从幂律到人工智能网络，为什么复杂的比特币价格模型会记住市场噪音

这一发现凸显了随着比特币市场结构跨周期变化的非平稳性、过度拟合和信息泄露风险。

2026 年 5 月的一项审查发现，在整个市场体系中，没有一个比特币预测模型能够在一到六个月的时间内持续击败朴素基准。

比特币价格预测已经积累了异常丰富多彩的方法。

您拥有将减半时间表转换为价格的基本稀缺模型，以及将地址或交易活动转换为价值的普通链上模型。

备受争议的幂律图表在比特币的历史中绘制了一条上升走廊，机器学习系统将市场和宏观经济数据输入极其复杂的软件中。

这些方法中的每一种都与一个非常肤浅、愚蠢的对手进行价格预测竞赛：仅使用当前市场信息的天真预测。价格预测可以使用今天的价格，收益​​预测可以使用零，方向预测可以使用随机游走。

一旦模型离开其设计时期，许多学术文献就很难击败它。

波尔图大学 Carlos Baquero 于 2026 年 5 月发表的一份预印本回顾了比特币预测研究，得出了一个相当发人深省的结论：在同行评审的记录中，没有任何模型能够在多个市场制度的一到六个月内表现出比适当的朴素基准具有持久的优势。

文献包含数百篇论文，而 Baquero 根据其方法、影响力或真正的样本外评估的使用，选择了 23 篇进行仔细检查。审查本身仍在等待同行审查，这是一个重要的区别，因为其核心论点之一是预测主张需要更强有力的评估。

短期订单流和日收益预测占据着不同的领域，其中一些已经产生了真正的预测价值。在线讨论通常将它们与长期价格预测和估值模型结合起来，尽管每项任务都要求不同的答案。

描述比特币历史路径的公式几乎无法告诉我们明天的方向，而每日方向模型几乎无法告诉我们六个月后的价格。

金融界最容易的对手

朴素的预测之所以有效，是因为金融价格是持久的，因此，当比特币今天的交易价格为 100,000 美元时，预测明天的价格为 100,100 美元的模型可能会产生微小的百分比误差，即使它几乎没有了解方向或回报。

今天的价格几乎同样准确，并且仅评估第一个模型就可以相信市场已经提供的信息。

随着视野的扩大，基准变得更加苛刻，因为比特币可能在一个月内剧烈波动，为预测者提供了增加价值的空间，而模型学习的关系随着市场的发展而衰退。

针对零售主导的 2017 年周期进行校准的规则在 2021 年遇到了不同的衍生品结构，而现货 ETF 在 2024 年为资本和价格发现创造了另一条途径。每个时代都提供来自不再以完全相同的形式存在的市场版本的历史数据。

当变量之间的关系不足以保持足够稳定以过去的观察来描述未来时，就会出现这个称为非平稳性的问题。

比特币的用户群和流动性随着时间的推移而发展，而监管和准入也改变了谁可以交易它以及如何交易。模型可以在一个时期内捕捉到一种关系，但当资产周围的市场发生变化时就会失去这种关系。

Francesco Puoti、Fabrizio Pittorino 和 Manuel Roveri 在一项比较统计、机器学习和深度学习预测的研究中得出了类似的结果。他们在 1 天、7 天和 30 天的范围内对 5 种主要加密货币应用了 12 种方法。

简单的朴素模型始终比 ARIMA、Prophet、随机森林、XGBoost、LSTM 网络和 N-BEATS 产生更好的预测。

结果更多地说明了可用信息，而不是每种方法的复杂性。当存在可供学习的稳定模式时，复杂模型可以增加价值，而当这些模式较弱或暂时时，它可以记住噪音。

比特币提供了大量的数据，但其经历的独立市场周期的数量仍然相当少。数以百万计的分钟柱不断重复对 2018 年熊市或 2020 年流动性冲击的观察。

回测如何成为预测比特币价格的水晶球

一旦它们的创建者看到了整个历史时期用于构建它们的情况，许多比特币模型就会显得最强大。研究人员可以在发布最佳结果之前尝试不同的变量和回顾窗口、移动开始日期或将一种架构交换为另一种架构。

获胜者可能发现了一种持久的关系，但它也可能赢得了在相同价格历史上进行的大型彩票，这种结果被称为回测过度拟合。

David Bailey 和他的合著者在回测过度拟合概率的研究中将这个问题形式化。尝试更多的模型变化会增加偶然发现优秀历史结果的可能性。仅选择获胜者并展示其表现就隐藏了使获胜者成为可能的失败尝试的次数。

单一的按时间顺序划分几乎无法提供保护，因为研究人员可以在 2020 年进行训练并在 2021 年评估模型，从而产生明显超出样本的结果，而该结果在很大程度上要归功于单一牛市。

前瞻评估更强，因为该模型反复对过去的数据进行重新训练并预测下一个看不见的时期。多个不重叠的坚持窗口再次变得更强，因为它们迫使相同的方法遇到牛市、崩盘、横向周期和不同的流动性条件。

在巴克罗审查的同行评审论文中，没有一篇论文对涵盖不同制度的几个不重叠的坚持窗口中的相同方法进行了评估。最有力的论文在一个连续的样本外周期内使用滚动或步进评估。

这些方法提供了真实的证据，但单个聚合错误仍然可能将一个部分的失败隐藏在另一部分的成功背后。

信息泄漏还可能导致错误的置信度，因为使用未来数据计算的特征可能会给模型带来模糊的答案。当您在整个样本中标准化变量时，您会遇到同样的问题，并且重叠的返回窗口可以跨越训练边界携带未来的观察结果。

该错误可能非常细微，足以通过同行评审，特别是当复杂的架构在原始数据和报告的预测之间进行多次转换时。

每日简报 噪音之前的信号。以由 CryptoSlate 编辑解码的推动市场的加密货币故事开始新的一天。一封电子邮件。一切重要的事情。电子邮件地址 免费加入 免费加入。随时取消订阅。哎呀，看来有问题了。请再试一次。你在名单上。您的下一份每日简报即将发送。

当 99% 的准确度声称指的是预测价格水平与实际价格的接近程度时，该指标本身可以使模型更加平坦，这对于持久序列来说是一项相对容易的任务。

交易者关心走势的方向和规模，以及采取行动的成本。当比特币从 100,000 美元上涨到 99,500 美元时预测价格为 100,500 美元的模型存在很小的价格误差，但仍然会做出错误的交易。

公式比他们的预测更长久

比特币最著名的估值框架之所以蓬勃发展，是因为它们将一种显然非常复杂的资产变成了一种很好、直观的解释。

例如，库存流量表示稀缺性是推动价值的因素，每次减半都会减少相对于现有库存的新供应量。

梅特卡夫式的模型表示，随着用户群的扩大，网络变得更有价值。

幂律表明，比特币的悠久历史遵循价格与时间之间稳定的数学关系。