CN111667318A - 一种基于区块链特征的虚拟货币价格波动溯源方法 - Google Patents

一种基于区块链特征的虚拟货币价格波动溯源方法 Download PDF

Info

Publication number
CN111667318A
CN111667318A CN202010561913.6A CN202010561913A CN111667318A CN 111667318 A CN111667318 A CN 111667318A CN 202010561913 A CN202010561913 A CN 202010561913A CN 111667318 A CN111667318 A CN 111667318A
Authority
CN
China
Prior art keywords
data
value
fluctuation
price
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010561913.6A
Other languages
English (en)
Other versions
CN111667318B (zh
Inventor
杨晨光
刘冠雄
李乐平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou 9skychina Information Technology Co ltd
Original Assignee
Guangzhou 9skychina Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou 9skychina Information Technology Co ltd filed Critical Guangzhou 9skychina Information Technology Co ltd
Priority to CN202010561913.6A priority Critical patent/CN111667318B/zh
Publication of CN111667318A publication Critical patent/CN111667318A/zh
Application granted granted Critical
Publication of CN111667318B publication Critical patent/CN111667318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明公开了一种基于区块链特征的虚拟货币价格波动溯源方法，用于解决现有技术中对价格上涨下跌定性预测，而不量化和对价格绝对值进行预测，而非波动率，造成结果是实际价格变化中，波动率大的部分，被作为噪声过滤掉了以及对异常交易行为，而非价格或者价格波动进行检测的问题，该方法包括以下步骤：步骤一：选择参数信息源；步骤二：对参数信息源进行特征预处理，本发明对参数信息源进行特征预处理，通过对虚拟货币价格的波动性进行预测，一旦发现价格异常波动，会运用算法对波动产生的原因进行分析溯源；给每种可能原因的贡献度，便于及时了解价格异常波动情况以及产生的原因。

