中心化稳定币Tether的姊妹公司Bitfinex宣布已偿还Tether贷款余额，但法律诉讼仍在继续
Author(s): Fan Fang, Carmine Ventre, Michail Basios, Hoiliong Kong, Leslie Kanthan, Lingbo Li, David Martinez-Regoband, Fan Wu
URL: http://arxiv.org/abs/2003.11352
概述
近年来，加密钱币相关的金融机构数目呈加速增进趋势。加密钱币逐步被资产治理公司纳入投资治理。只管它们与更传统的资产有一些配合点，但它们自己有一些怪异的性子，它们作为资产仍在被明白的历程中。因此，总结现有关于加密钱币生意的研究论文和功效异常主要，包罗可用的生意平台、生意信号、生意计谋研究和风险治理。本文对加密钱币生意研究举行了周全的综述，涵盖了126篇关于加密钱币生意各个方面的研究论文（如加密钱币生意系统、泡沫和极端条件、颠簸率和收益展望、加密资产组合构建和加密资产、手艺生意等）。本文还剖析了数据集、研究趋势以及在研究工具（内容/属性）和手艺之间的漫衍，最后总结了在加密钱币生意中仍然存在的一些有希望的机遇。
1. 简介
只管加密钱币是新泛起的看法，但它的快速的生长已经获得市场普遍的接受。许多对冲基金和资产治理公司已最先将加密钱币相关资产纳入其投资组合和生意计谋。学术界在研究加密钱币生意方面也付出了相当大的起劲。本文旨在对加密钱币生意的研究举行一个周全的综述，即任何旨在促进和确立加密钱币生意计谋的研究。
作为一个新兴市场和研究偏向，加密钱币和加密钱币生意已经取得了长足的提高，人们的兴趣和流动也有了显著的上升[103]。从图1中，我们观察到，自2018年以来，跨越85%的论文已经揭晓，证实了加密钱币生意作为金融生意的一个新研究领域的泛起。
凭据加密钱币生意这些文献漫衍在六个差别方面：
- 加密钱币生意软件系统（即实时生意系统、海龟生意系统、套利生意系统）；
- 系统生意，包罗手艺剖析、配对生意和其他系统生意方式；
- 新型生意手艺，包罗计量经济学方式、机械学习手艺和其他较新的生意方式；
- 投资组合和加密钱币资产，包罗共生加密钱币和加密资产投资组合研究；
- 市场状态研究，包罗泡沫[106]或溃逃剖析和极端情形；
- 其他杂项加密钱币生意研究。
在这项观察中，我们的目的是汇编这些领域中最相关的研究，并提取一组形貌性指标，这些指标可以给出这一领域的成熟度研究水平的想法。
已经有相关事情讨论或部门观察与加密钱币生意相关的文献。Kyriazis等人[166]观察了加密钱币市场的效率和有利可图的生意机遇。Ahamad等人[4]和Sharma等人[221]对加密钱币举行了简要的观察。Ujan等人[191]简要先容了加密钱币系统。Ignasi等人[186]对比特币文献举行了文献计量剖析。这些事情功效集中在加密钱币的特定领域，包罗加密钱币和加密钱币市场先容、加密钱币系统/平台、比特币文献综述等。但据我们所知，之前没有任何人提供过一个周全的观察，稀奇是集中在加密钱币生意方面。
综上所述，本文做出了以下孝敬：
- 界说。本文对加密钱币生意举行了界说，并将其分为：加密钱币市场、加密钱币生意模子和加密钱币生意计谋。这项观察的核心内容是加密钱币的生意计谋，而我们涵盖了它的所有方面。
- 多学科观察。本文对126篇加密钱币生意论文举行了周全观察，涉及金融经济学、人工智能和盘算机科学等差别学科。有些论文可能涉及多个方面，并将针对每个种别举行观察。
- 剖析。本文剖析了加密钱币生意文献的研究漫衍、数据集和趋势。
- 视野。本文指出了加密钱币生意面临的挑战和未来的研究偏向，旨在促进进一步的研究。
图2形貌了论文结构，它由所接纳的评审模式决议。有关这方面的更多详细信息，请参阅第4节。
2. 加密钱币生意
本节先容加密钱币生意。我们将讨论区块链手艺、加密钱币市场和加密钱币生意计谋。
2.1. 区块链
2.1.1. 区块链手艺先容
区块链是一个经济生意的数字账本，不仅可以用来纪录金融生意，还可以纪录任何具有内在价值的工具。[232]. 区块链最简朴的形式是一系列带有时间戳的不能变数据纪录，由不属于任何单一实体的一组机械治理。这些数据块中的每一个都受到加密原理的珍爱，并在一个链中相互联络（参见图3中的事情流）。
像比特币这样的加密钱币是在对等网络结构上制造的。每个对等方都有所有生意的完整历史纪录，从而纪录每个账户的余额。例如，一个生意，上面写着“A向B支付X比特币”，由A使用其私钥署名。署名后，该事务将在网络上广播。当对等节点发现一个新的生意事务时，它会检查以确保署名有用。若是验证是有用的，那么该区块将被添加到链中。
2.1.2. 从区块链到加密钱币
确认是加密钱币中的一个要害看法；只有矿工才气确认生意。矿工向区块链添加区块；他们检索前一个区块中的生意，并将其与前一个区块的哈希相连系以获得其哈希，然后将派生的哈希存储到当前区块中。区块链中的矿工接受生意，将其符号为正当生意，并通过网络举行广播。矿工确认事务后，每个节点必须将其添加到其数据库中。用外行的话说，它已经成为区块链的一部门，矿工们从事这项事情是为了获得加密钱币代币，好比比特币。与区块链差别，加密钱币与使用基于漫衍式账本手艺的代币有关。任何涉及购置、销售、投资等的生意都涉及区块链原生代币或子代币。区块链是一种驱动加密钱币的平台，是一种充当网络漫衍式账本的手艺。网络缔造了一种生意手段，实现了价值和信息的通报。加密钱币是这些网络中用来通报价值和支付这些生意的代币。它们可以被以为是区块链上的工具，在某些情形下还可以作为资源或实用工具发挥作用。在其他情形下，它们被用来数字化资产的价值。总之，加密钱币是基于区块链手艺的生态系统的一部门。
2.2. 加密钱币市场简介
2.2.1. 什么是加密钱币？
加密钱币是一种去中央化涣散的交流前言，它使用加密功效举行金融生意[90]。加密钱币行使区块链手艺获得去中央、透明和不能变[187]等特征。在上面，我们讨论了区块链手艺是若何应用于加密钱币的。
一样平常来说，加密钱币的平安性是确立在密码学的基础上的，既不是人也不是信托[194]。例如，比特币使用一种称为“椭圆曲线”的方式来确保涉及比特币的生意是平安的[246]。椭圆曲线密码是一种依赖数学来保证生意平安的公钥密码。当有人试图用暴力来绕过上述加密方案时，他们每秒钟实验2500亿种可能性时，需要宇宙岁数的十分之一才气找到一个值匹配[118]。就其作为钱币的用途而言，加密钱币与钱币具有相同的属性。它的供应是可控的。大多数加密钱币限制代币的供应。比特币，供应量将随着时间的推移而削减，并将在2140年左右到达最终数目。所有加密钱币通过区块链中编码的时间表控制代币供应。
加密钱币最主要的特征之一是没有金融中介机构[125]。没有“中心人”会降低生意者的生意成本。相比之下，若是一家银行的数据库遭到黑客攻击或损坏，该银行将完全依赖其备份来恢复任何丢失或受损的信息。有了加密钱币，纵然部门网络遭到损坏，其余部门仍能准确验证生意。加密钱币尚有一个主要特点，即不受任何中央机构的控制[217]：区块链的去中央涣散性子确保了加密钱币理论上不受政府控制和干预。
停止2019年12月20日，共有4950种加密钱币和20325种加密钱币市场；市值约为1900亿美元[78]。图4显示了全球市值和24小时生意量的历史数据[238]。总市值的盘算方式是将所有加密钱币的美元市值相加。从图中，我们可以观察到加密钱币若何在2017年履历指数增进，并在2018年头履历一个伟大的泡沫破灭。但近年来，加密钱币泛起了企稳迹象。
有三种主流加密钱币：比特币（BTC）、以太坊（ETH）和莱特币（LTC）。比特币诞生于2009年，获得了伟大的人气。2008年10月31日，一小我私家或一群化名为Satoshi Nakamoto的小我私家公布了比特币白皮书，并将其形貌为：“一种纯粹的对等电子现金版本，无需经由生意对手即可通过网络将一方支付给另一方，以太坊由Vitalik Buterin于2015年推出，是一个特殊的区块链，自带有一个名为Ether（生意所中的ETH符号）的代币令牌。以太坊的一个异常主要的特征是能够在以太坊区块链上建立新的代币。以太坊网络于2015年7月30日上线，并预采了7200万个以太坊。Litecoin是由Charlie Lee建立的点对点加密钱币。它是凭据比特币协议建立的，但它使用了差别的哈希算法。Litecoin使用内存麋集型的事情证实算法Scrypt。
图5显示了加密钱币总市值的百分比；比特币和以太坊占有了总市值的绝大部门（2020年1月8日网络的数据）。
2.2.2. 加密钱币生意所
加密钱币生意所或数字钱币生意所（DCE）是一种允许客户生意加密钱币的营业。加密钱币生意所可以是做市商，通常将生意价差作为服务佣金，或作为配对平台，只需收取用度。
表1显示了凭据“nomics”网站[199]体例的按数目排列的顶级或经典加密钱币生意所。芝加哥商业生意所（CME）、芝加哥期权生意所（CBOE）以及BAKKT（由纽约证券生意所支持）都是受羁系的加密钱币生意所。法币数据也来自“经济学”网站[199]。羁系机构和上市生意所支持的钱币从官方网站或博客上网络。
2.3. 加密钱币生意
2.3.1. 界说
首先给出了加密钱币生意的界说。界说1。加密钱币生意是以盈利为目的生意加密钱币的行为。
加密钱币生意的界说可以分为三个方面：生意工具、生意模式和生意计谋。加密钱币生意的工具是被生意的资产，即“加密钱币”。加密钱币生意的运作模式取决于加密钱币市场的生意手段，可分为“差价生意（CFD）”（双方之间的条约，通常称为“买方”和“卖方”，划定买方将在头寸竣事时向卖方支付自己与“通过生意所生意加密钱币”之间的差额。加密钱币生意中的生意计谋是由投资者制订的一种算法，它界说了一组在加密钱币市场上生意的预界说规则。
2.3.2. 加密钱币生意的优势
加密钱币生意的利益包罗：
猛烈颠簸。加密钱币的颠簸性通常可能会吸引投契性兴趣和投资者。日内价钱的快速颠簸可以为生意者提供伟大的赚钱机遇，但也包罗了更多的风险。
24小时市场。加密钱币市场每周7天，天天24小时开放生意，由于它是一个去中央化涣散的市场。与传统生意股票和大宗商品差别，加密钱币市场不是在一个地址举行实物生意。加密钱币生意可以发生在小我私家之间，在世界各地的差别场所，只要能毗邻上网。
近乎匿名。使用加密钱币购置商品和服务是在网上举行的，不需要公然自己的身份。随着对身份偷窃和隐私的日益关注，加密钱币可以为用户提供一些隐私方面的优势。差别的生意所有特定的“领会你的客户”（Know Your Customer，KYC）权衡尺度，用于识别用户或客户[3]。KYC在生意所的答应允许金融机构降低金融风险，同时最大限度地提高钱包所有者的匿名性。
