的价格已经突破了数万美元。本文对比特币的价格进行预测研究，在价值 投资、政策制定和深度学习方法应用方面具有很重要的现实意义。 目前，关于加密数字货币的实证研究还比较少，很多学者只是从金融监管等 视角对加密数字货币的合法性进行了理论研究。本文主要是利用深度学习方法， 并结合分位数回归原理构建CNNQR、LSTMQR 和GRUQR 模型对比特币的历史 交易数据进行预测分析。在实证研究中，本文对比特币的价格进行了区间估计， 并将中位数回归结果作为点估计结果，选择了相应的评价指标对预测模型进行了 对比分析。 本文首先设计了一套深度学习分位数回归预测方案。区间估计结果表明：在 10%到90%分位数回归中，三种分位数回归模型的区间覆盖率都达到了较高水平， 而GRUQR 模型在平均区间宽度上的表现要优于其他两个模型；在 30%到70% 分位数回归中，CNNQR 模型在区间覆盖率上的表现要优于其他两个模型，而 GRUQR 模型在平均区间宽度上的表现要好于其他两个模型。中位数回归点估计 结果表明：GRUQR 模型表现出最好的预测性能，在RMSE 、MAPE 和Theil 不 等系数这三个指标上的表现都要优于其他模型。 由于单个预测模型在预测结果时存在很大的不确定性，为了更好地发挥每个 模型的预测优势，本文还设计了一套组合预测方案，采取了组合预测的方法将各 个模型的中位数回归预测结果进行集成融合。其中，岭回归方法的 RMSE 比 GRUQR 模型降低了6.40%，岭回归方法的MAPE 比GRUQR 模型降低了13.76%， 岭回归方法的Theil 不等系数比GRUQR 模型降低了6.40% 。 为了对深度学习分位数回归预测方案和组合预测方案的有效性进行检验，本 文在最后进行了 DM 检验。检验结果表明：结合了分位数回归的深度学习方法 比单一的深度学习方法预测精度更高，预测效果更好；岭回归组合预测方法与 GRUQR 模型的预测精度存在显著差异，岭回归组合预测方法结合了三种分位数 I 回归模型的优势，提高了预测精度，取得了更好的预测效果。 【关键词】深度学习；分位数回归；价格预测；岭回归 II 目录 1 绪论 1 1.1 选题背景 1 1.2 研究意义 1 1.3 本文的创新与不足 2 1.3.1 创新点 2 1.3.2 不足之处 2 1.4 研究方法与内容 3 1.5 本章小结 3 2 文献综述 5 2.1 数字货币的发展前景研究 5 2.2 加密数字货币的价格泡沫及价格影响因素研究 5 2.3 加密数字货币的价格预测研究 6 2.3.1 利用时间序列和线性回归模型预测 6 2.3.2 利用机器学习和深度学习方法预测 7 2.4 关于分位数回归和组合预测模型的研究 9 2.4.1 关于分位数回归预测模型的文献综述 9 2.4.2 关于组合预测模型的文献综述 10 2.5 本章小结 10 3 深度学习方法和线性回归介绍 11 3.1 神经网络的基本理论介绍 11 3.1.1 感知机 11 3.1.2 激活函数 11 3.1.3 损失函数和梯度法 14 3.1.