Description

一种基于区块链特征的虚拟货币价格波动溯源方法
技术领域
本发明涉及基于区块链特征的虚拟货币价格波动溯源技术领域，具体为一种基于区块链特征的虚拟货币价格波动溯源方法。
背景技术
区块链的发展以及区块链和金融技术的结合，产生了虚拟货币市场。截止2019年10月8日，共有2,957种虚拟货币，在公开市场进行交易，市场规模达到10亿美元级别。相比于传统金融市场，虚拟货币市场监管有待带完善，价格波动性大。对虚拟货币价格波动性规律的把握，一方面可以使得投资者更好的在虚拟货币市场进行投资，另一方面，有助于从技术层面对虚拟货币进行监管和监测，防止恶意操纵价格的发生。本申请是利用区块链和虚拟货币的独有特征，利用人工智能算法，对虚拟货币价格的波动性进行预测，同时对价格波动的原因进行溯源；
现有技术，对虚拟货币的波动率研究不够；总体来说，问题分为以下几大类：1.对价格上涨下跌定性预测，而不量化；2.对价格绝对值进行预测，而非波动率；造成结果是，实际价格变化中，波动率大的部分，被作为噪声过滤掉了；3.对异常交易行为，而非价格或者价格波动进行检测；
对区块链的独有特征运用不够；一些价格预测模型，只考虑交易所的Orderbook；一些价格预测模型，只考虑社交媒体信息对价格的影响；而另一些运用区块链独有特征的算法，却只对异常交易行为进行预测，而非价格、波动相关；算法相对单一，只运用一种预测模型，或者预测只考虑一种变化因素；模型多是预测为主，而当一种异常波动发生时，回溯异常发生原因的算法不多。
发明内容
本发明的目的就在于为了解决现有技术中对价格上涨下跌定性预测，而不量化和对价格绝对值进行预测，而非波动率，造成结果是实际价格变化中，波动率大的部分，被作为噪声过滤掉了以及对异常交易行为，而非价格或者价格波动进行检测的问题，而提出一种基于区块链特征的虚拟货币价格波动溯源方法；本发明对参数信息源进行特征预处理，通过对虚拟货币价格的波动性进行预测，基于SVM、RandomForest、RNN等人工智能算法，对虚拟货币波动率进行预测，同时，一旦发现价格异常波动，会运用算法对波动产生的原因进行分析溯源；给每种可能原因的贡献度，便于及时了解价格异常波动情况以及产生的原因；
本发明的目的可以通过以下技术方案实现：一种基于区块链特征的虚拟货币价格波动溯源方法，该方法包括以下步骤：
步骤一：选择参数信息源；
步骤二：对参数信息源进行特征预处理，具体处理步骤为：
S1：对参数信息源的数据清洗，构建基于Spark+Kafka的大数据流处理pipeline，实时传输并清洗各个数据源，具体为：
S11：利用内建的API，将所有内容为空的数据段标注为nan；
S12：集中选取并筛除具有nan字段的数据点；
S13：针对各个数据段的具体特征，建立监测程序，检查数据类型是否匹配并筛除具有不匹配数据段的数据点；
S2：对清洗后的数据进行归一化处理，具体处理过程为：
a：基于标准正态分布，设定任意时刻t，输入特征向量为Xt＝{x1,x2,…,xn}，对于任意时刻，回溯一个长度为T的时间窗口，根据时间窗口的数据，计算每个特征值得均值μ和方差σ，根据统计均值和方差，对每个特征值进行归一化，x＝(x-μ)/(σ)；
b：基于min-max；对任意时刻的特征值，根据其物理定义，求得特征值对应的上下界，并标注为xmin和xmax根据上下界；
求得min-max归一化，x＝(x-xmin)/(xmax-xmin)；
S3：对归一化后的数据进行统计分析，具体过程为：
a：基于D3，建立web可视化工具，对单一特征值进行可视化；
b：建立基于互相关性系数的分析，得到特征值相互之间的联系；
c：结合特征值和ground truth进行相关分析，识别浅层统计关系；
S4：对统计分析后的数据进行特征工程处理，具体为：
a：PCA降维，设定统计分析求得的特征值互相关性矩阵为A，根据线性代数，求解下列方程det(A-λI)＝0依据求得的权重，找出对应的主成分；
b：利用domain knowledge丰富特征向量；
c：利用SMOTE算法对数据进行再平衡；
S5：特征点normalize->GMM->降维度(PCA vector quantization etc)；
步骤三：对特征预处理后的数据进行预测处理，具体处理为：
SS1：SVM：提取训练数据中的特征值和ground truth，将数据结合SVM模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS2：Random Forest：提取训练数据中的特征值和ground truth，将数据结合Random Forest模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS3：RNN：构建基于递归神经网络的回归模型，定义基于l-p norm的损失函数，将数据结合模型进行拟合训练；
SS4：Ensemble：结合1-3三种不同模型的结果，将其构建成输入特征值，构建非线性回归模型，通过ensemble模式拟合最终结果得到预测值，
步骤四：对最终结果进行异常原因回溯处理找到异常原因。
优选的，所述特征值相互之间的联系为：
Figure BDA0002546454600000041
优选的，对所述的拟合最终结果进行异常原因回溯处理，具体处理为：
将预测值和实际值相减，得到当前预测结果的残差δ＝(ytrue-y)，结合当前特征值数据，进行残差拟合截取一段时间窗口内的残差值{δ1,δ2,…,δn}，
利用回归模型对残差进行拟合，找到对应模型ω＝argmin∑(δi-f(ωTXi))；对于残差拟合模型的结果进行分析，根据特征值权重找到异常原因。
所述参数信息源包括Order book price、哈希率、与该虚拟货币的社交媒体相关讨论情绪值、地址转入金额和转出金额的比值平均值、地址Gini系数平均值、地址转账流水金额平均数、新增地址数、地址平均生命周期和大额地址转账金额。
与现有技术相比，本发明的有益效果是：
1、选择参数信息源，对参数信息源进行特征预处理，特征预处理包括数据清洗、归一化处理、统计分析和特征工程处理，对特征预处理后的数据进行预测处理，得到最终结果并对其进行异常原因回溯处理找到异常原因；通过对虚拟货币价格的波动性进行预测，基于SVM、RandomForest、RNN等人工智能算法，对虚拟货币波动率进行预测，同时，一旦发现价格异常波动，会运用算法对波动产生的原因进行分析溯源；给每种可能原因的贡献度，便于及时了解价格异常波动情况以及产生的原因。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于区块链特征的虚拟货币价格波动溯源方法，该方法包括以下步骤：