P2P对等生意。加密钱币最大的利益之一是不需要金融机构中介。如上所述，这可以降低生意成本。此外，这个特征可能会吸引那些不信托传统系统的用户。在这种情形下，场外（OTC）加密钱币市场在区块链上提供点对点生意。最著名的加密钱币场外生意市场是“LocalBitcoin[176]”。
可编程的“智能”功效。一些加密钱币可以给持有者带来其他利益，包罗有限的所有权和投票权。加密钱币还可能包罗实物资产（如艺术品或房地产）的部门所有权权益。
3. 加密钱币生意计谋
加密钱币生意计谋是本次观察的重点。生意计谋有很多种，大致可以分为两大类：手艺计谋和基本计谋。它们的相似之处在于，它们都依赖于可量化的信息，这些信息可以凭据历史数据举行回溯测试，以验证它们的性能。近年来，第三种生意计谋，我们称之为量化计谋，受到越来越多的关注。这种生意计谋与手艺生意计谋类似，由于它使用生意所的生意流动信息来做出买入或卖出决议。量化生意者用量化的数据确立生意计谋，主要是从价钱、成交量、手艺指标或比率中提取，行使市场的低效，由生意软件自动执行。加密钱币市场差别于传统市场，它有更多的套利机遇、更高的颠簸性和透明度。由于这些特点，大多数生意员和剖析师更喜欢在加密钱币市场中使用量化生意计谋。
3.1. 加密钱币生意软件系统
软件生意系统允许国际生意，处置客户账户和信息，接受和执行生意指令[50]。加密钱币生意系统是一套预先体例了原则的程序，允许加密钱币之间以及法定钱币和加密钱币之间的生意。加密钱币生意系统旨在战胜价钱操作、网络犯罪流动和生意延迟[21]。在开发加密钱币生意系统时，我们必须思量资本市场、基础资产、投资设计和计谋[190]。计谋是有用的加密钱币生意系统中最主要的部门，下面将先容这些计谋。有几种商用的加密钱币生意系统，例如Capfolio、3Commas、CCXT、Freqtrade和Ctubio。通过这些加密钱币生意系统，投资者可以从专业的第三方咨询公司和快捷的客户服务中获得专业的生意计谋支持、公正透明。
3.2. 系统生意
系统生意是界说生意目的、风险控制和规则的一种方式。一样平常来说，系统生意包罗高频生意和系统趋势跟踪等较慢的投资类型。本文将系统性加密钱币生意分为手艺剖析、配对生意等。加密钱币生意中的手艺剖析是行使生意数据的历史模式来辅助生意者评估当前和展望未来的市场状态，以便举行有利可图的生意。价钱和成交量图表总结了市场参与者在生意所举行的所有生意流动，并影响他们的决议。一些实验注释，使用特定的手艺生意规则可以发生超额收益，这对加密钱币生意员和投资者做出最佳生意和投资决议异常有用[116]。配对生意是一种系统化的生意计谋，它思量了两种利差略有差别的类似资产。若是价差扩大，做空高股，买入低股。当价差再次缩小到某个平衡值时，就会发生利润[94]。本节所展示的论文涉及手艺指标、配对和知情生意等计谋的剖析和对照。
3.3. 新兴生意手艺
加密钱币的新兴生意计谋包罗基于计量经济学和机械学习手艺的计谋。
3.3.1. 加密钱币计量经济学
计量经济学方式运用统计和经济理论相连系的方式来估量经济变量并展望其价值[244]。统计模子使用数学方程对从数据中提取的信息举行编码[152]。在某些情形下，统计建模手艺可以快速提供足够正确的模子[24]。也可以使用其他方式，例如基于情绪的展望和基于历久和短期颠簸分类的展望[64]。颠簸率的展望可以用来判断加密钱币的价钱颠簸，这对加密钱币相关衍生品的订价也有价值[147]。
在使用计量经济学研究加密钱币生意时，研究人员对时间序列数据应用统计模子，如广义自回归条件异方差（GARCH）和BEKK（以Baba、Engle、Kraft和Kroner的名字命名，1995[96]）模子来评估加密钱币的颠簸[55]。线性统计模子是一种评估价钱与注释变量之间线性关系的方式[196]。当存在多个注释变量时，我们可以用多个线性模子来模拟注释变量（自力变量）和反映变量（因变量）之间的线性关系。时间序列剖析中常用的线性统计模子是自回归滑动平均（ARMA）模子[69]。
3.3.2. 机械学习手艺
机械学习是开发比特币和其他加密钱币生意计谋的有用工具[185]，由于它可以推断人类通常无法直接观察到的数据关系。从最基本的角度来看，机械学习依赖于两个主要部门的界说：输入特征和目的函数。输入特征（数据源）的界说是基础和手艺剖析知识发挥作用的地方。我们可以将输入分为若干组特征，例如，基于经济指标（如国内生产总值指标、利率等）、社会指标（谷歌趋势、推特等）、手艺指标（价钱、成交量等）和其他季节性指标（时间、星期几等）的特征。目的函数界说了用于判断机械学习模子是否已经学习到当前义务的顺应度准则。典型的展望模子试图展望数字（如价钱）或分类（如趋势）看不见的效果。机械学习模子通过使用历史输入数据（有时称为样本）来训练，将其中的模式归纳为看不见（样本外）的数据，以（近似）实现目的函数界说的目的。显然，就生意而言，我们的目的是从市场指标中推断出生意信号，这些指标有助于展望资产未来的回报。
泛化误差是机械学习在现实应用中普遍存在的问题，在金融应用中具有极其主要的意义。在我们现实使用模子举行展望之前，我们需要使用统计方式（如交织验证）来验证模子。在机械学习中，这通常被称为“验证”。使用机械学习手艺展望加密钱币的历程如图6所示。
凭据主学习循环的形式，我们可以将机械学习方式分为三类：有监视学习、无监视学习和强化学习。有监视学习用于从有符号的训练数据中导出展望函数。带标签的训练数据意味着每个训练实例都包罗输入和预期输出。通常，这些预期输出是由主管天生的，代表模子的预期行为。生意中使用最多的标签来自于样本中的未来资产回报。无监视学习试图从未符号的训练数据中推断结构，它可以用于探索性数据剖析中发现隐藏的模式或凭据任何预界说的相似性器量对数据举行分组。强化学习行使经由训练的软件署理来最大化效用函数，该函数界说了他们的目的；这足够无邪，允许署理用短期回报来交流未来的回报。在金融部门，一些生意挑战可以示意为一种博弈，在这种博弈中，署理人的目的是在期末实现收益最大化。
机械学习在加密钱币生意研究中的应用包罗了数据源明白和机械学习模子研究之间的联系。进一步的详细例子将在后面一节中给出。
3.4. 投资组合研究
投资组合理论提倡投资多样化，通过战略性地设置资产，在给定的风险水平下实现收益最大化。著名的均值-方差优化就是这种方式的一个突出例子[182]。有一些常见的方式来确立一个加密资产的多元化投资组合。第一种方式是跨市场多样化，即在加密钱币市场的投资组合中夹杂林林总总的投资。第二种方式是思量行业生态细分市场，即制止在任何一个种别上投资过多资金。加密钱币市场投资组合的多元化投资包罗跨加密钱币的投资组合[175]和跨全球市场的投资组合，包罗股票和期货[140]。
3.5. 市场状态研究
对于加密钱币来说，市场状态研究显得尤为主要。金融泡沫是指资产价钱的大幅上涨，而其内在价值没有发生转变[48]。许多专家指出，2017年加密钱币价钱增进了900%，泛起了加密钱币泡沫。2018年，比特币面临价值暴跌。这种显著的颠簸促使研究人员研究加密钱币生意中的泡沫和极端情形。
4. 论文网络与讲述模式
本节先容了我们论文网络的局限和方式、基本剖析和观察的结构。
4.1. 观察局限
本文接纳自下而上的方式研究加密钱币生意，从系统到风险治理手艺。对于基础生意系统，重点是优化生意平台结构和改善盘算机科学手艺。
在更高的条理上，研究人员专注于设计模子来展望加密钱币市场的回报或颠簸。这些手艺对生意信号的发生异常有用。在上述展望模子的下一个条理上，研究人员讨论了在真实加密钱币市场举行生意的手艺生意方式。泡沫和极端情形是加密钱币生意中的热门话题，由于如上所述，这些市场已显示出高度的颠簸性（而在溃逃后颠簸性下降）。投资组合和加密钱币资产治理是控制风险的有用方式。在风险治理研究中，我们将这两个领域归为一组。本次观察的其他论文包罗订价规则、动态市场剖析、羁系寄义等主题。表2显示了本次观察中加密钱币生意的一样平常局限。
由于加密钱币生意中的许多生意计谋和方式都与股票生意密切相关，一些研究者将后者的研究功效移植或使用到前者。在举行这项研究时，我们只思量那些研究集中在加密钱币市场或这些市场和其他金融市场生意对照的论文。
详细而言，我们在网络与加密钱币生意相关的文件时接纳以下尺度：
1 本文先容或讨论了加密钱币生意的一样平常看法或加密钱币生意的相关方面。
2 本文提出了一种方式，研究或框架，目的是优化效率或准确性的加密钱币生意。
3 本文对照了加密钱币生意的差别方式和看法。
这里所说的“加密钱币生意”是指表2中所列并在上面讨论过的术语之一。
一些研究人员对加密钱币[4221]、加密钱币系统[191]和加密钱币生意机遇[166]举行了简要的观察。与我们的观察相比，这些观察的局限相当有限，其中还包罗对该领域最新论文的讨论；我们要指出，这是一个快速生长的研究领域。
4.2. 论文网络方式
为了在差别的领域或平台上网络论文，我们使用了googlescholar和arXiv这两个最盛行的科学数据库上的要害字搜索。我们还选择了其他公共存储库，如SSRN，但我们发现，这些平台中险些所有的学术论文也可以通过Google Scholar检索；因此，在我们的统计剖析中，我们将这些盘算为Google Scholar点击量。我们选择arXiv作为另一个泉源，由于它允许本次观察与该区域的所有最新发现保持同步。下面列出了用于搜索和网络的要害字。[Crypto]是指加密钱币市场，这是我们的研究兴趣，由于差别市场的方式可能差别。就在2019年10月15日之前，我们对这两个存储库举行了6次搜索。
[Crypto] + Trading
[Crypto] + Trading system
[Crypto] + Prediction
[Crypto] + Trading strategy
[Crypto] + Risk Management
[Crypto] + Portfolio
为了确保高覆盖率，我们对通过这些要害字找到的每篇论文都接纳了所谓的滚雪球[250]方式。我们检查了从滚雪球的方式，知足上述尺度先容的文件，直到我们到达竣事。
4.3. 网络效果
表3显示了我们论文集的详细效果。要害词搜索在第4.1节的六个感兴趣的研究领域发生了126篇论文。
图7显示了在差别研究地址揭晓的论文的漫衍情形。在所有论文中，45.24%的论文揭晓在《金融经济学杂志》（JFE）、《剑桥替换金融中央》（CCAF）、《金融研究快报》（Finance Research Letters）、《经济政策研究中央》（CEPR）和《风险与金融治理杂志》（JRFM）等财经类期刊上；4.76%的论文揭晓在《金融经济学杂志》（JFE）、《剑桥替换金融中央》（CCAF）、《金融研究快报》（Finance Research Letters）、《经济政策研究中央》（CEPR）和《风险与作为公共科学图书馆一号（PLOS one）、英国皇家开放科学学会（Royal Society open Science）和SAGE；15.87%的论文揭晓在智能工程和数据挖掘领域，如盘算智能系列研讨会（SSCI）、智能系统集会（IntelliSys）等，智能数据工程与自动化学习（IDEAL）和国际数据挖掘集会（ICDM）；4.76%的论文揭晓在Physica A等物理/医师场所（主要是物理场所）；10.32%的论文揭晓在人工智能和庞大系统场所，如庞大性和国际信息处置团结会（IFIP）；17.46%的论文揭晓在包罗自力揭晓论文和学位论文的其他场所；1.59%的论文揭晓在arXiv上。差别场所的漫衍情形注释，加密钱币生意大多在财经场所公布，但在其他方面则有很大的差异。
4.4. 观察组织
凭据表4，我们将在论文的其余部门讨论所网络的论文的孝敬和对这些论文的统计剖析。
我们网络的论文是从六个角度组织和出现的。第5节先容了几种差别的加密钱币生意软件系统。第6节先容了应用于加密钱币生意的系统生意。在第7部门，我们先容了一些新兴的生意手艺，包罗加密钱币计量经济学、机械学习手艺以及加密钱币市场中的其他新兴生意手艺。第8节先容了加密钱币对及其相关因素的研究和加密资产组合的研究。在第9节中，我们讨论加密钱币市场状态研究，包罗泡沫、溃逃剖析和极端情形。第10节先容了加密钱币生意中未涉及的其他研究。
我们想强调的是，上述六个题目侧重于加密钱币生意的一个特定方面；我们对每个题目下网络的文件举行了完整的组织。这意味着那些涉及多个方面的论文将在差别的章节中讨论，每个角度一次。
在第11节中，我们剖析和对照了差别加密钱币生意属性和手艺的研究论文数目，并总结了加密钱币生意的数据集和研究时间表。
我们在此回首的基础上，在第12节中总结了一些未来研究的机遇。
5. 加密钱币生意软件系统
5.1. 生意基础设施系统
随着盘算机科学和加密钱币生意的生长，许多加密钱币生意系统/机械人已经被开发出来。表5对照了市场上现有的加密钱币生意系统。该表是凭据URL类型（GitHub或官方网站）和GitHub星型点赞（若是合适）排序的。
Capfolio是一个专有的应用于加密钱币生意的系统，是一个专业的剖析平台，具有先进的后验测试引擎[51]。它支持五种差别的加密钱币交流。
3 Commas 是一个专有的应付加密钱币生意系统平台，可以同时接受盈亏指令[1]。该系统兼容12种差别的加密钱币生意所。
CCXT是一个加密钱币生意系统，具有统一的API开箱即用和可选的尺度化数据，支持许多比特币/以太币/Altcoin交流市场和商户API。任何生意者或开发者都可以基于这些数据建立生意计谋，并通过API接见公共生意[61]。CCXT库用于毗邻全球加密钱币生意所和支付处置服务并与之举行生意。它提供对市场数据的快速接见，用于存储、剖析、可视化、指标开发、算法生意、计谋回溯测试、自动代码天生和相关软件工程。它是专为程序员，熟练的生意员，数据科学家和金融剖析师确立生意算法。当前的CCXT功效包罗：
- I. 支持许多加密钱币生意所；
- II. 周全实行公共和私人API；
- III. 用于交织生意剖析和套利的可选尺度化数据；
- IV. 开箱即用的统一API，异常容易集成。
Blackbird 一种C++的比特币套利生意系统，它自动执行比特币生意所之间的长/短套利生意。它可以发生不在生意所之间转移资金的市场中立计谋[36]。Blackbird背后的念头是，在保持市场中立的同时，从差别生意所之间的这些暂时性价差中自然赢利。与其他比特币套利系统差别，Blackbird不出售比特币，但现实上在空头生意所卖空比特币。此功效提供了两个主要的优点。首先，该计谋始终是市场不能知的：比特币市场的颠簸（上涨或下跌）不会影响该计谋的回报。这就消除了这种计谋的伟大风险。其次，这种计谋不需要在比特币生意所之间转移资金（美元或BTC）。生意生意在两个差别的生意所并行举行，没有必要处置传输延迟。
StockSharp是一个开源的生意平台，可在全球任何市场举行生意，包罗48个加密钱币生意所[227]。它有一个免费的C#库和免费的生意图表应用程序。手动或自动生意（算法生意机械人，通例或HFT）可以在这个平台上运行。StockSharp由五个提供差别功效的组件组成：
- I. S#。设计器-免费通用算法计谋应用程序，易于建立计谋；
- II. 数据自由软件，可以自动加载和存储市场数据；
- III. S#终端-自由生意图表应用程序（生意终端）；
- IV. Shell—现成的图形框架，可以凭据需要举行更改，并且在C#中具有完全开放的源代码；
- V. API-一个免费的C库，供使用visual studio的程序员使用。任何生意计谋都可以在S#.API中建立。
Freqtrade是一个用Python编写的免费开源加密钱币生意机械人系统。它被设计成支持所有主要的生意，并由电报/telegram控制。它包罗了回溯测试、映射和资金治理工具，以及通过机械学习举行的计谋优化[108]。Freqtrade具有以下特点：
- I. 持久性：通过SQLite手艺实现持久性；
- II. 通过机械学习优化计谋：使用机械学习来优化您的生意计谋参数与真实的生意数据；
- III. 边际仓位巨细：盘算中签率、风险收益率、最优止损和调整仓位巨细，然后针对每个特定市场举行仓位生意；
- IV. 电报治理：行使电报治理机械人。
- V. 试运行：不花钱运行机械人；
CryptoSignal是一个专业的手艺剖析加密钱币生意系统[86]。投资者可以追踪跨越500个比特币，比特币，世达币，双子座和更多。自动手艺剖析包罗动量、RSI、Ichimoku Cloud、MACD等。系统提供警报，包罗电子邮件、Slack、电报等。CryptoSignal有两个主要功效。首先，它提供了模块化代码，便于实现生意计谋；其次，它很容易用Docker安装。
Ctubio是一个基于C++的低延迟（高频）加密钱币生意系统[87 ]。这个生意系统可以在不到几毫秒的时间内通过支持的加密钱币生意所下订单或作废订单。此外，它还提供了一个图表系统，可以可视化生意账户状态，包罗生意完成情形、法定钱币的目的头寸等。
Catalyst是对加密钱币生意系统的剖析和可视化[57]。它使生意计谋易于在历史数据（逐日和分钟分辨率）上表达和回溯测试，为特定计谋的显示提供剖析和看法。Catalyst允许用户共享和组织数据，并确立盈利的、数据驱动的投资计谋。Catalyst不仅支持生意执行，还提供所有加密资产的历史价钱数据（从分钟到逐日分辨率）。Catalyst还具有回溯测试和实时生意功效，使用户能够在两种差别的生意模式之间无缝过渡。最后，Catalyst集成了统计和机械学习库（如matplotlib、scipy、statsmodels和sklearn），以支持最新生意系统的开发、剖析和可视化。
Golang Crypto Trading Bot是一个基于Go的加密钱币生意系统[117]。用户可以在沙盒环境模拟中测试该计谋。若是启用模拟模式，则必须为每个交流指定每个代币的假余额。
5.2. 实时加密钱币生意系统
Amit等人[21]开发了一个实时加密钱币生意系统。实时加密钱币生意系统由客户机、服务器和数据库组成。生意员使用web应用程序登录服务器以生意加密资产。服务器通过建立使用Coinmarket API的脚原本网络加密钱币市场数据。最后，数据库从服务器网络余额、生意和订单信息。作者通过一个实验对系统举行了测试，该实验为加密钱币生意平台上的生意者演示了用户友好和平安的体验。
5.3. 加密钱币市场中的海龟/Turtle生意系统
最初的海龟生意系统是在20世纪70年代生长起来的一种趋势跟踪生意系统，其头脑是发生股票的买入和卖出信号，用于短期和历久的突破，以及用平均真距（ATR）权衡的减损条件[144]。生意系统将凭据资产的颠簸性调整资产规模。基本上，若是海龟在高度颠簸的市场中累积头寸，它将被低颠簸头寸所抵消。对扩展海龟生意系统举行了改善，使其具有较小的时间距离，并引入了指数移动平均（EMA）规则。三个均线值用于触发“买入”信号：30均线（快）、60均线（慢）、100均线（长）。[144]的作者在8种著名的加密钱币上对两种生意系统（原始海龟和扩展海龟）举行了回溯测试和对照。通过实验，原海龟生意系统在近一年的时间里，在87个生意中实现了18.59%的平均净利润率（净利润占总收入的百分比）和35.94%的平均盈利能力（中标生意占总生意次数的百分比）。扩展海龟生意系统在统一时间段的41笔生意中实现了114.41%的平均净利润率和52.75%的平均盈利能力。研究注释，在加密钱币生意中，扩展海龟生意系统相比原始海龟生意系统有何改善。
5.4. 加密钱币套利生意系统
Christian[205]为加密钱币引入了套利生意系统。套利生意旨在发现当多个生意所的供求水平存在差异时可能泛起的价钱差异。因此，生意者可以从一个生意所买入，然后在另一个生意以是更高的价钱卖出，从而实现快速、低风险的利润。套利生意信号由自动生意软件捕捉。数据源之间的手艺差异要求为每个数据源组织一个服务器历程。关系数据库和SQL是可靠的解决方案，由于它们有大量的关系数据。作者行使该系统于2018年5月25日在7家差别生意所的787种加密钱币中捕捉套利机遇。研究论文[205]从现有的186个生意信号中，列出了该系统发生的最佳10个生意信号。效果注释，该系统捕捉到了“BTG-BTC”的生意信号，在加密生意所举行套利买入，在二进制生意所举行套利卖出，可获得495.44%的利润。2018年5月25日发现另外三个生意优越的套利信号（作者提到的利润预期约为20%）。本文先容的套利生意软件系统先容了加密钱币市场套利生意系统的一样平常原理和实现方式。
5.5. 三种加密钱币生意系统的对照
实时生意系统使用实时函数来网络数据并天生生意算法。海龟生意系统和套利生意系统在收益和风险行为上显示出鲜明的对比。在加密钱币市场中使用海龟生意系统可以获得高回报和高风险。套利生意系统虽然在收益方面较差，但风险也较低。海龟生意系统和套利生意系统的一个配合特点是它们在捕捉Alpha方面显示优越。
6 系统生意
6.1. 手艺剖析
许多研究者把重点放在加密钱币市场生意的手艺指标（模式）剖析上。这种方式的研究实例包罗“Turtle Soup pattern strategy”[233]、“Nem（XEM）计谋”[236]、“Amazing Gann Box strategy”[234]、“Busted Double Top Pattern strategy”[235]、“Bottom Rotation Trading strategy”[237]。表6显示了使用手艺指标对这五种经典手艺生意计谋的对照。“Turtle Soup pattern strategy”[233]使用了2天的价钱突破来展望加密钱币的价钱趋势。这种计谋是一种图表生意模式。“Nem（XEM）计谋”连系转变率（ROC）指标和相对强度指数（RSI）展望价钱趋势[236]。“Amazing Gann Box strategy”展望了Gann Box的确切涨跌点，用于捕捉加密钱币价钱的爆炸性趋势[234]。手艺剖析工具，如烛台和盒形图与斐波那契回溯黄金分割率的基础上使用的手艺剖析。斐波那契回档使用水平线来示意市场中可能存在的支持和阻力水平。“停业双顶模式”使用了熊市反转生意模式，发生卖出信号来展望价钱趋势[235]。“底部轮换生意”是一种在反转发生之前选择底部的手艺剖析方式。此计谋使用价钱图模式和方框图作为手艺剖析工具。
Sungjoo等人[122]使用遗传编程（GP）举行了观察，以发现加密钱币市场中有吸引力的手艺模式。实验中使用了移动平均法（MA）和随机振荡法等12个手艺指标，并用调整增益、匹配计数、相对市场压力和多样性器量等方式来量化手艺模式的吸引力。通过扩展实验，GP系统乐成地找到了有吸引力的手艺模式，这对投资组合优化是有用的。Hudson等人[130]应用了近15000条手艺生意规则（分为MA规则、过滤规则、支持阻力规则、振荡规则和通道突破规则）。这项综合研究发现，手艺性生意规则为投资者提供了显著的展望能力和盈利能力。Corbet等人[82]剖析了移动平均线振荡器形式的种种手艺生意规则和生意区间突破计谋，以在加密钱币市场中发生更高的回报。通过使用一分钟美元计价的比特币收盘价数据，回溯测试注释，可变长度移动平均（VMA）规则在高频生意中发生最有用的信号时显示最好。
6.2. 配对生意
配对生意是一种试图行使某些证券价钱之间的均值回归的生意计谋。Miroslav[105]行使Gatev等人[115]的基准观察了尺度对生意方式对加密钱币数据的适用性。配对生意计谋分两步构建。首先，确定具有稳固历久关系的合适配对。其次，盘算历久平衡，并以价差为基础确定配对生意计谋。该研究还行使高频数据扩展了日内生意对。总的来说，在Miroslav的实验中，该模子能够实现3%的月利润[105]。Broek[47]在加密钱币生意中应用了基于协整的成对生意，发现31对成对生意显著协整（部门内和跨部门）。通过选取四对，并在60天的生意周期内举行磨练，配对生意计谋从套利机遇中获得了盈利能力，从而否认了加密钱币市场的有用市场假说（EMH）。Lintihac等人[174]提出了一个资产组合的最优动态配对生意计谋模子。实验使用随机控制手艺来盘算最优投资组合权重，并将效果与实践者常用的其他计谋（包罗静态双门限计谋）相关联。Thomas等人[171]提出了一个两两生意模子，将时变颠簸性与稳定的方差弹性连系起来。实验用有限差分法盘算最佳配对计谋，用广义矩法估量参数。
6.3. 其他
加密钱币生意中的其他系统生意方式主要包罗知情生意。行使美元/比特币汇率生意数据，Feng等人[104]发现了比特币市场知情生意的证据，与卖方提议（买方提议）订单的分位数相比，买方提议（卖方提议）订单的分位数在大的正（负）事宜前异常高；本研究接纳了一个新的指标，其灵感泉源于容积不平衡指标[93]。比特币市场上知情生意的证据注释，投资者在获得信息之前就从其私人信息中赢利。
7. 新兴加密生意手艺
7.1. 加密钱币计量经济学
Copula-quantile因果剖析和Granger因果剖析是研究加密钱币生意剖析中因果关系的两种方式。Bouri等人[41]对加密钱币市场的颠簸性应用了Copula-quantile因果关系方式。实验的方式扩展了Lee和Yang[170]在2014年提出的Copula-Granger漫衍因果关系（CGCD）方式。实验用copula函数组织了两个CGCD测试。参数磨练使用六个参数copula函数来发现变量之间的依赖密度。这些函数的性能矩阵随copula密度的转变而转变。研究的重点是三个漫衍区域：左尾（1%、5%、10%分位数）、中央区（40%、60%分位数和中位数）和右尾（90%、95%、99%分位数）。该研究提供了从生意量到七种大型加密钱币左右尾收益的格兰杰因果关系的主要证据。Elie等人[42]通过Bodart和Candelon[38]的频域磨练了主要加密钱币颠簸性之间的因果关系，并区分了暂时性和永久性因果关系。效果注释，历久而言，永久性打击对注释Granger因果关系更为主要，而短暂性打击则主导了小型加密钱币的因果关系。Badenhorst[13]试图通过Granger因果关系方式和ARCH（1,1）展现现货和衍生品市场生意量是否影响比特币价钱颠簸。研究效果注释，现货生意量对价钱颠簸有显著的正向影响，而加密钱币颠簸与衍生品市场的关系不确定。Elie等人[45]使用了动态等相关（DECO）模子，并讲述了12种主要加密钱币之间平均收益平衡相关性随时间转变的证据。效果显示，只管2018年加密钱币价钱大幅下跌，但加密钱币市场整合水平仍有所提高。此外，生意量的权衡和不确定性是一体化的要害决议因素。
时间序列研究中的一些计量经济学方式，如GARCH和BEKK，已经被用于加密钱币生意的文献中。Conrad等人[81]使用GARCH-MIDAS模子提取比特币市场的历久和短期颠簸身分。该模子的手艺细节将条件方差分解为低频分量和高频分量。研究效果发现，尺度普尔500指数的已实现颠簸率对历久比特币颠簸率具有显著的负向影响，尺度普尔500指数的颠簸率风险溢价对历久比特币颠簸率具有显著的正向影响。Ardia等人[8]使用马尔可夫转换GARCH（MSGARCH）模子来磨练比特币对数收益率的GARCH颠簸动力学中是否存在制度变迁。此外，行使贝叶斯方式估量模子参数和盘算VaR展望。效果注释，MSGARCH模子在风险价值展望方面显著优于单机制GARCH模子。Troster等人[239]举行了一样平常GARCH和GAS（广义自回归分数）剖析，对比特币的收益和风险举行建模和展望。实验发现，重尾漫衍的GAS模子能够为比特币的收益和风险建模提供最佳的样本外展望和拟合优度属性。研究效果还说明晰对比特币收益率举行过分峰度建模的主要性。Charles等人[65]研究了四个加密钱币市场，包罗比特币、Dash、Litecoin和Ripple。效果注释，除了Dash市场外，加密钱币收益率的显著特征是存在跳跃和结构性突破。思量了四种GARCH模子（即GARCH、APARCH、IGARCH和FIGARCH）和三种具有结构突变的收益类型（原始收益、跳跃过滤收益和跳跃过滤收益）。这项研究注释了加密钱币颠簸性跳跃和结构突破的主要性。
一些研究者专注于密码钱币市场颠簸性的长影象方式。长影象方式侧重于市场颠簸之间的历久相关性和显著的历久相关性。Chaim等人[63]估量了加密钱币市场中具有不延续跳跃的多元随机颠簸模子。效果注释，历久颠簸似乎是由主要的市场生长和普遍的利率水平驱动的。Caporale等人[52]通过重标度区间（R/S）剖析和分数积分磨练了加密钱币市场的持久性。研究效果注释，市场具有连续性（其已往和未来价值之间存在正相关关系），其水平随时间而转变。Khuntin等人[154]将顺应性市场假说（AMH）应用于比特币收益的可展望性。Dominguez和Lobato[89]的一致性磨练，Escanciano和Velasco[98]的广义谱（GS）用于捕捉比特币收益率的时变线性和非线性依赖性。研究效果验证了比特币价钱转变中的演化效率和动态效率的证据相符AMH的说法。
Katsiampa等人[150]在2018年应用了三对双变量BEKK模子来磨练条件颠簸性动态以及三对加密钱币之间的相互联系和条件相关性。更详细地说，BEKK-MGARCH方式还捕捉到了打击和颠簸的跨市场效应，这也被称为打击传导效应和颠簸溢出效应。实验发现了比特币与以太币和Litcoin之间双向打击流传效应的证据。稀奇是，在比特币、以太币和Litcoin之间存在双向打击溢出效应，且存在时变条件相关，且正相关占主导职位。2019年，Katsiampa[149]进一步研究了一个非对称对角BEKK模子，以磨练五种加密钱币的条件方差，这五种加密钱币受到先前平方误差和已往条件颠簸率的显著影响。实验磨练了单位根的零假设和平稳性假设。在保证平稳性的前提下，对ARCH-LM举行ARCH效应磨练，磨练收益率序列颠簸性建模的要求。此外，本文还行使多元GARCH模子磨练了加密钱币对之间的颠簸协动。效果证实了加密钱币市场价钱收益的非正态性和异方差性。这一发现还确定了由于重大新闻而导致的加密钱币颠簸动力学的影响。Hultman[131]着手研究GARCH（1,1）、双变量BEKK（1,1）和一个尺度随机模子来展望比特币的颠簸性。实验中接纳了转动窗口法。平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）是评价展望值与真实值之间误差水平的三个损失准则。效果注释，对于三种差别的损失尺度，损失函数的排序为：GARCH（1,1）>二元BEKK（1,1）>尺度随机；换句话说，GARCH（1,1）在展望比特币颠簸性方面显示最好。小波时间尺度连续性剖析也被应用于加密钱币市场颠簸性的展望和研究[202]。效果注释，加密钱币市场的信息效率（efficiency）和颠簸连续性对时间尺度、收益率和颠簸率器量以及制度变迁具有高度的敏感性。Adjepong et al.[202]与Corbet et al.[85]的类似研究相联系，并注释GARCH比BEKK更快地吸收有关数据的新信息。
7.2. 机械学习手艺
如前所述，机械学习手艺组织了盘算机算法，通过在现有数据中寻找模式而无需显式指令[128]，从而自动改善自身。近年来机械学习的迅速生长促进了它在加密钱币生意中的应用，稀奇是在加密钱币收益展望方面。
7.2.1. 本文综述了常用的机械学习手艺
几种机械学习手艺被应用于加密钱币生意中。我们通过目的集来区分这些算法：分类、聚类、回归、强化学习。由于深度学习手艺的内在转变和普遍接纳，我们专门分了一节讨论深度学习。
分类算法。机械学习中的分类的目的是凭据需要将输入工具分类为差别的种别，我们可以为每个种别分配标签（例如，上下）。基于我们网络到的文献，质朴贝叶斯（NB）[216]、支持向量机（SVM）[247]、K近邻（KNN）[247]、决议树（DT）[109]、随机森林（RF）[173]和梯度提升（GB）[111]算法已被用于加密钱币生意。NB是一种基于贝叶斯定理的概率分类器，特征之间具有强（质朴）条件自力性假设[216]。支持向量机（SVM）是一种有监视学习模子，其目的是连系学习界限理论实现高边缘分类器[256]。支持向量机将新的示例分配给一个或另一个种别，使其成为非概率二元线性分类器[247]，只管一些修正可以对其输出举行概率注释[153]。KNN是一种基于影象或延迟学习的算法，其中函数仅在局部近似，所有盘算都推迟到推理时间[247]。DT是一种决议支持工具算法，它使用树状决议图或模子将输入模式分割成多个区域，然后为每个区域分配一个相关标签[109]。RF是一种集成学习方式。该算法通过在训练历程中组织大量决议树，在分类的情形下输出平均一致性作为展望类，在回归的情形下输出平均展望值[173]。GB以弱展望模子聚集的形式天生展望模子[111]。
