分析：複雜的比特幣模型難以勝過簡單預測

Carlos Baquero於2026年5月發布的預印本發現，在多個市場階段、1至6個月的預測期限內，沒有任何比特幣價格模型能夠持續優於適當的簡單基準。Baquero從數百項研究中選出23篇進行深入審查。該預印本尚未經過同儕審查。簡單預測使用當前市場資訊，例如用今天的價格預測價格、用0預測報酬率，或用隨機漫步預測方向。Francesco Puoti、Fabrizio Pittorino和Manuel Roveri比較了五種主要加密貨幣的統計、機器學習和深度學習預測。他們的研究在1日、7日和30日的預測期限內測試了12種方法。簡單模型持續產生優於ARIMA、Prophet、隨機森林、XGBoost、LSTM網路和N-BEATS的預測。比特幣不斷變化的流動性、監管、市場准入和交易結構，為根據歷史資料訓練的模型創造了非平穩環境。2017年由散戶主導的週期不同於2021年的衍生品結構。現貨ETF在2024年為資金流動和價格發現創造了另一條路徑。研究人員測試大量變數、視窗、日期或架構後，回測過度擬合可能使模型看似成功。滾動評估和多個互不重疊的留出視窗，比單一的按時間順序劃分提供更有力的測試。Baquero發現，他審查的同儕審查論文中，沒有一篇在涵蓋不同市場階段的多個互不重疊視窗上測試同一種方法。當特徵使用未來資料、變數根據完整樣本進行標準化，或報酬率視窗與訓練邊界重疊時，資訊洩漏也可能造成虛假信心。價格水平準確率可能使模型顯得優於實際表現，因為模型可能跟隨一個持續性序列，卻預測錯誤的方向和交易。存量流量模型和梅特卡夫風格模型包含看似合理的經濟思想，但研究發現，在用新資料檢驗其關係後，這些模型的樣本外預測能力有限或為零。Alexander Shelton於2024年發表的同儕審查研究發現，存量流量變數和梅特卡夫變數有助於解釋樣本內報酬率。一旦將時間效應納入存量流量迴歸，其統計效力便消失。Savva Shanaev及其合著者發現，在處理自相關以及網路活動與價格之間的雙向關係後，歸因於算力和交易數量的正面影響消失了。冪律模型能夠擬合比特幣歷史路徑的很大一部分，但對數—對數圖上的高R-squared本身並不能證明存在冪律。研究人員還需要檢驗殘差分布、比較其他時間函數、考察對起始日期的敏感性，並評估未來觀測值。該綜述發現，比特幣目前的冪律文獻尚未完成這項工作。更嚴格的預測標準應在模型結果旁公布簡單基準，按市場階段報告表現，納入交易成本，並揭露嘗試過的模型變體。公開程式碼和資料將使其他研究人員能夠重現這些結果。