本报告基于超过一年的分钟级价格数据,运用多种机器学习模型对加密货币与股票的价格时间序列进行分类,取得超过92%的准确率,显著表明两类资产反映了不同的投资者行为模式。通过提取包括均值、方差、峰值数量、自相关等多维度特征辅助分类,验证了价格模式差异的显著性,并通过随机标记实验排除模型过拟合可能,进一步提升了分类结果的可信度。结果对理解新兴资产类别与传统证券交易行为的差异提供了量化依据
| 特征类型 | LR准确率 | RF准确率 | SVM准确率 | KNN准确率 | GB准确率 |
|---|---|---|---|---|---|
| 价格时间序列 (P) | 65.81% | 94.37% | 66.86% | 84.59% | 91.63% |
| 收益率时间序列 (R) | 70.02% | 86.04% | 61.44% | 72.67% | 84.58% |
| 归一化价格时间序列 (NP) | 65.68% | 78.40% | 65.33% | 63.92% | 74.20% |
| 归一化收益率时间序列 (NR) | 69.46% | 80.96% | 68.09% | 70.86% | 79.16% |
| P+R | 64.81% | 96.05% | 66.36% | 87.92% | 93.47% |
| NP+NR | 70.12% | 84.88% | 71.21% | 71.42% | 82.88% |
报告标题: Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks
作者: Yu Zhang、Zelin W_U 和 Claudio Tessone
发布机构: Blockchain Distributed Ledger Technologies, IfI, University of Zurich, Switzerland
发布日期: 2025年2月26日接收
主题: 通过机器学习方法分析加密货币和股票价格时间序列,探讨两类资产的价格行为差异及投资者行为模式的异同。
核心论点与目标:
该报告聚焦于加密货币(Cryptocurrencies)与股票(Stocks)的价格时间序列数据,利用多种机器学习模型对两者的价格序列进行分类,旨在揭示两者之间显著的价格行为和投资者交易行为差异。作者首先通过高精度的分类结果证明加密货币与股票的定价行为显著不同,随后通过特征工程提取多种统计学指标(如均值、方差、峰度、偏度以及自相关等)并结合传统机器学习模型对分类效果进行解释,验证了这些特征可以部分阐释价格行为的差异。报告的主要信息是:加密货币作为一种新兴资产类别,其价格及投资行为与传统股票存在本质区别,这反映在其价格时间序列模式上,可通过机器学习准确区分两类资产。,1]
本章节回顾了比特币作为首个区块链支付系统的历史背景及其带来的资产类别革新,指出加密货币市场规模迅速增长(2024年交易规模约18万亿美元,同比增长130%),并强调加密货币虽命名为“货币”,但因高波动性无法完全担当传统货币职能,因此被视为新的投资工具,且与股票的基本面不同——缺乏企业实体支持。
进一步,作者提出核心研究问题:加密货币投资者在交易行为上是否与股票投资者类似?价格时间序列作为投资者行为的直接反映,成为该问题的研究切入点,并以此引出时间序列分类(Time Series Classification, TSC)的研究框架及相关机器学习方法背景,如动态时间规整(DTW)、形状变换(Shapelet Transform)、隐马尔可夫模型(HMM)、卷积神经网络(CNN)、循环神经网络(RNN)、LSTM和GRU等先进方法,作为后续分类模型设计的理论基础。
此设计体现了数据处理的严谨性,确保两类资产时间序列在同一时间框架、同一尺度下进行分类,方便模型对比训练。,2]
采用了9种模型涵盖深度学习与传统结构:
详细架构见表I,具体数学表达式解释了各层输入输出的计算流程,体现了对不同网络基础和特性的清晰理解和应用。,3,4]
images/5df431437da9cde9adb0a1b1cc1c1d2173acbbec56b73f507c2ec7467ca20a0c.jpg?page=10)images/77507e85ac937f00001d9a4e435af884170d3a56c531a8f3ec0cd496e2936428.jpg?page=10)本报告为应用机器学习分类研究,未涉及传统金融意义上的公司估值模型(例如DCF、PE比率等)。其估值意义体现在:
因此,报告提供的核心“估值”为价格行为模式的“可分辨度”而非传统的资产财务估值分析。
尽管本报告未明确风险章节,但可推断相关风险:
报告未详细提供风险缓解措施,但实验设计中的多次验证部分体现了一定的稳健控制。
本报告通过严谨的数据采集与预处理,利用多种机器学习模型对加密货币与股票价格时间序列分类实验,取得普遍高于90%、部分达到99%以上的准确率及F1指标。通过重复对加密和股票内部随机标签分类,排除模型本身及数据偏差带来的误导,强有力支持了两资产类别价格行为模式具有显著差异的结论。更长时间窗口(周度)和闭盘价这一关键特征对模型表现贡献最大。
随后,报告从多维度统计特征出发,提取均值、方差、峰度、偏度、自相关及峰值计数等指标,揭示了加密市场价格波动幅度广且峰值较少,而股票市场波动节奏更频繁、多峰。这些统计差异体现在机器学习基于特征的分类准确率高达96%,支持其作为投资行为差异的经济学解释。
最终,本研究确认,加密货币作为一种新兴资产,其价格时间序列反映出的投资者行为模式与传统股票市场存在根本不同,这一发现为金融领域资产分类、风险管理和投资策略提供了重要借鉴。
此外,作者指出在特征挖掘方面仍存在不足,未来工作需丰富特征维度,结合宏观因素,提升模型解释力度与泛化能力。
综上,报告通过精细数据处理和多模型对比,明确展示了加密货币与股票交易行为和价格模式的根本区别,实证和理论均具备较高质量和说服力,具有重要的学术价值和实际应用价值。
2504.12771v1.pdf