聚类算法。聚类是一种机械学习手艺，它将数据点分组，使每个分组都显示出一定的规律性[137]。K-Means是数据挖掘中用于聚类剖析的一种矢量量化方式。K-means存储用于界说簇的质心；若是一个点比任何其他质心更靠近簇的质心，则以为该点位于特定簇中[245]。凭据我们网络的文献，K-Means是加密钱币生意中最常用的聚类算法之一。
回归算法。我们将回归界说为任何旨在估量延续值的统计手艺[164]。线性回归（LR）和散点图平滑是解决加密钱币生意中回归问题的常用手艺。LR是一种线性方式，用于模拟标量响应（或因变量）和一个或多个注释变量（或自变量）之间的关系[164]。散点图平滑是一种通过散点图拟合函数的手艺，以最好地示意变量之间的关系[110]。
深度学习算法。深度学习是人工神经网络（ANN）的一种现代形式[257]，由于盘算能力的提高而成为可能。人工神经网络是一种受组成动物大脑的自然神经网络启发的盘算系统。系统通过思量实例来“学习”执行包罗展望在内的义务。深度学习的优越精度来自于高盘算庞大度和高成本。深度学习算法现在是许多现代人工智能应用的基础[231]。卷积神经网络（CNNs）[168]、递归神经网络（RNNs）[188]、选通递归单元（GRU）[70]、多层感知器（MLP）和长-短期影象（LSTM）[67]网络是加密钱币生意中最常用的深度学习手艺。CNN是一种特殊类型的神经网络层，通常用于监视学习。CNNs在图像处置和自然语言处置问题上取得了最大的乐成。在加密钱币中使用CNN的实验见[143]。RNN是一种人工神经网络，其中节点之间的毗邻形成一个可能循环的有向图。由于在循环毗邻中引入了内存，RNN的这种结构使其适合于处置时间序列数据[188]。然而，他们面临着消逝梯度问题[203]，因此最近提出了差别的转变。LSTM[67]是一种被普遍应用的特殊RNN体系结构。在金融时间序列问题上，LSTMs已显示出优于非分级RNNs，由于它们具有长时间选择性地记着模式的能力。GRU[70]是尺度RNN的另一个门控版本，已用于加密生意[91]。加密钱币生意中使用的另一种深度学习手艺是Seq2seq，它是编码器-解码器架构的详细实现[251]。Seq2seq最初的目的是解决自然语言处置问题，但在[226]中也被应用于加密钱币趋势展望。
强化学习算法。强化学习（RL）是机械学习的一个领域，它行使软件署理在环境中的行为来最大化累积回报[230]。深度Q学习（DQN）[120]和深度Boltzmann机械（DBM）[219]是使用RL的加密钱币生意中常用的手艺。深度Q学习使用神经网络来迫近Q值函数。状态作为输入，所有可能动作的Q值作为输出天生[120]。DBM是一种二元配对马尔可夫随机场（无向概率图形模子），具有多层隐随机变量[219]。它是一个随机耦合的随机二进制单元网络。
7.2.2. 机械学习模子研究
在机械学习生意信号的开发中，手艺指标通常被用作输入特征。Nakano等人[193]研究了基于ANNs的比特币日内手艺生意，用于收益展望。实验从加密钱币生意所获得比特币的中频价钱和生意量数据（数据的时间距离为15分钟）。人工神经网络凭据输入数据展望下一个时期的价钱趋势（上下）。对数据举行预处置，构建一个包罗EMA、新兴市场小盘股（EMSD）、相对强度指数（RSI）等手艺模式矩阵的训练数据集，其数值实验包罗差别的研究方面，包罗基础ANN研究、差别条理的效应、差别激活函数的效应，附加手艺指标的差别产出、差别投入和效果。研究效果注释，与原始手艺生意计谋相比，使用种种手艺指标可能会防止非平稳金融时间序列数据分类中的过分拟合，从而提高生意绩效。（买入并持有是本次实验的基准计谋。）
通过展望价钱走势，将分类回归机械学习模子应用于加密钱币生意中。大多数研究者都集中在差别分类和回归机械学习方式的对照上。Sun等人[229]使用随机森林（RFs）和Alpha01[141]中的因子（从加密钱币市场的历史中获取特征）来构建展望模子。实验从加密钱币生意所的API中采集数据，选取5分钟的频率数据举行回溯测试。效果注释，性能与数据量成正比（数据越多，精度越高），射频模子中使用的因素似乎具有差别的主要性。例如，“Alpha024”和“Alpha032”特征在所接纳的模子中是最主要的。（alpha特征来自论文“101 Formulaic Al phas”[141]）Vo等人[243]将RFs应用于高频加密钱币生意（HFT），并将其与深度学习模子举行了对照。当使用正向填充插补方式替换空值（即缺失值）时，网络分钟级数据。实验中测试了差别的周期和射频树。作者还对照了RF和深度学习（DL）的F1正确度和召回指标。效果注释，只管ML特征中存在多重共线性，RF仍然是有用的，然则缺乏模子识别也可能导致模子识别问题；本研究还实验建立一个使用RF的比特币HFT计谋。Maryna等人[260]研究了基于训练SVM模子的算法生意计谋的盈利能力，以识别展望回报率高或低的加密钱币。效果注释，支持向量机计谋的性能排在第四位，仅优于单纯买入并持有标普指数的S&pbh计谋。（本研究中尚有其他4种基准计谋）作者观察到支持向量机需要大量的参数，因此很容易泛起过拟合，导致其性能较差。Barnwal等人[18]行使发生式和判别式分类器确立了一个叠加模子，稀奇是3个发生式和6个判别式分类器通过一个单层神经网络组合，来展望加密钱币的价钱走向。判别分类器直接对未知数据和已知数据之间的关系举行建模，而天生分类器则通过数据天生漫衍间接对展望举行建模[198]。手艺指标包罗趋势、动量、成交量和颠簸性，作为模子的特征。作者讨论了差别的分类器和特征对展望的影响。Attanasio等人[10]对照了种种分类算法，包罗SVM、NB和RF，以展望给定加密钱币的越日价钱趋势。效果注释，由于加密钱币金融工具的异质性和颠簸性，基于一系列展望的展望模子在加密钱币生意中优于单一的分类手艺。Madan等人[179]将比特币价钱展望问题建模为一项二项式分类义务，使用一种行使随机林和广义线性模子的定制算法举行实验。实验接纳日数据、10分钟数据和10秒数据。实验注释，10分钟的数据比10秒的数据具有更好的敏感性和特异性（10秒的展望准确率在10%左右）。思量到展望性生意，与10秒的回溯测试相比，10分钟的数据有助于在实验中显示更清晰的趋势。同样，Virk[242]对照了RF、SVM、GB和LR来展望比特币的价钱。效果注释，在二项分类机械学习算法中，支持向量机的分类精度最高，为62.31%，分类精度为0.77。
差别的深度学习模子已被用于寻找加密钱币市场的价钱更改模式。Zhengy等人[258]实现了两种机械学习模子，即完全毗邻的ANN和LSTM来展望加密钱币的价钱动态。效果注释，虽然理论上LSTM比ANN更适合于时间序列动力学建模，但ANN总体上优于LSTM；在团结展望（五种加密钱币日价钱展望）中，思量的性能指标是MAE和RMSE。研究效果注释，加密钱币时间序列的未来状态在很大水平上取决于其历史演变。Kwon等人[165]使用了LSTM模子，以示意加密钱币已往价钱转变的三维价钱张量作为输入。该模子在F1成就方面优于GB模子。详细来说，在10分钟的价钱展望中，它的性能比GB模子提高了约7%。稀奇是，实验注释，LSTM更适合于对高颠簸率的加密钱币数据举行分类。Alessandretti等人[5]测试了梯度增强决议树（包罗单回归和XGBoost增强回归）和LSTM模子对逐日加密钱币价钱的展望。他们发现，基于梯度提升决议树的方式在基于5/10天的短期窗口举行展望时效果最好，而LSTM在基于50天数据的展望时效果最好。对照了两种模子中特征的相对主要性，讨论了基于几何平均收益率和Sharpe比率的优化组合。Phaladisailoed等人[207]选择回归模子（Theil-Sen回归和Huber回归）和基于深度学习的模子（LSTM和GRU）来对照展望比特币价钱涨跌的性能。在MSE和RSquare（R2）这两种常用的器量尺度中，GRU的精度最高。Fan等人[100]在展望8对加密钱币的中心价钱时，应用了一种自动编码器增强的LSTM结构。^^网络了2级限价指令簿实时数据，实验在高频生意（tick-Level）中实现了78%的价钱更改展望准确率。^^这项研究改善并验证了Sirignano等人[224]的看法，即对于加密钱币市场，通用模子比钱币对特定模子具有更好的性能。此外，还提出了“走查”（即，当原来的深度学习模子似乎不再有用时，对其自己举行再训练）作为一种优化深度学习模子训练的方式，并显示出显著提高展望精度的效果。
研究人员还将重点放在对照经典统计模子和机械/深度学习模子上。Rane等人[214]形貌了用于展望比特币价钱的经典时间序列展望方式和机械学习算法。将自回归综合移动平均模子（ARIMA）、二项式广义线性模子和GARCH等统计模子与支持向量机（SVM）、LSTM、非线性自回归外生输入模子（NARX）等机械学习模子举行了对照。观察效果注释，以10秒为距离，NARX模子的展望精度靠近52%，是最佳的展望模子。Rebane等人[215]对照了ARIMA等传统模子和seq2seq等现代盛行模子在展望加密钱币收益方面的差异。效果注释，seq2seq模子在比特币美元展望方面显著优于ARIMA模子，但在极端情形下，seq2seq模子显示出很差的性能。作者建议举行分外的观察，例如使用LSTM而不是GRU单元来提高性能。Stuerner等人[228]也对照了类似的模子，他们探讨了自动投资方式在加密钱币生意趋势跟踪和手艺剖析中的优势。Samuel等人[206]探索了向量自回归模子（VAR模子），一种更庞大的RNN，以及残差递归神经网络（R2N2）中两者的夹杂，用于展望加密钱币回报。具有十个隐藏层的RNN针对设置举行了优化，VAR增强的神经网络使网络比RNN更浅、更快，并具有更好的展望能力。对照了RNN、VAR和R2N2模子。效果注释，VAR模子具有显著的磨练期性能，从而支持了R2N2模子，而RNN模子显示较差。本研究旨在优化模子设计并应用于加密钱币收益展望。
7.2.3. 情绪剖析
情绪剖析是社交媒体时代的热门研究课题，它也被用来改善加密钱币生意的展望。该数据源通常必须与机械学习相连系以天生生意信号。
