摘要:隨著數(shù)字經(jīng)濟的快速發(fā)展,比特幣成為當代重要的金融討論話題。比特幣是一種基于區(qū)塊鏈技術(shù),保證整個支付體系和虛擬貨幣產(chǎn)生和使用的點對點協(xié)議,比特幣具有去中心化、匿名性和內(nèi)置激勵性等特征,缺點是缺少信用背書、幣值不穩(wěn)定和發(fā)行者過多占據(jù) “鑄幣稅”。由于比特幣主要扮演的是資產(chǎn)角色而非充當貨幣角色,其市場投機性強和幣值波動性大的特點,因而和其他投資市場相比,因而比特幣存在市場效率低下的現(xiàn)象,故研究比特幣價格的預測與分析具有重要意義。本文主要選用2019年3月到2021年7月的比特幣收盤價,采用了ARIMA模型,通過使用R語言對數(shù)據(jù)進行平穩(wěn)化處理并進行單位根檢驗,對比各參數(shù),建立合理的ARIMA模型,同時,與自動生成的ARIMA模型進行比較,選擇較為優(yōu)良的模型進行比特幣價格的短期預測。
關(guān)鍵詞:比特幣;ARIMA模型;時間序列
引言
2008年10月,一位名為中本聰密碼學者發(fā)布了《比特幣: 一種點對點的電子現(xiàn)金系統(tǒng)》的文章,文內(nèi)描述了一種被他稱為“比特幣”的電子貨幣及其算法。隨后,中本聰挖出第一個區(qū)塊,即所謂的創(chuàng)世區(qū)塊,由此比特幣正式誕生。比特幣是基于區(qū)塊鏈技術(shù),具有分布式賬本、可追溯、不可篡改、去中心化等特點,為金融創(chuàng)新帶來了新的可能。在比特幣出現(xiàn)后,還有以太坊、瑞波幣等基于區(qū)塊鏈技術(shù)的數(shù)字貨幣大量涌現(xiàn)。
比特幣的底層技術(shù)是區(qū)塊鏈。區(qū)塊鏈,顧名思義是由“區(qū)塊”和 “鏈”組成的。區(qū)塊簡單而言就是一個信息塊,通過加密算法記錄交易信息,如果區(qū)塊的交易信息被認證、接受,那就可以寫入鏈條中,并發(fā)布給所有的節(jié)點,形成區(qū)塊鏈。所以說,區(qū)塊鏈可以理解為一個嚴格按照時間順序排列的交易信息記錄簿,而且分布在所有節(jié)點上。
2009年10月,1美元相當于1309. 03比特幣;2010年11月6日,第一個比特幣交易所成立,1比特幣相當于0.5美元;此后,比特幣的價格出現(xiàn)飛躍式上漲,在2013年11月漲至超過1000美元的歷史高點;2014年2月,當時世界最大的比特幣交易所 Mt. Gox 被盜,引發(fā)虛擬貨幣歷史上的第二次大熊市;到2020年,比特幣的價格暴漲,又回到超過 1 萬美元的高位。可見比特幣的價格是極度波動的,而隨機的、大幅的波動性,使得以比特幣為載體的商業(yè)交易面臨著極大的不確定性,同時比特幣主要用于資產(chǎn)而非貨幣,在金融市場和投資組合管理中發(fā)揮重要作用,因此,對比特幣波動性的研究具有重要的現(xiàn)實意義。
1.時間序列模型——ARIMA模型
假設(shè)時間序列{X_t}具有如下形式:
X_t=φ_0+φ_1 X_(t-1)+φ_2 X_(t-2)+...+φ_p X_(t-p)+ε_t-θ_1 ε_(t-1)-θ_2 ε_(t-2)-...-θ_q ε_(t-q) ?(1)則稱式(1)為自回歸移動平均模型,記為 ARMA( p,q) 模型,稱{X_t}為ARMA( p,q)過程,其中,E(ε_t)=0,var(ε_t)=σ_ε^2,cov(ε_t,ε_t)=0(s≠t),cov(x_s,ε_t)=0(?s<t)
如果一個時間序列{X_t}的d次差分Wt = ?^d X_t時ARMA(p,q)過程,
即 W_t=φ_1 W_(t-1)+φ_2 W_(t-2)+...+φ_p W_(t-p)+ε_t-θ_1 ε_(t-1)-θ_2 ε_(t-2)-...θ_q ε_(t-1) ? (2)
則稱上式(2)為自回歸滑動平均求和模型,記為ARIMA(p,d,q)模型,稱{X_t}為ARIMA(p,d,q)過程。當 d = 0,ARIMA(p,0,q) 模型實際上就是 ARMA(p,q);當 p = 0,ARMA(0,d,q) 模型可以簡記為IMA(d,q) 模型;當 q = 0 時,ARMA(p,d,0)模型可以簡記為ARI(p,d)模型。
ARIMA模型是差分整合移動平均自回歸模型,又稱整合移動平均自回歸模型,是時間序列預測分析方法之一。通常對線性趨勢可以用一階差分可以使之平穩(wěn)化,對二階曲線使用二階差分。在實際應用過程中,可能由于過差分使數(shù)據(jù)失真,因此產(chǎn)生了分數(shù)階差分來進行優(yōu)化,本文使用一階差分,因此對分數(shù)階差分不再贅述。
2.實證分析
2.1建立時間序列
本文所使用的數(shù)據(jù)主要是2019年10月至2021年1月比特幣交易平臺指數(shù)的每日收盤價原始數(shù)據(jù)。這些數(shù)據(jù)在http://www.coindesk上公開,選取數(shù)據(jù)包中的收盤價作時間序列。
2.2平穩(wěn)性檢驗
從該圖1可知,該序列是非平穩(wěn)的,由于建立ARIMA模型需要平穩(wěn)性序列,因此要對該序列進行差分,經(jīng)過R語言返回的結(jié)果是一階差分,因此對其進行一階差分處理,再繪制圖形。
從圖2可大體看出,一階差分后的序列是平穩(wěn)的,同時對差分后的序列做ADF單位根檢驗,檢驗結(jié)果顯示p值是0.01,所以我們拒絕原假設(shè),即認為一階差分處理后的序列是平穩(wěn)的。
2.3模型的定階及擬合
接下來對序列作一階差分后的自相關(guān)圖和偏自相關(guān)圖。
從圖3自相關(guān)圖可知,在滯后階數(shù)逐漸增加時,自相關(guān)系數(shù)逐漸減小到0.
