本研究以市值前四大的 BTC、ETH、LTC、BCH，以及週轉率較高的 DASH、ZEC、 BSV 為樣本，以基本面、行為面、微結構面、投資人結構面、總體經濟面、技術面及網絡面等七個面向，解釋加密貨幣價格之成因。除此之外，本研究也定義並預測加密貨幣的泡沫與崩盤。利用羅吉斯迴歸計量模型與四種常見之機器學習模型，支持向量機(Support Vector Machine, SVM)、決策樹(Decision Tree)、隨機森林(Random Forest)、長短期記憶模型 (LSTM)，進行加密貨幣漲跌的預測，並依據以上成果發展出加密貨幣的交易策略。

加密貨幣市場的報酬，以 BTC 最高，ETH 次之，ZEC 最低。流動性、集中度較股市低，而波動性雖較股市高，但隨時間有明顯下降趨勢，週轉率則與股市差異不大。其中亦發現，集中度最高的 LTC，與集中度最低的 BTC，存在市場結構上的不同。BTC 的流動性較高，日內震盪幅度較較高，每日報酬離異性較低，週轉率較低，過去 24 小時活躍地址數最多，平均每筆成交規模最小，顯示投資人多且主要為散戶，平均持有期間較長。LTC 的流動性較低，日內震盪幅度較較低，每日報酬離異性較高，週轉率較高，過去 24 小時活躍地址數最少，平均每筆成交規模較大，顯示投資人少且主要為大戶，平均持有期間較短。流動性、 集中度較股市低，而波動性雖較股市高，但隨時間有明顯下降趨勢，週轉率則與股市差異不大。以 Branching Ratio 及 Chartist Weight 來衡量加密貨幣市場的投資人行為可以發現，投資人有高度從眾行為，相較股市，存在更多技術分析者。加密貨幣市場網絡整體中心性及模組化程度相較股市低，市場較集中，易出現齊漲齊跌的現象，另外透過加密貨幣市場與其他資產間的網絡關係可以發現，正常期間與股市多頭時，其與其他資產間並無連結，在此期間可以做為避險工具。然而在重大事件衝擊(如 covid-19 疫情期間)與股市空頭時，則會與股市、債市及原物料市場產生連結，因此較不適合作為避險工具。而加密貨幣市場的泡沫與崩盤， 持續期間皆為 10 天左右，但是崩盤略長且速度更強。以泡沫來看，BSV 的累積漲幅最大， 上漲速度最快，而以崩盤來看，DASH 的累積跌幅最大，下跌速度最快。

以羅吉斯迴歸模型結果來看(見表 6.1 及表 6.2)，加密貨幣市場的報酬漲跌主要是由微結構面、總經面及投資人行為決定，投資人結構面因素的重要度則未如預期，對其無明顯影響力。市場流動性、波動性、週轉率越高及投資人越從眾，會增加次日報酬為 TOP25%或是 BOTTOM25%的機率，然而當投資人與社群關注度越高且前一天報酬越高時，會增加次日報酬下跌為 BOTTOM25%的機率，反之，當投資人與社群關注度越低且前一天報酬越低時，會增加次日報酬上升為 TOP25%的機率，顯示加密貨幣市場在極端情況下可能存在動能或反轉現象，但是當投資人與社群關注度極高或極低同時存在時，則會出現反轉現象。在預測漲勢時，總經面變得重要，行為面反而較不重要，反之，在預測跌勢時，總經面變得較不重要， 行為面反而重要。技術面因素亦是影響報酬的重要變數，計算加密貨幣市場的 Chartist Weight 發現，相較股市，市場上技術分析者的比例較高。

本研究主要使用機器學習，預測(1)加密貨幣日報酬是否在 TOP 25% / TOP 50% / BOTTOM 25% (2)泡沫與崩盤期間。其中機器學習是以 LSTM、隨機森林、決策樹及 SVM 模型預測。在預測 TOP 25%、BOTTOM25%報酬的機率以及泡沫崩盤等各項機率，隨機森林模型表現最佳，樣本外的 precision 皆達 80%以上。而預測漲勢及跌勢的前 10 名重要變數，主要集中在價量、行為面、微結構面、網絡面及技術面變數。

最後本研究利用泡沫與崩盤之預測，以及技術指標之布林通道、Hash Ribbon 建構交易策略，回測結果顯示，布林通道在樣本內外，無論在勝率、年化報酬、獲利皆能有較好的表現，意謂著比特幣較適合短線交易。另外，由本研究所提出的泡沫崩盤交易策略由樣本內的回測期間來看，在勝率上高於五成，我們能有效的預測到崩盤前投資人情緒最高漲的泡沫時期並且避開崩盤，而在樣本外的表現較差，我們推估是因為比特幣盤勢和投資期間過短的緣故，使得表現結果較差，以樣本內的表現來看，泡沫崩盤仍是可行的交易策略。

以上僅是極為粗略的分析，若要實際應用於投資，還需透過更加嚴謹的分析過程。

立刻免費註冊會員觀看加密貨幣網絡視覺化： 馬上註冊去 !

去哪裡觀看加密貨幣網絡視覺化?： 馬上體驗加密貨幣網絡視覺化