步骤一：选择参数信息源；选取若干而非单一参数。与市场收益率直观相关的是其历史收益率，因此我们的参数源之一为Order book price。同时，区块链独有的一些特征信息比如哈希率也会被选入，再者，社交媒体信息也是重要的参考。这里列举我们选择的参数信息源如下：参数信息源包括Order book price、哈希率、与该虚拟货币的社交媒体相关讨论情绪值、地址转入金额和转出金额的比值平均值、地址Gini系数平均值、地址转账流水金额平均数、新增地址数、地址平均生命周期和大额地址转账金额；Order book指的是交易所中order book；
步骤二：对参数信息源进行特征预处理，具体处理步骤为：
S1：对参数信息源的数据清洗，构建基于Spark+Kafka的大数据流处理pipeline，实时传输并清洗各个数据源，具体为：
S11：利用内建的API，将所有内容为空的数据段标注为nan；
S12：集中选取并筛除具有nan字段的数据点；
S13：针对各个数据段的具体特征，建立监测程序，检查数据类型是否匹配并筛除具有不匹配数据段的数据点；
S2：对清洗后的数据进行归一化处理，具体处理过程为：
a：基于标准正态分布，设定任意时刻t，输入特征向量为Xt＝{x1,x2,…,xn}，对于任意时刻，回溯一个长度为T的时间窗口，根据时间窗口的数据，计算每个特征值得均值μ和方差σ，根据统计均值和方差，对每个特征值进行归一化，x＝(x-μ)/(σ)；
b：基于min-max；对任意时刻的特征值，根据其物理定义，求得特征值对应的上下界，并标注为xmin和xmax根据上下界；
求得min-max归一化，x＝(x-xmin)/(xmax-xmin)；
S3：对归一化后的数据进行统计分析，具体过程为：
a：基于D3，建立web可视化工具，对单一特征值进行可视化；
b：建立基于互相关性系数的分析，得到特征值相互之间的联系；
Figure BDA0002546454600000061
c：结合特征值和ground truth进行相关分析，识别浅层统计关系；
S4：对统计分析后的数据进行特征工程处理，具体为：
a：PCA降维，设定统计分析求得的特征值互相关性矩阵为A，根据线性代数，求解下列方程det(A-λI)＝0依据求得的权重，找出对应的主成分；
b：利用domain knowledge丰富特征向量；
c：利用SMOTE算法对数据进行再平衡；
S5：特征点normalize->GMM->降维度(PCA vector quantization etc)；
步骤三：对特征预处理后的数据进行预测处理，具体处理为：
SS1：SVM：提取训练数据中的特征值和ground truth，将数据结合SVM模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS2：Random Forest：提取训练数据中的特征值和ground truth，将数据结合Random Forest模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS3：RNN：构建基于递归神经网络的回归模型，定义基于l-p norm的损失函数，将数据结合模型进行拟合训练；
SS4：Ensemble：结合1-3三种不同模型的结果，将其构建成输入特征值，构建非线性回归模型，通过ensemble模式拟合最终结果得到预测值，
步骤四：对最终结果进行异常原因回溯处理找到异常原因。
对所述的拟合最终结果进行异常原因回溯处理，具体处理为：
将预测值和实际值相减，得到当前预测结果的残差δ＝(ytrue-y)，结合当前特征值数据，进行残差拟合截取一段时间窗口内的残差值{δ1,δ2,…,δn}，
利用回归模型对残差进行拟合，找到对应模型ω＝argmin∑(δi-f(ωTXi))；对于残差拟合模型的结果进行分析，根据特征值权重找到可能的异常原因。
虚拟货币的市场波动性通常可以用市场收益率的标准差来衡量，市场收益率是连续复利收益率，t时刻的收益率rt定义为
Figure BDA0002546454600000071
其中pt为t时刻市场价格；log是自然对数，用连续复利收益率是因为，在小时间尺度上(指时间尺度小于1天，例如15分钟，1小时)，其服从正态分r～N(μ，σ2)，t时刻的虚拟货币的市场波动性定义为：t时刻市场收益率rt的标准差σt；t+1时刻的市场波动性为
Figure BDA0002546454600000072
同时给出高波动性和低波动性的阀值，当市场波动性的预测值
Figure BDA0002546454600000073
高于高波动性阀值的时候，系统判定异常波动即将发生，给出异常波动信号预警；异常预警参数y∈{-1,1}，这里y代表市场价格是否会有异动发生，当y取值1的时候代表预测有异动发生；
预警的过程为：将异常波动信号发送至服务器内，服务器接收到异常波动信号后，获取服务器内的注册用户的注册信息，并对注册信息进行分析，具体分析步骤如下：
W1：设定注册用户记为Rm，将注册用户的注册时间与系统当前时间进行时间差计算获取得到注册时长，记为TRm；
W2：利用公式YRm＝TRm×b1+FRm×b2-URm×b3获取得到注册用户的预警推送值YRm；其中，b1、b2和b3均为预设比例系数；FRm为注册用户的评分值；URm为注册用户的取消值；
W3：当预警推送值大于设定阈值，则将该注册用户标记为推送用户；
W4：服务器将异常波动信号及参数信息源发送至该推送用户的智能终端上；同时服务器记录发送异常波动信号及参数信息源的发送时刻；
推送用户通过智能终端接收到异常波动信号及参数信息源后并在预设时间范围内输入评分或取消指令至服务器；
服务器内还包括注册登录模块和预警分析模块；注册登录模块用于用户通过手机终端提交注册信息并将注册成功的注册信息发送至服务器内存储，同时将注册成功的用户标记为注册用户；注册信息包括姓名、手机号码和身份证号；服务器接收到注册用户的注册信息时间为该注册用户的注册时间；
预警分析模块用于采集推送用户的推送处理信息并进行分析，其中推送处理信息包括服务器接收到推送用户的评分及接收时刻和取消指令及接收时刻；具体分析步骤如下：
WW1：当服务器接收到评分，则将服务器接收到推送用户的评分的接收时刻与发送时刻进行时间差计算获取得到反应时长记为G1，单位为分钟；将用户输入的评分记为G2；