從偏自相關(guān)圖可發(fā)現(xiàn)較難確定模型中的q值,因此用forecast包中的auto.arima() 函數(shù)來建立最優(yōu)模型。
2.4 自動建模
利用R語言自帶的forecast包中的auto.arima() 函數(shù)進行自動選擇模型。通過 R 程序自動選擇了 ARIMA(4,1,4) 模型,且AIC值為17149.56,標準差方差估計值為39749012,比上述建模后的AIC值小,說明模型ARIMA(4,1,4)比模型ARIMA(2,1,2)效果要好。
2.5模型診斷
進行模型的診斷需要看兩方面,一方面是殘差是否服從正態(tài)分布,另一方面是看殘差之間是否相關(guān)。首先我們繪制Q-Q圖觀察殘差是否服從正態(tài)分布。
從圖5可看出,它處于45度分位線上,所以認為是服從正態(tài)分布的。接下來用Ljung-Bo函數(shù)來檢驗殘差之間是否相關(guān),結(jié)果如下:
從結(jié)果可知p值為0.9253大于0.05,因此接受原假設(shè),即認為殘差之間不相關(guān),也就是殘差是平穩(wěn)的。
2.6用ARIMA模型進行預測
由前文可知ARIMA(4,1,4) 模型的AIC值比模型ARIMA(2,1,2)的AIC值小,故選擇ARIMA(4,1,4) 模型使用forecast函數(shù)來向前預測五期的收盤價,結(jié)果如下:
該函數(shù)預測了接下來三個月的比特幣收盤價,第一列表示的是點估計值,第二列和第三列表示的是百分之80的置信下限和百分之80的置信上限,第四列和第五列表示的是百分之九十五的置信下限和百分之95的置信上限,最后畫下模型預測圖。
由圖6可知,圖中三個點表示點預測值,藍色的區(qū)間表示80%的置信區(qū)間,灰色的表示95%的置信區(qū)間。
3.結(jié)論
本文利用時間序列分析的建模思想,對比特幣的收盤價進行預測,通過模型識別、建立和檢驗,確定ARIMA(4,1,4)模型為比特幣收盤價的預測模型。通過模型的預測發(fā)現(xiàn),ARIMA 模型在實際中有著廣泛的適用性,可以推廣到其他領(lǐng)域的預測,不過需要根據(jù)所要解決的問題和問題的特點等因素來綜合考慮,選擇出相對最優(yōu)的預測模型。
綜上所述,ARMA模型充分利用有限的數(shù)據(jù)集對未來的發(fā)展趨勢進行了預測分析。通過 ARMA模型進行建模和實證分析得到的短期比特幣的預測值較為理想,為學者分析價格波動提供了一定的參考意義。
參考文獻:
[1]劉剛,劉娟,唐婉容.比特幣價格波動與虛擬貨幣風險防范——基于中美政策信息的事件研究法[J].廣東財經(jīng)大學學報,2015,30(03):30-40.
[2]段格格.基于ARIMA模型的比特幣價格預測研究[J].現(xiàn)代營銷(下旬刊),2021(01):27-29.
[3]蔡承智,黃軍結(jié),梁穎.基于ARIMA模型的世界大豆總產(chǎn)預測分析[J].大豆科學,2019,38(02):298-303.
[4]Saralees Nadarajah,Jeffrey Chu. On the inefficiency of Bitcoin[J]. Economics Letters,2017,150:
[5]Yonghong Jiang,He Nie,Weihua Ruan. Time-varying long-term memory in Bitcoin market[J]. Finance Research Letters,2018,25.
作者簡介:朱曉婕(1997--) ,女,漢族,籍貫:江蘇南通,碩士,單位:福建師范大學,研究方向:金融