基于经验模态分解方法的比特币价格波动分析及预测方法研究

《基于经验模态分解方法的比特币价格波动分析及预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代号10532学号S1525017451分类号密级1硕士学位论文基于经验模态分解方法的比特币价格波动分析及预测方法研究学位申请人姓名孙坚培养单位湖南大学经济与贸易学院导师姓名及职称黄建欢教授张亚斌教授学科专业应用经济学研究方向互联网金融论文提交日期2018年5月学校代号：10532学号：S152501745密级：湖南大学硕士学位论文基于经验模态分解方法的比特币波动分析及预测方法研究学位申请人姓名：孙坚导师姓名及职称：黄建欢教授张亚斌教授培养单位：湖南大学经济与贸易学院专业名称：应用经济学论文提交日期：2018年5月10日论文答辩日期：2018年5月22日答辩委员会主席：钱晓英教授B

2、itcoinPriceFluctuationandForecastingMethodsResearchBasedonEmpiricalModeDecompositionbySunJianB.E(HunanUniversity)2015AthesissubmittedinpartialsatisfactionoftherequirementsforthedegreeofMasterofEconomicsinAppliedeconomicsintheGraduateschoolofHunanUniversitySupervisorsProfessorHuangJianhuanZhangYa

3、binMay,2018湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印

4、或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密□，在______年解密后适用本授权书。2、不保密□。（请在以上相应方框内打“√”）作者签名：日期：年月日导师签名：日期：年月日I基于经验模态分解方法的比特币价格波动分析及预测方法研究摘要比特币是一种极富争议且具有颠覆性的数字货币，它是计算机技术、密码学原理与自由主义经济思想的奇妙结合的产物。它有总量有限、去中心化、交易记录透明公开不可篡改等信用货币不具备的特点。比特币具有商品属性和货币属性，既能用来投资投机，也能用来进行支付交易。比特币价格的波动也异于传统货币和大宗商品的价格变化。因此，分析和预测比特币价格的走势也就成为理论

5、界和投资界关注和研究的热点。2013年以来，由于受到多种因素的影响，比特币价格经历了数次大跌大涨，对世界各国的影响也越来越大。在贸易保护主义抬头和世界经济增长趋缓的背景下，比特币日渐成为人们理财和投资的工具之一，能否对比特币价格和走势进行分析判断就显得极其重要。比特币投资者只有深刻理解比特币价格的波动机制及比特币价格走势才能够有效规避比特币价格的波动风险，进而获得理想的投资收益。本文提出了一种基于集成经验模态分解方法（EEMD）的比特币价格波动分析及预测方法。本文以2013年1月4日至2017年4月12日的比特币价格序列的日度数据为研究对象，首先对比特币价格进行描述性统计分析以了解比特

6、币价格的基本特征，其次运用EEMD技术将比特币价格序列分解成10个不同频率的分量（包括9个本征模态（IMF）和1个残差项）。首先，本文对分解后的分量做了如下分析：1、计算各个IMFs的平均周期；2、分析IMFs与比特币价格原始序列的相关性及其方差贡献率。其次，采用重构算法把这些不同频率、尺度各异的IMFs叠加成三个新的分量，按照频率的不同可以分为：低频分量、高频分量和趋势分量，本文从三个时间尺度分别对比特币价格时间序列进行理论分析和特征分析。本文得出的结论为：比特币价格主要受长期趋势、重大事件和市场短期波动所影响。在此基础上，本文接下来尝试对比特币价格进行预测分析。由于比特币价格是非线

7、性和非平稳的时间序列，所以精确预测其价格的走势就变得富有挑战性。一般的统计学和计量经济学模型是基于所研究的数据是线性的这一假设之上的，要提取隐匿在比特币价格中的非线性模式是极其困难的，因此普遍不能获得比特币价格精确的预测结果。为了突破统计学和计量经济学模型的这一缺陷，本文尝试提出一种以EEMD和LSTM(长短期循环神经网络)为基础的EMD-LSTM模型预测方法。该方法采用EEMD把比特币价格序列分解成若干个不同频率和尺度的分量，根据各个分量频率