WW2：利用公式
Figure BDA0002546454600000081
获取得到推送用户的单次推送值G3：其中b4和b5均为预设比例系数；
WW3：将推送用户的单次推送值进行求和并取其均值，得到推送用户的评分值FRm；
WW4：当服务器接收到取消指令，则该推送用户的取消总次数增加一次，设定推送用户的取消总次数记为G4；将服务器接收到取消指令的时刻与发送时刻进行时间差计算获取得到取消间隔时间，并记为G5；
WW5：利用公式URm＝G4×b6+(∑G5/G4)×b7获取得到推送用户的取消值URm；其中b6和b7均为预设比例系数；
WW6：预警分析模块将评分值和取消值发送至服务器内进行更新存储。
通过预警分析模块对获取用户的评分值和取消值，结合用户的注册时间进行分析得到预警推送值，根据预警推送值合理的将异常波动信号及参数信息源推送给注册用户，方便其及时了解虚拟货币价格波动异常情况；
本发明在使用时，选择参数信息源，对参数信息源进行特征预处理，特征预处理包括数据清洗、归一化处理、统计分析和特征工程处理，对特征预处理后的数据进行预测处理，得到最终结果并对其进行异常原因回溯处理找到异常原因；通过对虚拟货币价格的波动性进行预测，基于SVM、RandomForest、RNN等人工智能算法，对虚拟货币波动率进行预测，同时，一旦发现价格异常波动，会运用算法对波动产生的原因进行分析溯源，给每种可能原因的贡献度，便于及时了解价格异常波动情况以及产生的原因。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，该方法包括以下步骤：
步骤一：选择参数信息源；
步骤二：对参数信息源进行特征预处理，具体处理步骤为：
S1：对参数信息源的数据清洗，构建基于Spark+Kafka的大数据流处理pipeline，实时传输并清洗各个数据源，具体为：
S11：利用内建的API，将所有内容为空的数据段标注为nan；
S12：集中选取并筛除具有nan字段的数据点；
S13：针对各个数据段的具体特征，建立监测程序，检查数据类型是否匹配并筛除具有不匹配数据段的数据点；
S2：对清洗后的数据进行归一化处理，具体处理过程为：
a：基于标准正态分布，设定任意时刻t，输入特征向量为Xt＝{x1,x2,…,xn}，对于任意时刻，回溯一个长度为T的时间窗口，根据时间窗口的数据，计算每个特征值得均值μ和方差σ，根据统计均值和方差，对每个特征值进行归一化，x＝(x-μ)/(σ)；
b：基于min-max；对任意时刻的特征值，根据其物理定义，求得特征值对应的上下界，并标注为xmin和xmax根据上下界；
求得min-max归一化，x＝(x-xmin)/(xmax-xmin)；
S3：对归一化后的数据进行统计分析，具体过程为：
a：基于D3，建立web可视化工具，对单一特征值进行可视化；
b：建立基于互相关性系数的分析，得到特征值相互之间的联系；
c：结合特征值和真实值进行相关分析，识别浅层统计关系；
S4：对统计分析后的数据进行特征工程处理，具体为：
a：PCA降维，设定统计分析求得的特征值互相关性矩阵为A，根据线性代数，求解下列方程det(A-λI)＝0依据求得的权重，找出对应的主成分；
b：利用domain knowledge丰富特征向量；
c：利用SMOTE算法对数据进行再平衡；
S5：对特征点依次进行normalize函数、高斯混合模型和降维度处理；
步骤三：对特征预处理后的数据进行预测处理，具体处理为：
SS1：SVM算法处理：提取训练数据中的特征值和ground truth，将数据结合SVM模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS2：Random Forest算法处理：提取训练数据中的特征值和ground truth，将数据结合Random Forest模型进行拟合训练，利用k-fold算法寻找合适的超参数；
SS3：RNN算法处理：构建基于递归神经网络的回归模型，定义基于l-p norm的损失函数，将数据结合模型进行拟合训练；
SS4：Ensemble：结合三种不同模型的结果，将其构建成输入特征值，构建非线性回归模型，通过ensemble模式拟合最终结果得到预测值，当市场波动性的预测值高于高波动性阀值，则判定为异常波动发生，给出异常波动信号进行预警；
步骤四：对最终结果进行异常原因回溯处理找到异常原因。
2.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，所述特征值相互之间的联系为：
Figure FDA0002546454590000031
3.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，对所述的拟合最终结果进行异常原因回溯处理，具体处理为：
将预测值和实际值相减，得到当前预测结果的残差δ＝(ytrue-y)，结合当前特征值数据，进行残差拟合截取一段时间窗口内的残差值{δ1,δ2,…,δn}，利用回归模型对残差进行拟合，找到对应模型ω＝argmin∑(δi-f(ωTXi))；对于残差拟合模型的结果进行分析，根据特征值权重找到异常原因。
4.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，所述参数信息源包括Order book price、哈希率、与该虚拟货币的社交媒体相关讨论情绪值、地址转入金额和转出金额的比值平均值、地址Gini系数平均值、地址转账流水金额平均数、新增地址数、地址平均生命周期和大额地址转账金额。
CN202010561913.6A 2020-06-18 2020-06-18 一种基于区块链特征的虚拟货币价格波动溯源方法 Active CN111667318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010561913.6A CN111667318B (zh) 2020-06-18 2020-06-18 一种基于区块链特征的虚拟货币价格波动溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010561913.6A CN111667318B (zh) 2020-06-18 2020-06-18 一种基于区块链特征的虚拟货币价格波动溯源方法

