正文

用机器学习预测加密货币与传统资产间的动态关联性

塞尔维亚克拉古耶瓦茨大学的一项硕士研究，通过滚动窗口相关性和多种机器学习模型，探索比特币与股票、贵金属、美元等传统资产之间的跨市场依赖关系，并发现序列持续性是预测的核心驱动力。

机器学习加密货币比特币跨市场依赖时间序列预测walk-forwardDCC-GARCH金融预测资产配置塞尔维亚

发布时间 2026/05/31 23:40最近活动 2026/05/31 23:48预计阅读 3 分钟

章节 01

【导读】用机器学习预测加密货币与传统资产动态关联性研究

塞尔维亚克拉古耶瓦茨大学工程学院人工智能硕士Bogdan Babaev（b0gdaan）的研究，通过滚动窗口相关性和多种机器学习模型探索比特币与股票、贵金属、美元等传统资产的跨市场依赖关系，采用walk-forward评估框架，发现序列持续性是预测的核心驱动力。研究成果开源于GitHub（https://github.com/b0gdaan/master-thesis），发布于2026年5月31日。

章节 02

研究背景与动机

加密货币与传统金融市场的关系是投资者和研究者关注焦点，比特币作为最大加密货币，其与股票、贵金属、美元的关联性是否稳定对资产配置、风险管理至关重要。传统DCC-GARCH模型受限于假设刚性，本研究尝试用机器学习结合walk-forward框架探索可预测的跨市场依赖结构。

章节 03

数据来源与资产选择

研究使用2017-2026年日度数据，涵盖7类资产：加密货币（BTC-USD、ETH-USD）、传统资产（标普500^GSPC、纳斯达克^IXIC、黄金ETF GLD、白银ETF SLV、美元指数ETF UUP），数据均来自Yahoo Finance，计算滚动窗口皮尔逊相关系数为预测目标。

章节 04

方法论设计

目标变量为滚动窗口相关性（14/30/60/90天窗口，Fisher-z变换稳定方差）；特征工程提取动量、波动率、收益特征；模型阵容包括基准（Naive_Last、AR(1)、HAR）、机器学习（ElasticNet、Ridge、Adaptive Ensemble、Random Forest、GBM、XGBoost）、计量经济学基准（DCC-GARCH(1,1)）；评估用walk-forward扩展窗口（800观测最小训练集，每20天重拟合），Diebold-Mariano检验（Newey-West修正）。

章节 05

核心发现

跨市场依赖可预测，Ridge、AR(1)、HAR性能最优（RMSE 0.0656-0.0659，R²约0.942-0.943），序列持续性是主导因素；2. 所有机器学习模型显著优于DCC-GARCH（RMSE 0.2136）；3. 构建投资者信号层检测传统资产"压力日"，展示实际应用价值。

章节 06

实践意义与启示

对投资者：1. 助力分散化资产配置；2. 为风险对冲提供时间窗口；3. 动态调整仓位应对"压力日"。对研究者：1. 简单线性模型配合特征工程可获优异性能；2. walk-forward评估确保结果可靠；3. 计量与机器学习结合提供全面性能图景。

章节 07

局限性与未来方向

局限：仅关注线性相关、样本含2020-2021异常波动、未纳入更多另类资产。未来方向：探索Copula等非线性依赖、测试LSTM/Transformer时序模型、使用高频数据、扩展因果推断。

章节 08

技术实现亮点

可复现性：完整流程代码（main.py、run_all.py）、参数配置（config.yaml）、7个Jupyter笔记本；2. 模块化架构：pipeline.py（核心流程）、dcc.py（DCC基准）、signal_layer.py（信号层）等；3. 并行计算：ThreadPoolExecutor并行实验，支持XGBoost GPU加速。