Lamon等人[167]行使逐日新闻和社交媒体的数据标注现实价钱转变，而不是正面和负面情绪。通过这种方式，价钱展望被努力和消极情绪所取代。实验从“cryptocoinsnews”和twitterapi等网站获得了与加密钱币相关的新闻文章题目。在加密钱币市场中，权重是以正数和负数示意的。对照了Logistic回归（LR）、线性支持向量机（LSVM）和NB作为分类器，得出LR是日价钱展望的最佳分类器，对价钱上涨的展望准确率为43.9%，对价钱下跌的展望准确率为61.9%。Smuts[225]使用使用Google Trends 和Telegram情绪的LSTM模子举行了类似的基于二元情绪的价钱展望方式。详细来说，这种情绪是通过使用一种称为维德（VADER）[132]的新方式从Telegram电报中提取出来的。2018年上半年，在展望每小时价钱方面，回溯测试在测试集上的准确率到达76%。Nasir等人[195]研究了加密钱币收益和搜索引擎之间的关系。实验接纳了一套厚实的实证方式，包罗VAR框架、copulas方式和非参数时间序列图。效果发现，谷歌搜索对比特币收益率有显著影响，尤其是在短期内。Kristoufek[162]讨论了对Google Trends或维基百科逐日看法的正面和负面反馈。作者提出了在加密钱币市场中寻找价钱与搜索项之间因果关系的差别方式，包罗协整、向量自回归和向量误差修正模子。效果注释，搜索趋势和加密钱币价钱是相关的。在实验中，对高于或低于其趋势值的钱币增添兴趣的影响之间也存在显著的不对称性。Young等人[156]剖析了在线社区中的用户谈论和回复，以及它们与加密钱币颠簸性的关系。在网络社区中搜集谈论和回复之后，作者们符号了正面和负面话题的局限。然后凭据对所选数据的谈论和回复，测试加密钱币的价钱与生意次数之间的关系。最后，基于选定的数据确立了一个基于机械学习的展望模子来展望加密钱币市场的颠簸。效果注释，数据积累量和活跃的社区流动对加密钱币的价钱和数目的颠簸有直接的影响。
同样，Colianni等人[80]、Garcia等人[113]、Zamuda等人[254]等人将情绪剖析手艺应用于加密钱币生意领域，效果也类似。Colianni等人[80]在加密钱币生意的Twitter情绪剖析中清算数据并应用监视机械学习算法，如logistic回归、质朴贝叶斯和支持向量机等。Garcia等人[113]将多维剖析和脉冲剖析应用于比特币情绪效应和算法生意的社会信号。研究效果验证了基于生意的社交媒体情绪有可能发生正投资回报的历久假设。Zamuda等人[254]接纳了新的情绪剖析指标，并使用多目的投资组合选择来规避加密钱币生意中的风险。基于云基础设施对盘算资源的弹性需求，这一看法被合理化。提出了一种评价用户网络行为-反映-影响模子（ARIM）的通用模子。Bartolucci等人[19]行使“蝴蝶效应”研究了加密钱币的价钱，这意味着开源项目的“问题”提供了改善加密钱币价钱展望的看法。GitHub谈论的情绪、礼貌、情绪剖析在以太坊和比特币市场获得应用。效果注释，这些指标对加密钱币价钱具有展望能力。
7.2.4. 强化学习
深度强化算法绕过展望，直接进入市场治理行动，以实现高累积利润[126]。Bu等人[49]提出了双Q网络和无监视预训练相连系的方式，行使DBM天生并增强加密钱币生意中的最优Q函数。生意模子包罗两个神经网络形式的串联署理、无监视学习模块和环境。输入市场状态毗邻编码网络，编码网络包罗光谱特征提取（卷积池模块）和时间特征提取（LSTM模块）。双Q网络追随编码网络，并从该网络天生动作。与现有的深度学习模子（LSTM、CNN、MLP等）相比，该模子纵然在极端的市场情形下也获得了最高的利润（纪录了24%的利润，而加密钱币市场价钱下降了-64%）。Juchli[138]应用了强化学习署理的两种实现，一种是Q-learning署理，在没有市场变量的情形下充当学习者，另一种是DQN署理，用于处置前面提到的特征。在两种差别的神经网络结构下对DQN署理举行了回溯测试。效果注释，DQN-CNN智能体（卷积神经网络）在回溯展望方面优于DQN-MLP智能体（多层感知器）。Lucarelli等人[177]专注于通过深度强化学习方式改善自动加密钱币生意。对双深度Q学习网络和双深度Q学习网络举行了4年的对照。通过将奖励函数设置为Sharpe比率和利润，证实了双Q学习方式是加密钱币生意中最赚钱的方式。
7.3. 其他
Atsalakis等人[9]提出了一种盘算智能手艺，它使用夹杂神经模糊控制器PATSOS来展望比特币日价钱的转变偏向。该方式优于其他两种盘算智能模子，第一种是用简朴的神经模糊方式开发的，第二种是用人工神经网络开发的。凭据该模子的信号，通过生意模拟获得的投资收益比通过简朴的买入持有计谋获得的投资收益高71.21%。这是首次在比特币价钱更改展望中提出的应用。文献[155]将拓扑数据剖析应用于加密钱币市场的价钱趋势展望。该方式行使动态系统吸引子的拓扑特征来处置随便时间数据。效果注释，该方式能有用地星散主要的拓扑模式和样本噪声（如生意反弹、价钱转变的离散性、生意规模差异或价钱转变的信息含量等），并提供了理论效果。Kurbucz[163]设计了一种由单隐层前馈神经网络（SLFN）组成的庞大方式，以（i）确定生意网络（纪录所有比特币生意的公共分类账）最频仍边缘对比特币未来价钱的展望能力；以及，（ii）提供一种有用的手艺，以便在日间生意中应用此未开发的数据集。研究发现，基于一小部门边缘（约占所有唯一边缘的0.45%）可以获得的信息，价钱更改分类的准确率异常高（60.05%）。值得注意的是，Kondor等人[157，159]首先揭晓了一些论文，对加密钱币市场上的生意网络举行了剖析，并在识别比特币用户方面举行了相关应用研究[139]。Abay等人[2]试图行使拓扑特征来明白区块链图背后的网络动力学。效果注释，生意图的度漫衍等尺度图特征可能不足以捕捉网络动态及其对比特币价钱颠簸的潜在影响。Maurice等人[202]将小波时间尺度连续性应用于剖析加密钱币市场的收益和颠簸性。该实验使用了两年多的逐日数据，磨练了加密钱币市场的长影象和市场效率特征。作者接纳对数周期图回归方式研究了加密钱币市场的平稳性，并用ARFIMA-FIGARCH模子磨练了加密钱币在时间和尺度上的长影象行为。一样平常而言，实验注释，在8个加密钱币市场中，使用全时段和跨尺度的逐日数据（2015年8月25日至2018年3月13日），存在异质影象行为。
8 加密钱币资产的投资组合
8.1. 对加密钱币对和相关因素的研究
Ji等人[135]通过六种大型加密钱币（从2015年8月7日至2018年2月22日的coinmarketcap列表中网络）的回报和颠簸溢出来磨练连通性，发现Litecoin和Bitcoin对其他加密钱币的影响最大。作者遵照Diebold等人[88]的方式，确立了正/负收益率和颠簸连通性网络。此外，回归模子被用来识别种种加密钱币集成水平的驱动因素。进一步的剖析注释，每种加密钱币在收益率和颠簸率方面的关系并不一定是由于其市场规模。Adjepong等人[201]探讨了七种主要加密钱币的市场一致性和颠簸性因果关系。基于小波变换的方式被用来磨练市场连通性。运用参数和非参数磨练研究了资产的颠簸溢出偏向。实验展现了加密钱币市场从多样化收益到连通性和颠簸性的联系。Elie等人[43]发现在一系列的12种加密钱币回报中检测到跳跃的存在，并且在所有情形下都发现了显著的跳跃流动。更多的效果强调了生意量的跳跃对于形成加密钱币跳跃的主要性。
一些研究人员探索了加密钱币与差别因素之间的关系，包罗期货、黄金、，等等，黑尔等人[123]以为，在CME刊行与订价动态一致的期货之后，比特币价钱会快速上涨和下跌。详细而言，作者指出，期货推出后价钱的快速上涨和随后的下跌与加密钱币市场的生意行为是一致的。Werner等人[161]关注主要钱币和加密钱币之间的不对称相互关系。多重分形非对称去趋势互相关剖析效果注释，大多数加密钱币对与ETF对之间的互相关具有显著的连续性和非对称多重性。Bai等人[14]行使自动三角套利方式研究了加密钱币市场上的外汇生意算法。实现订价计谋、实现生意算法和开发给定的生意模拟是本研究所要解决的三个问题。Kang等人[146]行使动态条件相关（DCCs）和小波相关剖析了黄金期货相对于比特币价钱的套期保值和多样化特征。DCC-GARCH模子[95]是用来估量比特币和黄金期货之间的时变相关性的，通过对方差和协方差的建模，同时也思量了这两种无邪性。小波相关方式更关注比特币和黄金期货之间的协同运动。实验效果注释，小波相关性剖析效果注释比特币和黄金之间存在颠簸连续性、因果关系和相位差。Dyhrberg等人[92]应用GARCH模子和指数GARCH模子剖析比特币、黄金和美元之间的相似性。实验注释，比特币、黄金和美元与GARCH模子的变量具有相似性，具有相似的对冲能力，对好消息和坏消息的反映是对称的。作者观察到，比特币可以连系商品和钱币在金融市场上的一些优势，成为投资组合治理的工具。Baur等人[20]扩展了Dyhrberg等人的研究；用GARCH和EGARCH-（1,1）模子测试了相同的数据和样本周期[92]，但实验得出了差别的结论。Baur等人发现，与其他资产相比，比特币具有怪异的风险收益特征。他们注意到，比特币的超额收益和颠簸性与黄金或美元相比，类似于一种高度投契的资产。Bouri等人[40]运用DCCs和GARCH（1,1）模子研究了比特币与能源商品之间的关系。稀奇是，研究效果显示，比特币是能源商品强有力的对冲和避风港。Kakushadze[142]提出了逐日加密资产收益横截面的因子模子，并为所有加密钱币和大量其他数字资产的数据下载、盘算风险因子和回溯测试提供了源代码。研究效果注释，对于有用执行和做空的加密资产，横截面统计套利生意是可能的。Beneki等人[25]通过多元BEKK-GARCH方式和VAR模子中的脉冲响应剖析，测试了比特币和以太坊之间的对冲能力。效果注释，以太坊与比特币之间存在颠簸性生意，这意味着加密钱币衍生品市场上可能存在有利可图的生意计谋。Guglielmo等人[54]研究了加密钱币市场的周效应，并探讨了该指标在生意实践中的可行性。对加密钱币数据举行了Student t磨练、ANOVA、Kruskal–Wallis和Mann–Whitney磨练，以便将可能具有异常特征的时间段与其他时间段举行对照。当检测到异常时，确立了一个算法来行使利润机遇（本研究中提到了MQL4中的MetaTrader终端）。效果显示，通过2013-2016年的回溯测试，比特币市场存在异常（周一泛起异常正收益）
8.2. 加密资产组合研究
一些研究者将投资组合理论应用于加密资产。Corbet等人[83]对加密钱币作为金融资产举行了系统剖析。Brauneis等人[46]应用Markowitz均值-方差框架来评估加密钱币投资组合的风险收益。在对生意成本举行的样本外剖析中，他们发现组合加密钱币可以厚实“低风险”加密钱币的投资机遇。就夏普比率和确定性等价回报而言，1∕n-投资组合（即“无邪”计谋，如在资产种别之间平均划分）的显示优于单一加密钱币，就均值-方差最优投资组合的夏普比率和确定性等价回报而言，跨越75%。Castro等人[56]开发了一个基于Omega测度的投资组合优化模子，该模子比Markowitz模子更周全，并通过数值应用将其应用于四个加密资产投资组合。实验注释，加密资产提高了投资组合的收益率，但另一方面也增添了风险敞口。