Publications (2)

Publication Number Publication Date
CN111667318A true CN111667318A (zh) 2020-09-15
CN111667318B CN111667318B (zh) 2023-03-03

Family

ID=72388683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010561913.6A Active CN111667318B (zh) 2020-06-18 2020-06-18 一种基于区块链特征的虚拟货币价格波动溯源方法

Country Status (1)

Country Link
CN (1) CN111667318B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935786A (zh) * 2021-12-15 2022-01-14 浙江数秦科技有限公司 一种基于区块链的碳排放权交易系统及方法
CN115271733A (zh) * 2022-09-28 2022-11-01 深圳市迪博企业风险管理技术有限公司 一种隐私保护的区块链交易数据异常检测方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985965A (zh) * 2018-06-22 2018-12-11 华北电力大学 一种结合神经网络和参数估计的光伏功率区间预测方法
CN109409663A (zh) * 2018-09-20 2019-03-01 众安信息技术服务有限公司 一种区块链资产场外交易热度监测指标的构建方法及系统
CN109684797A (zh) * 2018-11-21 2019-04-26 众安信息技术服务有限公司 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统
CN110024422A (zh) * 2016-12-30 2019-07-16 英特尔公司 物联网的命名和区块链记录
CN110363510A (zh) * 2019-06-05 2019-10-22 西安电子科技大学 一种基于区块链的加密货币用户特征挖掘、异常用户检测方法
US20200104835A1 (en) * 2018-09-27 2020-04-02 Coinbase, Inc. Method and system for assisting transactions