贝迪等人[22]从投资者生意五种主要法定钱币（即美元、英镑、欧元、日元和人民币）的角度，研究了比特币在六种资产种别的全球投资组合中的多样化能力。他们接纳修正的条件风险价值和尺度差作为风险器量，对三种资产设置计谋举行投资组合优化，并从投资组合理论的角度对各国钱币比特币生意量的伟大差异提供了看法。Antipova等人[7]也举行了类似的研究，探索了通过使用一种或多种加密钱币举行多样化投资，并凭据风险和回报评估投资者的回报，从而确立和优化全球投资组合的可能性。Fantazzini等人[102]提出了一组模子，可用于估量加密钱币投资组合的市场风险，同时使用零价钱概率（ZPP）模子估量其信用风险。效果注释，t-copula/skewed-t-GARCH模子对市场风险的展望优于ZPP模子对信用风险的展望。Qiang等人[134]研究了比特币交流的配合动态。他们行使基于比特币价钱现实逐日颠簸率的毗邻性指标发现，Coinbase无疑是市场领导者，而Binance的显示则出人意料地弱。研究效果还注释，相对于生意量而言，更平安的资产提取对于比特币生意所之间的颠簸性联系更为主要。
Trucios等人[240]提出了一种基于vine copulas和稳健颠簸率模子的方式来估量加密钱币投资组合的风险价值（VaR）和预期缺口（ES）。该算法在VaR和ES估量方面都显示出了优越的性能。Hrytsiuk等人[129]证实了加密钱币收益率可以用Cauchy漫衍来形貌，获得了VaR风险器量的剖析表达式，并举行了响应的盘算。作为优化的效果，在他们的实验中确立了一组最优的加密钱币投资组合。
Jiang等人[136]提出了一种两隐层CNN，以一组加密钱币资产的历史价钱作为输入，输出该组加密钱币资产的权重。这项研究集中在加密钱币资产的投资组合研究使用新兴手艺，如CNN。训练是在麋集的方式举行，以最大限度地累积回报，这被以为是CNN的奖励功效。将CNN计谋的性能与三个基准和其他三种投资组合治理算法（买入持有计谋、统一常数再平衡投资组合和基于在线牛顿步和被动-自动均值回归的通用投资组合）举行了对照，效果注释，CNN计谋的性能是正的，模子的性能仅次于被动均值回归算法攻击性均值回归算法（PAMR）。Estalayo等人[99]讲述了关于DL模子和多目的进化算法（MOEA）组合用于分配加密钱币投资组合的劈头发现。文中给出了叠加DL递归神经网络设计的手艺原理和细节，以及若何行使其展望能力对投资组合的收益和风险举行准确的事前估量。对真实加密钱币数据举行的一组实验效果验证了他们设计的深度学习模子相对于其他回归手艺的优越性能。
9. 市场状态研究
9.1. 泡沫和碰撞剖析
Phillips和Yu提出了一种测试加密钱币泡沫存在的方式[68]，Shaen等人[84]对此举行了扩展。该方式基于上确界增广Dickey-Fuller（SADF），通过包罗一系列转发递归右尾ADF单位根测试来测试气泡。此外，还对加密钱币数据中的泡沫举行了扩展的方式论广义SADF（GSAFD）测试。这项研究的结论是，没有明确的证据注释比特币或以太坊等加密钱币市场存在连续的泡沫。Bouri等人[44]对七种大型加密钱币的价钱爆炸性举行了日期戳印，并展现了所有情形下多个时期爆炸性的证据。GSADF用于识别多个爆炸期，logistic回归用于展现加密钱币的共爆炸性证据。效果注释，一种加密钱币发作期的可能性通常取决于其他加密钱币中爆炸性的存在，并指向统一时期的配合爆炸性，而不一定取决于每种加密钱币的巨细。
Phillips等人[208，209]和Landsnes等人[97]的扩展研究（他们应用了递归增强的Dickey-Fuller算法，称为PSY测试）研究了某些加密钱币泡沫期的可能展望因素。评估包罗所有加密钱币的多个泡沫期。效果注释，较高的颠簸率和生意量与加密钱币泡沫的存在正相关。在泡沫展望方面，作者发现probit模子比线性模子显示更好。
Phillips等人[210]使用隐马尔可夫模子（HMM）和优劣势排序（SIR）方式来识别加密钱币时间序列中的泡沫行为。连系HMM和SIR方式，在社交媒体中引入盛行病检测机制，对加密钱币价钱泡沫举行展望。实验证实Reddit的使用和加密钱币的价钱之间有很强的关系。这项事情还提供了一些履历证据，注释泡沫反映了社会盛行病，如投资理念的流传。Guglielmo等人[53]研究了加密钱币生意中的价钱过分反映。一些参数和非参数磨练证实了过分反映后价钱模式的存在，这注释第二天两个偏向的价钱转变都大于“正常”日之后的价钱转变。效果还注释，在加密钱币市场中检测到的过分反映不会提供可用的利润机遇（可能是由于生意成本），不能被视为有用市场假说的证据。Chaim等人[62]剖析了加密钱币的高无条件颠簸性，从尺度对数正态随机颠簸性模子到颠簸性和收益的不延续跳跃。该实验注释，在加密钱币市场中，将永久性跳跃纳入颠簸的主要性。
9.2. 极端条件
与传统的法定钱币差别，加密钱币具有较高的风险，并显示出较重的尾部行为。Paraskevi等人[151]发现收益率和生意量之间存在极端依赖性。实验还发现，由于所有加密钱币的正超额收益和负超额收益之间的相关性存在差异，因此加密钱币市场中存在不对称的收益-量关系。
加密钱币在2017年终至2018年头泛起价钱暴跌[253]。Yaya等人[253]研究了2017/18年加密钱币市场溃逃前后比特币对其他盛行替换钱币的持久性和依赖性。效果注释，由于加密钱币生意者的投契心理，预计溃逃后打击的连续性会更高，而非均值回归的证据也更多，这意味着加密钱币价钱有进一步下跌的可能性。
10 其他与加密钱币生意相关
其他一些与加密钱币生意相关的研究论文主要集中在市场行为、羁系机制和基准方面。
Krafft等人[160]和Yang[252]划分剖析了市场动态和行为异常，以领会加密钱币市场中市场行为的影响。Krafft等人讨论了潜在的最终缘故原由、潜在的行为机制和潜在的调治上下文因素，以枚举GUI和API对加密钱币市场可能发生的影响。然后，他们强调了数字署理设计中人机交互的潜在社会和经济影响。另一方面，Yang运用资产订价异常的行为理论，行使加密钱币生意数据测试了20个市场异常。效果注释，异常研究更多地关注投契者的角色，这为研究加密钱币市场的动量和反转提供了新的思绪。Cocco等人[75]实行了一种机制，为每种类型的生意者形成比特币价钱和特定行为，包罗遵照帕累托定律的初始财富分配、基于订单的生意和价钱结算机制。详细而言，该模子再现了价钱序列的单位根属性、厚尾征象、价钱收益的颠簸性聚类、比特币的发生、散列功率和功耗。
Leclair[169]和Vidal Thomás等人[241]剖析了加密钱币市场中羊群行为的存在。Leclair运用Huang和Salmon的放牧方式[133]在CAPM框架下估量市场羊群动态。Vidal Thomás等人通过返回横截面尺度（绝对）误差来剖析加密钱币市场中是否存在群体。他们的研究效果都显示了加密钱币市场羊群效应的主要证据。Makarov等人[180]研究了加密钱币市场中的价钱影响和套利动态，发现85%的比特币回报率转变和订单流的特殊身分在注释生意所之间套利价差的巨细方面起着主要作用。
2019年11月，Griffin等人提出了一篇关于无支持数字钱币/unsupported digital money抬高加密钱币价钱的论文[119]，在学术界和舆论上引起了极大的惊动。行使算法剖析区块链数据，他们发现，在市场低迷时Tether大量购置比特币，并导致比特币价钱大幅上涨。通过绘制比特币和Tether的区块链图，他们能够确定Bitfinex上的一个大型玩家在价钱下跌时使用Tether购置大量比特币。
更多的研究涉及到加密钱币市场的基准和生长[127，259]，羁系框架剖析[220]，加密钱币生意中的数据挖掘手艺[204]，有用市场假说在加密钱币市场中的应用[223]，以及研究加密钱币市场的人工金融市场[74]。Hileman等人[127]将加密钱币行业划分为四个要害行业：生意所、钱包、支付和采矿。他们对小我私家、数据、羁系、合规实践、公司成本举行了基准研究，并绘制了2017年加密钱币市场的全球采矿舆图。Zhou等人[259]讨论了盘算机生意在亚太区域最大经济体中的职位和未来，然后还思量了加密钱币市场中的算法和高频生意。Shanaev等人[220]行使120个羁系事宜的数据研究了加密钱币羁系的寄义，效果注释，对加密钱币举行更严酷的羁系是不能取的。Akhilesh等人[204]使用差别加密钱币当日市场情绪的现实值和展望值之间盘算的平均绝对误差作为量化不确定性的方式。他们行使不确定性量化方式的对照和意见挖掘来剖析当前的市场状态。Sigaki等人[223]使用排列熵和价钱日志返回的滑动时间窗口的统计庞大性来量化400多种加密钱币的动态效率。因此，加密钱币市场显示出与有用市场假设的显著一致性。Cocco等人[74]形貌了一个基于署理的人工加密钱币市场，其中异构署理生意加密钱币。所提出的模拟器能够再现在比特币真实市场中观察到的价钱回报的一些真实统计特征。Marko[200]基于加密钱币的历久价值思量了加密钱币作为钱币的未来用途。Neil等人[112]剖析了网络效应对新加密钱币市场竞争的影响。Bariviera和Merediz-Sola[17]基于夹杂剖析举行了观察，提出了一种综合文献综述的方式论夹杂方式，并提供了加密钱币经济学文献中的最新手艺。
尚有一些研究和论文先容了加密钱币生意的基本历程和规则，包罗Hansel等人[124]、Kate[148]、Garza等人[114]、Ward等人[248]和Fantazzini等人[101]的研究效果。Hansel等人[124]先容了加密钱币、比特币和区块链的基础知识、识别市场盈利趋势的方式、使用Altcoin生意平台（如GDAX和Coinbase）的方式、使用加密钱包存储和珍爱账簿中硬币的方式。Kate等人[148]设定了六个步骤来展示若何在加密钱币市场上没有任何手艺技术的情形下最先投资。这本书是一个入门级的生意手册初学者学习加密钱币生意。Garza等人[114]模拟了一个自动加密钱币生意系统，辅助投资者限制系统性风险，提高市场回报。本文是一个设计自动加密钱币生意系统的实例。Ward等人[248]讨论了使用几种通用算法的算法加密钱币生意，并对其举行了修改，包罗调整每个计谋中使用的参数，以及夹杂多种计谋或在计谋之间动态转变。本文是一个在加密钱币市场上举行算法生意的实例。Fantazzini等人[101]先容了R包比特币金融和泡沫，包罗对包罗比特币在内的加密钱币市场的金融剖析。
关于加密钱币和区块链的社区资源，即学术交流平台，是“区块链研究网络”，见[197]。
11. 文献综述的综述剖析
剖析了研究的时间放置、研究在手艺方式上的漫衍、研究在属性上的漫衍。本文还总结了加密钱币生意研究中使用的数据集。
11.1. 时间线
图8显示了加密钱币生意中的几个主要事宜。该时间表包罗加密钱币生意的里程碑事宜和这一领域的主要科学突破。
早在2009年，Satoshi Nakamoto就提出并发明晰第一种去中央涣散的加密钱币比特币[192]。它被以为是加密钱币的劈头。2010年，第一家加密钱币生意所建立，这意味着加密钱币将不再是场外生意市场，而是在基于拍卖市场系统的生意所举行生意。
2013年，Kristoufek[162]得出结论，比特币价钱与谷歌趋势（Google Trends）和维基百科（Wikipedia）中“比特币”搜索查询的频率之间存在很强的相关性。2014年，Lee and Yang[170]首次提出分位数法中基于copula的因果关系从七种主要加密钱币的生意量到收益率和颠簸率的因果关系磨练。
2015年，Cheah等人[66]讨论了比特币和加密钱币的泡沫和投契。2016年，Dyhrberg行使GARCH模子连系黄金和美元对比特币颠簸性举行了研究[92]。
2016年终至2017年，将机械学习和深度学习手艺应用于加密钱币收益率展望。2016年，McNally等人[184]使用LSTM算法展望了比特币的价钱。Bell和Zbikowski等人[23255]应用SVM算法展望加密钱币价钱的趋势。2017年，Jiang等人[136]使用双Q网络，并使用DBM对其举行预训练，以展望加密钱币组合权重。
近年来，在加密钱币生意领域，已经思量了几个研究偏向，包罗跨资产组合[22,56,46]、生意网络应用[163,44]、机械学习优化[214,9,258]。
11.2. 研究属性间的漫衍
我们统计了涉及加密钱币生意差别方面的论文数目。图9显示了效果。图例中的属性是凭据专门测试属性的论文数目排列的。
跨越三分之一（38.10%）的论文研究收益展望。尚有三分之一的论文侧重于研究加密钱币生意中的泡沫和极端条件以及配对和投资组合之间的关系。剩下的研究课题（颠簸率展望、生意系统、手艺生意等）约占三分之一的份额。
11.3. 种别和手艺之间的研究漫衍
本节先容并对照加密钱币生意的种类和手艺。当论文涉及多种手艺或对照差别的方式时，我们从差别的手艺角度得出统计数据。在126篇论文中，有87篇（69.05%）涉及统计方式和机械学习范围。这些论文主要研究手艺层面的加密钱币生意，包罗数学建模和统计学。其他与纯手艺指标生意系统相关的论文以及先容该行业及其历史的论文不包罗在本剖析中。在87篇论文中，75篇（86.21%）先容了加密钱币生意研究中的统计方式和手艺，13.8%的论文研究了机械学习在加密钱币生意中的应用（参见图10）。值得一提的是，有16篇论文（18.4%）在加密钱币生意中应用和对照了多种手艺。更详细地说，Bach等人[12]、Alessandretti等人[5]、Vo等人[243]、Phaladisailoed等人[207]、Siaminos等人[222]、Rane等人[214]在加密钱币生意中使用了统计方式和机械学习方式。
表7显示了所有生意区域（不限于加密钱币）的搜索效果。从表中我们可以看出，大多数研究效果集中在生意中的统计方式上，这意味着对传统市场的大部门研究仍然集中在使用统计方式举行生意。但我们观察到，机械学习在生意中的关注度更高。这可能是由于传统的手艺和基本面已被套利，因此近年来市场一直在寻找新的异常征象加以行使。同时，研究效果还注释，在被普遍研究的机械学习应用于加密钱币市场生意领域，存在许多研究机遇（参见第12节）。
11.3.1. 统计方式的研究漫衍
如图10所示，我们使用统计方式将论文进一步分为6类：（i）基本回归方式；（ii）线性分类器和聚类；（iii）时间序列剖析；（iv）决议树和概率分类器；（v）现代投资组合理论；（vi）其他。
基本的回归方式包罗回归方式（线性回归）、函数估量和CGCD方式。线性分类器和聚类包罗SVM和KNN算法。时间序列剖析包罗GARCH模子、BEKK模子、ARIMA模子、小波时间尺度方式。决议树和概率分类器包罗Boosting树、RF模子。现代投资组合理论包罗风险价值理论、预期缺口理论、Markowitz均值-方差框架等。其他包罗加密钱币市场的行业、市场数据和研究剖析。
图中显示，基本回归方式和时间序列剖析是该领域最常用的方式。
11.3.2. 机械学习分类漫衍研究
使用机械学习的论文占总数的22.78%（c.f图10）。我们进一步将这些论文分为三类：（vii）ANNs（viii）LSTM/RNN/GRUs和（ix）DL/RL。
该图还显示了基于LSTM、RNN和GRU的方式在该子领域中最盛行。
人工神经网络包罗研究人工神经网络在加密钱币生意中应用的论文，如反向流传（BP）神经网络。LSTM/RNN/GRUs包罗使用神经网络的论文，行使数据的时间结构，这是一种稀奇适用于时间序列展望和金融生意的手艺。DL/RL包罗使用多层神经网络和强化学习的论文。ANN与DL的区别在于，一样平常DL是指具有多个隐层的ANN，ANN是指包罗输入层、隐层（一个或多个）和输出层的简朴结构的神经网络。
11.4. 加密钱币生意中使用的数据集
表8-10显示了加密钱币生意研究中使用的一些代表性数据集的详细信息。表8显示了市场数据集。它们主要包罗从加密钱币生意所网络的价钱、生意量、订单级别信息。表9显示了基于情绪的数据。此表中的大多数数据集包罗市场数据和带有情绪或统计标签的媒体/互联网数据。表10给出了前两个表中未涉及的网络的论文中使用的数据集的两个例子。
“钱币”列显示了加密钱币的类型；这注释比特币是加密钱币研究中最常用的钱币。“形貌”列显示数据集的一样平常形貌和类型。“数据分辨率”一栏示意数据的延迟时间（例如，在回溯测试中使用）-这有助于区分高频生意和低频生意。“时间局限”列显示了实验中使用的数据集的时间跨度；这便于区分特定时间距离内的当前性能和历久影响。我们还先容了若何使用数据集（即义务），参见“用法”列。“数据源”详细说明晰从那边检索数据，包罗加密钱币生意所、聚合加密钱币指数和用户论坛（用于情绪剖析）。
Alexander等人[6]也对加密钱币数据举行了观察。他们总结了从152篇已揭晓和SSRN讨论的加密钱币论文中网络的数据，并剖析了它们的数据质量。他们发现，自2017年1月以来，不到一半的加密钱币论文使用了准确的数据。
12 加密钱币生意研究的机遇
本节讨论加密钱币生意未来研究的潜在机遇。
基于情绪的研究。
如上所述，有大量的事情使用自然语言处置手艺举行情绪剖析，最终目的是使用新闻和媒体内容来提高加密钱币生意计谋的性能。
可能的研究偏向可能在于：在情绪剖析中增添大量的媒体输入（例如，添加视频源）；更新基线自然语言处置模子以执行更结实的文本预处置；在标签训练中应用神经网络；在保持期方面扩展样本；生意用度；以及，用户信誉研究。
历久和短期的研究。
在加密钱币生意中，长短期存在显著差异。在历久生意中，投资者可能获得更大的利润，但在数周或数月治理头寸时，有更多的可能性控制风险。由于持有期的增添，必须对历久计谋的风险举行控制，与生意者负担的风险成正比。另一方面，限期越长，风险越高，最主要的是风险控制。限期越短，成本越高，风险越低，因此成本占有了战略设计的主导职位。在短期生意中，当持有期少于一周时，可以应用自动算法生意。通过应用小波手艺剖析泡沫机制[211]，并思量价钱爆炸性[44]假设举行短期和历久研究，研究人员可以区分加密钱币生意中的历久和短期生意。
现有的事情主要是关于历久和短期加密钱币生意之间的差异。历久生意意味着趋势跟踪和市场剖析中简朴的手艺指标所需的时间更少。短期生意可以限制整体风险，由于每笔生意都使用小仓位。但市场噪音（滋扰）和生意时间短可能会造成短期生意的压力。探讨生意信号的提取、时间序列研究、在投资组合治理中的应用、市场暴跌与价钱小幅下跌之间的关系、加密钱币市场中的衍生产物订价等，也可能是一个有趣的课题。
加密钱币与其他钱币的相关性。由于钱币政策和商业周期不受中央银行控制，加密钱币总是与整个金融市场趋势负相关。已经有一些研究讨论了加密钱币和其他金融市场之间的相关性[146，56]，可以用来展望加密钱币市场的偏向。
思量到加密钱币的特点，加密钱币与其他资产的相关性尚有待进一步研究。通过主身分剖析，密码钱币和其他钱币在极端情形下（即金融溃逃）的关系，可能会取得突破。
泡沫和溃逃研究。
为了讨论加密钱币的高颠簸性和高回报率，现在的研究集中在加密钱币市场的泡沫[68]，加密钱币泡沫与颠簸率指数（VIX）等指标之间的相关性[97]（这是一种权衡尺度普尔500指数期权隐含颠簸性的“恐慌指数”），加密钱币市场的溢出效应[178]。
对加密钱币生意中的泡沫和溃逃的进一步研究可以包罗泡沫发生历程和金融溃逃之间的联系，并举行连贯性剖析（从泡沫形成到泡沫破碎结果剖析的连贯性历程剖析），微观经济学对泡沫理论的剖析，在剖析加密钱币市场泡沫时实验其他物理或工业模子（即大森定律[249]），在泡沫剖析中讨论加密钱币的供求关系（如用供求图模拟泡沫的发生，模拟泡沫破碎）。
博弈论和基于署理的剖析。
将博弈论或基于署理的模子应用于生意是传统金融市场的一个研究热门。将这种方式应用于加密钱币市场的生意可能也很有趣。
区块链手艺的公共性。
近年来，对特定钱币生意网络的形成与其价钱之间联系的研究迅速增添；对用户识别的日益关注[139]也有力地支持了这一偏向。通过对这些网络的深入领会，我们可能会发现价钱展望中的新特征，并可能更靠近于明白加密钱币生意中的金融泡沫。
研究文献的开放和Alphas的衰落之间的平衡。Mclean等人[183]指出，投资者从学术出版物中领会到股票市场的错误订价。同样，加密钱币市场的可展望性也可能受到该领域研究论文的影响。一种可能的实验是实验应用实时市场转变的新订价方式。思量到加密钱币市场中知情生意者的比例在订价历程中不停增添，这是另一个突破点（寻找阿尔法生意和生意研究文献之间的平衡点）。
我们对加密钱币生意的研究事情举行了周全的概述和剖析。这项观察提出了一个术语的界说和现在的手艺状态。本文对126篇加密钱币生意论文举行了周全的观察，剖析了加密钱币生意文献的研究漫衍特点。我们进一步总结了用于实验的数据集，并剖析了加密钱币生意的研究趋势和机遇。
我们希望这项观察对学术界（如金融研究人员）和定量生意员都是有益的。这项观察代表了一种快速熟悉加密钱币生意文献的方式，可以激励更多的研究人员为该领域的紧迫问题做出孝敬，例如根据我们已经确定的思绪。
13 结论
我们对加密钱币生意的研究事情举行了周全的概述和剖析。这项观察提出了一个术语的界说和现在的手艺状态。本文对126篇加密钱币生意论文举行了周全的观察，剖析了加密钱币生意文献的研究漫衍特点。我们进一步总结了用于实验的数据集，并剖析了加密钱币生意的研究趋势和机遇。
我们希望这项观察对学术界（如金融研究人员）和定量生意员都是有益的。这项观察代表了一种快速熟悉加密钱币生意文献的方式，可以激励更多的研究人员为该领域的紧迫问题做出孝敬，例如根据我们已经确定的思绪。
未经允许不得转载：营销圈 » 关于加密钱币买卖新手入门必读