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110024422A (zh) * 2016-12-30 2019-07-16 英特尔公司 物联网的命名和区块链记录
CN108985965A (zh) * 2018-06-22 2018-12-11 华北电力大学 一种结合神经网络和参数估计的光伏功率区间预测方法
CN109409663A (zh) * 2018-09-20 2019-03-01 众安信息技术服务有限公司 一种区块链资产场外交易热度监测指标的构建方法及系统
US20200104835A1 (en) * 2018-09-27 2020-04-02 Coinbase, Inc. Method and system for assisting transactions
CN109684797A (zh) * 2018-11-21 2019-04-26 众安信息技术服务有限公司 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统
CN110363510A (zh) * 2019-06-05 2019-10-22 西安电子科技大学 一种基于区块链的加密货币用户特征挖掘、异常用户检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935786A (zh) * 2021-12-15 2022-01-14 浙江数秦科技有限公司 一种基于区块链的碳排放权交易系统及方法
CN115271733A (zh) * 2022-09-28 2022-11-01 深圳市迪博企业风险管理技术有限公司 一种隐私保护的区块链交易数据异常检测方法及设备

Also Published As

Publication number Publication date
CN111667318B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
Gan et al. Consumer choice prediction: Artificial neural networks versus logistic models
WO2001050315A2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
WO2001050310A9 (en) Methods and systems for automated inferred valuation of credit scoring
CN113095927B (zh) 一种反洗钱可疑交易识别方法及设备
CN111667318B (zh) 一种基于区块链特征的虚拟货币价格波动溯源方法
Kompella et al. Stock market prediction using machine learning methods
Anandarajan et al. A comparison of machine learning techniques with a qualitative response model for auditor’s going concern reporting
Huang et al. An Evolutionary Method for Financial Forecasting in Microscopic High‐Speed Trading Environment
Bebeshko et al. Analysis and modeling of price changes on the exchange market based on structural market data
CN113919931A (zh) 一种贷款申请评分模型的使用效果评估方法及系统
CN115860924A (zh) 供应链金融信用风险预警方法及相关设备
Dunis et al. Nonlinear forecasting of the gold miner spread: An application of correlation filters
Bai et al. Commercial Bank Credit Grading Model Using Genetic Optimization Neural Network and Cluster Analysis
CN114612239A (zh) 基于算法、大数据、人工智能的股票舆情监测和风控系统
Nur Comparing the Accuracy of Multiple Discriminant Analyisis, Logistic Regression, and Neural Network to estimate pay and not to pay Dividend
Alturki et al. Trading Saudi stock market shares using multivariate recurrent neural network with a long short-term memory layer
Panwai Artificial neural network stock price prediction model under the influence of big data
Costea et al. An integrated two-stage methodology for optimising the accuracy of performance classification models
Yao et al. Quantitative Investment Trading Model Based on Model Recognition Strategy with Deep Learning Method
Li et al. Stock market prediction using reinforcement learning with sentiment analysis
Petrović Assessment of movement of the Belex15 index using linear regression and neural network
Amze MODELING FORECAST CRYPTOCURRENCY PRICE QUOTES USING NEURAL NETWORKS
Zhang et al. A Financial Risk Early Warning of Listed Companies Based on PCA and BP Neural Network
Porro et al. Predicting Investor Behavior and Investment Patterns in Equity and Lending Crowdfunding Campaigns.
Zhang et al. Application of Adaboost Algorithm in Enterprise Financial Risk Analysis Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room 803, No. 4, Energy Road, Tianhe District, Guangzhou, Guangdong, 510000

Applicant after: GUANGZHOU 9SKYCHINA INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Room 4018, No. 433, Yanling Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 (office only)

Applicant before: GUANGZHOU 9SKYCHINA INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant