关于加密货币交易，你需要知道的一切

概述

近年来，加密货币相关的金融机构数量呈加速增长趋势。加密货币慢慢被资产管理公司纳入投资管理。尽管它们与更传统的资产有一些共同点，但它们本身有一些独特的性质，它们作为资产仍在被理解的过程中。因此，总结现有关于加密货币交易的研究论文和成果非常重要，包括可用的交易平台、交易信号、交易策略研究和风险管理。本文对加密货币交易研究进行了全面的综述，涵盖了126篇关于加密货币交易各个方面的研究论文（如加密货币交易系统、泡沫和极端条件、波动率和收益预测、加密资产组合构建和加密资产、技术交易等）。本文还分析了数据集、研究趋势以及在研究对象（内容/属性）和技术之间的分布，最后总结了在加密货币交易中仍然存在的一些有希望的机会。

1. 简介

尽管加密货币是新出现的概念，但它的快速的发展已经得到市场广泛的接受。许多对冲基金和资产管理公司已开始将加密货币相关资产纳入其投资组合和交易策略。学术界在研究加密货币交易方面也付出了相当大的努力。本文旨在对加密货币交易的研究进行一个全面的综述，即任何旨在促进和建立加密货币交易策略的研究。

作为一个新兴市场和研究方向，加密货币和加密货币交易已经取得了长足的进步，人们的兴趣和活动也有了显著的上升[103]。从图1中，我们观察到，自2018年以来，超过85%的论文已经发表，证明了加密货币交易作为金融交易的一个新研究领域的出现。

根据加密货币交易这些文献分布在六个不同方面：

加密货币交易软件系统（即实时交易系统、海龟交易系统、套利交易系统）；

系统交易，包括技术分析、配对交易和其他系统交易方法；

新型交易技术，包括计量经济学方法、机器学习技术和其他较新的交易方法；

投资组合和加密货币资产，包括共生加密货币和加密资产投资组合研究；

市场状况研究，包括泡沫[106]或崩溃分析和极端情况；

其他杂项加密货币交易研究。

在这项调查中，我们的目的是汇编这些领域中最相关的研究，并提取一组描述性指标，这些指标可以给出这一领域的成熟度研究水平的想法。

已经有相关工作讨论或部分调查与加密货币交易相关的文献。Kyriazis等人[166]调查了加密货币市场的效率和有利可图的交易机会。Ahamad等人[4]和Sharma等人[221]对加密货币进行了简要的调查。Ujan等人[191]简要介绍了加密货币系统。Ignasi等人[186]对比特币文献进行了文献计量分析。这些工作成果集中在加密货币的特定领域，包括加密货币和加密货币市场介绍、加密货币系统/平台、比特币文献综述等。但据我们所知，之前没有任何人提供过一个全面的调查，特别是集中在加密货币交易方面。

综上所述，本文做出了以下贡献：

定义。本文对加密货币交易进行了定义，并将其分为：加密货币市场、加密货币交易模型和加密货币交易策略。这项调查的核心内容是加密货币的交易策略，而我们涵盖了它的所有方面。

多学科调查。本文对126篇加密货币交易论文进行了全面调查，涉及金融经济学、人工智能和计算机科学等不同学科。有些论文可能涉及多个方面，并将针对每个类别进行调查。

分析。本文分析了加密货币交易文献的研究分布、数据集和趋势。

视野。本文指出了加密货币交易面临的挑战和未来的研究方向，旨在促进进一步的研究。

图2描述了论文结构，它由所采用的评审模式决定。有关这方面的更多详细信息，请参阅第4节。

2. 加密货币交易

本节介绍加密货币交易。我们将讨论区块链技术、加密货币市场和加密货币交易策略。

2.1. 区块链

2.1.1. 区块链技术介绍

区块链是一个经济交易的数字账本，不仅可以用来记录金融交易，还可以记录任何具有内在价值的对象。[232]. 区块链最简单的形式是一系列带有时间戳的不可变数据记录，由不属于任何单一实体的一组机器管理。这些数据块中的每一个都受到加密原理的保护，并在一个链中相互联结（参见图3中的工作流）。

像比特币这样的加密货币是在对等网络结构上制造的。每个对等方都有所有交易的完整历史记录，从而记录每个账户的余额。例如，一个交易，上面写着“A向B支付X比特币”，由A使用其私钥签名。签名后，该事务将在网络上广播。当对等节点发现一个新的交易事务时，它会检查以确保签名有效。如果验证是有效的，那么该区块将被添加到链中。

2.1.2. 从区块链到加密货币

确认是加密货币中的一个关键概念；只有矿工才能确认交易。矿工向区块链添加区块；他们检索前一个区块中的交易，并将其与前一个区块的哈希相结合以获得其哈希，然后将派生的哈希存储到当前区块中。区块链中的矿工接受交易，将其标记为合法交易，并通过网络进行广播。矿工确认事务后，每个节点必须将其添加到其数据库中。用外行的话说，它已经成为区块链的一部分，矿工们从事这项工作是为了获得加密货币代币，比如比特币。与区块链不同，加密货币与使用基于分布式账本技术的代币有关。任何涉及购买、销售、投资等的交易都涉及区块链原生代币或子代币。区块链是一种驱动加密货币的平台，是一种充当网络分布式账本的技术。网络创造了一种交易手段，实现了价值和信息的传递。加密货币是这些网络中用来传递价值和支付这些交易的代币。它们可以被认为是区块链上的工具，在某些情况下还可以作为资源或实用工具发挥作用。在其他情况下，它们被用来数字化资产的价值。总之，加密货币是基于区块链技术的生态系统的一部分。

2.2. 加密货币市场简介

2.2.1. 什么是加密货币？

加密货币是一种去中心化分散的交换媒介，它使用加密功能进行金融交易[90]。加密货币利用区块链技术获得去中心、透明和不可变[187]等特性。在上面，我们讨论了区块链技术是如何应用于加密货币的。

一般来说，加密货币的安全性是建立在密码学的基础上的，既不是人也不是信任[194]。例如，比特币使用一种称为“椭圆曲线”的方法来确保涉及比特币的交易是安全的[246]。椭圆曲线密码是一种依靠数学来保证交易安全的公钥密码。当有人试图用暴力来绕过上述加密方案时，他们每秒钟尝试2500亿种可能性时，需要宇宙年龄的十分之一才能找到一个值匹配[118]。就其作为货币的用途而言，加密货币与货币具有相同的属性。它的供给是可控的。大多数加密货币限制代币的供应。比特币，供应量将随着时间的推移而减少，并将在2140年左右达到最终数量。所有加密货币通过区块链中编码的时间表控制代币供应。

加密货币最重要的特征之一是没有金融中介机构[125]。没有“中间人”会降低交易者的交易成本。相比之下，如果一家银行的数据库遭到黑客攻击或损坏，该银行将完全依靠其备份来恢复任何丢失或受损的信息。有了加密货币，即使部分网络遭到破坏，其余部分仍能正确验证交易。加密货币还有一个重要特点，即不受任何中央机构的控制[217]：区块链的去中心分散性质确保了加密货币理论上不受政府控制和干预。

截至2019年12月20日，共有4950种加密货币和20325种加密货币市场；市值约为1900亿美元[78]。图4显示了全球市值和24小时交易量的历史数据[238]。总市值的计算方法是将所有加密货币的美元市值相加。从图中，我们可以观察到加密货币如何在2017年经历指数增长，并在2018年初经历一个巨大的泡沫破灭。但近年来，加密货币出现了企稳迹象。

有三种主流加密货币：比特币（BTC）、以太坊（ETH）和莱特币（LTC）。比特币诞生于2009年，获得了巨大的人气。2008年10月31日，一个人或一群化名为Satoshi Nakamoto的个人发布了比特币白皮书，并将其描述为：“一种纯粹的对等电子现金版本，无需经过交易对手即可通过网络将一方支付给另一方，以太坊由Vitalik Buterin于2015年推出，是一个特殊的区块链，自带有一个名为Ether（交易所中的ETH符号）的代币令牌。以太坊的一个非常重要的特性是能够在以太坊区块链上创建新的代币。以太坊网络于2015年7月30日上线，并预采了7200万个以太坊。Litecoin是由Charlie Lee创建的点对点加密货币。它是根据比特币协议创建的，但它使用了不同的哈希算法。Litecoin使用内存密集型的工作证明算法Scrypt。

图5显示了加密货币总市值的百分比；比特币和以太坊占据了总市值的绝大部分（2020年1月8日收集的数据）。

2.2.2. 加密货币交易所

加密货币交易所或数字货币交易所（DCE）是一种允许客户交易加密货币的业务。加密货币交易所可以是做市商，通常将买卖价差作为服务佣金，或作为配对平台，只需收取费用。

表1显示了根据“nomics”网站[199]编制的按数量排列的顶级或经典加密货币交易所。芝加哥商业交易所（CME）、芝加哥期权交易所（CBOE）以及BAKKT（由纽约证券交易所支持）都是受监管的加密货币交易所。法币数据也来自“经济学”网站[199]。监管机构和上市交易所支持的货币从官方网站或博客上收集。

2.3. 加密货币交易

2.3.1. 定义

首先给出了加密货币交易的定义。定义1。加密货币交易是以盈利为目的买卖加密货币的行为。

加密货币交易的定义可以分为三个方面：交易对象、交易模式和交易策略。加密货币交易的对象是被交易的资产，即“加密货币”。加密货币交易的运作模式取决于加密货币市场的交易手段，可分为“差价交易（CFD）”（双方之间的合同，通常称为“买方”和“卖方”，规定买方将在头寸结束时向卖方支付自己与“通过交易所买卖加密货币”之间的差额。加密货币交易中的交易策略是由投资者制定的一种算法，它定义了一组在加密货币市场上买卖的预定义规则。

2.3.2. 加密货币交易的优势

加密货币交易的好处包括：

剧烈波动。加密货币的波动性通常可能会吸引投机性兴趣和投资者。日内价格的快速波动可以为交易者提供巨大的赚钱机会，但也包含了更多的风险。

24小时市场。加密货币市场每周7天，每天24小时开放交易，因为它是一个去中心化分散的市场。与传统买卖股票和大宗商品不同，加密货币市场不是在一个地点进行实物交易。加密货币交易可以发生在个人之间，在世界各地的不同场所，只要能连接上网。

近乎匿名。使用加密货币购买商品和服务是在网上进行的，不需要公开自己的身份。随着对身份盗窃和隐私的日益关注，加密货币可以为用户提供一些隐私方面的优势。不同的交易所有特定的“了解你的客户”（Know Your Customer，KYC）衡量标准，用于识别用户或客户[3]。KYC在交易所的承诺允许金融机构降低金融风险，同时最大限度地提高钱包所有者的匿名性。

P2P对等交易。加密货币最大的好处之一是不需要金融机构中介。如上所述，这可以降低交易成本。此外，这个特性可能会吸引那些不信任传统系统的用户。在这种情况下，场外（OTC）加密货币市场在区块链上提供点对点交易。最著名的加密货币场外交易市场是“LocalBitcoin[176]”。

可编程的“智能”功能。一些加密货币可以给持有者带来其他好处，包括有限的所有权和投票权。加密货币还可能包括实物资产（如艺术品或房地产）的部分所有权权益。

3. 加密货币交易策略

加密货币交易策略是本次调查的重点。交易策略有很多种，大致可以分为两大类：技术策略和基本策略。它们的相似之处在于，它们都依赖于可量化的信息，这些信息可以根据历史数据进行回溯测试，以验证它们的性能。近年来，第三种交易策略，我们称之为量化策略，受到越来越多的关注。这种交易策略与技术交易策略类似，因为它使用交易所的交易活动信息来做出买入或卖出决策。量化交易者用量化的数据建立交易策略，主要是从价格、成交量、技术指标或比率中提取，利用市场的低效，由交易软件自动执行。加密货币市场不同于传统市场，它有更多的套利机会、更高的波动性和透明度。由于这些特点，大多数交易员和分析师更喜欢在加密货币市场中使用量化交易策略。

3.1. 加密货币交易软件系统

软件交易系统允许国际交易，处理客户账户和信息，接受和执行交易指令[50]。加密货币交易系统是一套预先编制了原则的程序，允许加密货币之间以及法定货币和加密货币之间的交易。加密货币交易系统旨在克服价格操纵、网络犯罪活动和交易延迟[21]。在开发加密货币交易系统时，我们必须考虑资本市场、基础资产、投资计划和策略[190]。策略是有效的加密货币交易系统中最重要的部分，下面将介绍这些策略。有几种商用的加密货币交易系统，例如Capfolio、3Commas、CCXT、Freqtrade和Ctubio。通过这些加密货币交易系统，投资者可以从专业的第三方咨询公司和快捷的客户服务中获得专业的交易策略支持、公平透明。

3.2. 系统交易

系统交易是定义交易目标、风险控制和规则的一种方式。一般来说，系统交易包括高频交易和系统趋势跟踪等较慢的投资类型。本文将系统性加密货币交易分为技术分析、配对交易等。加密货币交易中的技术分析是利用交易数据的历史模式来帮助交易者评估当前和预测未来的市场状况，以便进行有利可图的交易。价格和成交量图表总结了市场参与者在交易所进行的所有交易活动，并影响他们的决策。一些实验表明，使用特定的技术交易规则可以产生超额收益，这对加密货币交易员和投资者做出最佳交易和投资决策非常有用[116]。配对交易是一种系统化的交易策略，它考虑了两种利差略有不同的类似资产。如果价差扩大，做空高股，买入低股。当价差再次缩小到某个平衡值时，就会产生利润[94]。本节所展示的论文涉及技术指标、配对和知情交易等策略的分析和比较。

3.3. 新兴交易技术

加密货币的新兴交易策略包括基于计量经济学和机器学习技术的策略。

3.3.1. 加密货币计量经济学

计量经济学方法运用统计和经济理论相结合的方法来估计经济变量并预测其价值[244]。统计模型使用数学方程对从数据中提取的信息进行编码[152]。在某些情况下，统计建模技术可以快速提供足够精确的模型[24]。也可以使用其他方法，例如基于情绪的预测和基于长期和短期波动分类的预测[64]。波动率的预测可以用来判断加密货币的价格波动，这对加密货币相关衍生品的定价也有价值[147]。

在使用计量经济学研究加密货币交易时，研究人员对时间序列数据应用统计模型，如广义自回归条件异方差（GARCH）和BEKK（以Baba、Engle、Kraft和Kroner的名字命名，1995[96]）模型来评估加密货币的波动[55]。线性统计模型是一种评估价格与解释变量之间线性关系的方法[196]。当存在多个解释变量时，我们可以用多个线性模型来模拟解释变量（独立变量）和反应变量（因变量）之间的线性关系。时间序列分析中常用的线性统计模型是自回归滑动平均（ARMA）模型[69]。

3.3.2. 机器学习技术

机器学习是开发比特币和其他加密货币交易策略的有效工具[185]，因为它可以推断人类通常无法直接观察到的数据关系。从最基本的角度来看，机器学习依赖于两个主要部分的定义：输入特征和目标函数。输入特征（数据源）的定义是基础和技术分析知识发挥作用的地方。我们可以将输入分为若干组特征，例如，基于经济指标（如国内生产总值指标、利率等）、社会指标（谷歌趋势、推特等）、技术指标（价格、成交量等）和其他季节性指标（时间、星期几等）的特征。目标函数定义了用于判断机器学习模型是否已经学习到当前任务的适应度准则。典型的预测模型试图预测数字（如价格）或分类（如趋势）看不见的结果。机器学习模型通过使用历史输入数据（有时称为样本）来训练，将其中的模式归纳为看不见（样本外）的数据，以（近似）实现目标函数定义的目标。显然，就交易而言，我们的目标是从市场指标中推断出交易信号，这些指标有助于预测资产未来的回报。

泛化误差是机器学习在实际应用中普遍存在的问题，在金融应用中具有极其重要的意义。在我们实际使用模型进行预测之前，我们需要使用统计方法（如交叉验证）来验证模型。在机器学习中，这通常被称为“验证”。使用机器学习技术预测加密货币的过程如图6所示。

根据主学习循环的形式，我们可以将机器学习方法分为三类：有监督学习、无监督学习和强化学习。有监督学习用于从有标记的训练数据中导出预测函数。带标签的训练数据意味着每个训练实例都包含输入和预期输出。通常，这些预期输出是由主管生成的，代表模型的预期行为。交易中使用最多的标签来自于样本中的未来资产回报。无监督学习试图从未标记的训练数据中推断结构，它可以用于探索性数据分析中发现隐藏的模式或根据任何预定义的相似性度量对数据进行分组。强化学习利用经过训练的软件代理来最大化效用函数，该函数定义了他们的目标；这足够灵活，允许代理用短期回报来交换未来的回报。在金融部门，一些交易挑战可以表示为一种博弈，在这种博弈中，代理人的目标是在期末实现收益最大化。

机器学习在加密货币交易研究中的应用包含了数据源理解和机器学习模型研究之间的联系。进一步的具体例子将在后面一节中给出。

3.4. 投资组合研究

投资组合理论提倡投资多样化，通过战略性地配置资产，在给定的风险水平下实现收益最大化。著名的均值-方差优化就是这种方法的一个突出例子[182]。有一些常见的方法来建立一个加密资产的多元化投资组合。第一种方法是跨市场多样化，即在加密货币市场的投资组合中混合各种各样的投资。第二种方法是考虑行业生态细分市场，即避免在任何一个类别上投资过多资金。加密货币市场投资组合的多元化投资包括跨加密货币的投资组合[175]和跨全球市场的投资组合，包括股票和期货[140]。

3.5. 市场状况研究

对于加密货币来说，市场状况研究显得尤为重要。金融泡沫是指资产价格的大幅上涨，而其内在价值没有发生变化[48]。许多专家指出，2017年加密货币价格增长了900%，出现了加密货币泡沫。2018年，比特币面临价值暴跌。这种显著的波动促使研究人员研究加密货币交易中的泡沫和极端情况。

4. 论文收集与报告模式

本节介绍了我们论文收集的范围和方法、基本分析和调查的结构。

4.1. 调查范围

本文采用自下而上的方法研究加密货币交易，从系统到风险管理技术。对于基础交易系统，重点是优化交易平台结构和改进计算机科学技术。

在更高的层次上，研究人员专注于设计模型来预测加密货币市场的回报或波动。这些技术对交易信号的产生非常有用。在上述预测模型的下一个层次上，研究人员讨论了在真实加密货币市场进行交易的技术交易方法。泡沫和极端情况是加密货币交易中的热门话题，因为如上所述，这些市场已显示出高度的波动性（而在崩溃后波动性下降）。投资组合和加密货币资产管理是控制风险的有效方法。在风险管理研究中，我们将这两个领域归为一组。本次调查的其他论文包括定价规则、动态市场分析、监管含义等主题。表2显示了本次调查中加密货币交易的一般范围。

由于加密货币交易中的许多交易策略和方法都与股票交易密切相关，一些研究者将后者的研究成果移植或使用到前者。在进行这项研究时，我们只考虑那些研究集中在加密货币市场或这些市场和其他金融市场交易比较的论文。

具体而言，我们在收集与加密货币交易相关的文件时采用以下标准：

1 本文介绍或讨论了加密货币交易的一般概念或加密货币交易的相关方面。

2 本文提出了一种方法，研究或框架，目标是优化效率或准确性的加密货币交易。

3 本文比较了加密货币交易的不同方法和观点。

这里所说的“加密货币交易”是指表2中所列并在上面讨论过的术语之一。

一些研究人员对加密货币[4221]、加密货币系统[191]和加密货币交易机会[166]进行了简要的调查。与我们的调查相比，这些调查的范围相当有限，其中还包括对该领域最新论文的讨论；我们要指出，这是一个快速发展的研究领域。

4.2. 论文收集方法

为了在不同的领域或平台上收集论文，我们使用了googlescholar和arXiv这两个最流行的科学数据库上的关键字搜索。我们还选择了其他公共存储库，如SSRN，但我们发现，这些平台中几乎所有的学术论文也可以通过Google Scholar检索；因此，在我们的统计分析中，我们将这些计算为Google Scholar点击量。我们选择arXiv作为另一个来源，因为它允许本次调查与该地区的所有最新发现保持同步。下面列出了用于搜索和收集的关键字。[Crypto]是指加密货币市场，这是我们的研究兴趣，因为不同市场的方法可能不同。就在2019年10月15日之前，我们对这两个存储库进行了6次搜索。

[Crypto] + Trading

[Crypto] + Trading system

[Crypto] + Prediction

[Crypto] + Trading strategy

[Crypto] + Risk Management

[Crypto] + Portfolio

为了确保高覆盖率，我们对通过这些关键字找到的每篇论文都采用了所谓的滚雪球[250]方法。我们检查了从滚雪球的方法，满足上述标准介绍的文件，直到我们达到结束。

4.3. 收集结果

表3显示了我们论文集的详细结果。关键词搜索在第4.1节的六个感兴趣的研究领域产生了126篇论文。

图7显示了在不同研究地点发表的论文的分布情况。在所有论文中，45.24%的论文发表在《金融经济学杂志》（JFE）、《剑桥替代金融中心》（CCAF）、《金融研究快报》（Finance Research Letters）、《经济政策研究中心》（CEPR）和《风险与金融管理杂志》（JRFM）等财经类期刊上；4.76%的论文发表在《金融经济学杂志》（JFE）、《剑桥替代金融中心》（CCAF）、《金融研究快报》（Finance Research Letters）、《经济政策研究中心》（CEPR）和《风险与作为公共科学图书馆一号（PLOS one）、英国皇家开放科学学会（Royal Society open Science）和SAGE；15.87%的论文发表在智能工程和数据挖掘领域，如计算智能系列研讨会（SSCI）、智能系统会议（IntelliSys）等，智能数据工程与自动化学习（IDEAL）和国际数据挖掘会议（ICDM）；4.76%的论文发表在Physica A等物理/医师场所（主要是物理场所）；10.32%的论文发表在人工智能和复杂系统场所，如复杂性和国际信息处理联合会（IFIP）；17.46%的论文发表在包含独立发表论文和学位论文的其他场所；1.59%的论文发表在arXiv上。不同场所的分布情况表明，加密货币交易大多在财经场所发布，但在其他方面则有很大的差异。

4.4. 调查组织

根据表4，我们将在论文的其余部分讨论所收集的论文的贡献和对这些论文的统计分析。

我们收集的论文是从六个角度组织和呈现的。第5节介绍了几种不同的加密货币交易软件系统。第6节介绍了应用于加密货币交易的系统交易。在第7部分，我们介绍了一些新兴的交易技术，包括加密货币计量经济学、机器学习技术以及加密货币市场中的其他新兴交易技术。第8节介绍了加密货币对及其相关因素的研究和加密资产组合的研究。在第9节中，我们讨论加密货币市场状况研究，包括泡沫、崩溃分析和极端情况。第10节介绍了加密货币交易中未涉及的其他研究。

我们想强调的是，上述六个标题侧重于加密货币交易的一个特定方面；我们对每个标题下收集的文件进行了完整的组织。这意味着那些涉及多个方面的论文将在不同的章节中讨论，每个角度一次。

在第11节中，我们分析和比较了不同加密货币交易属性和技术的研究论文数量，并总结了加密货币交易的数据集和研究时间表。

我们在此回顾的基础上，在第12节中总结了一些未来研究的机会。

5. 加密货币交易软件系统

5.1. 交易基础设施系统

随着计算机科学和加密货币交易的发展，许多加密货币交易系统/机器人已经被开发出来。表5比较了市场上现有的加密货币交易系统。该表是根据URL类型（GitHub或官方网站）和GitHub星型点赞（如果合适）排序的。

Capfolio是一个专有的应用于加密货币交易的系统，是一个专业的分析平台，具有先进的后验测试引擎[51]。它支持五种不同的加密货币交换。

3 Commas 是一个专有的应付加密货币交易系统平台，可以同时接受盈亏指令[1]。该系统兼容12种不同的加密货币交易所。

CCXT是一个加密货币交易系统，具有统一的API开箱即用和可选的标准化数据，支持许多比特币/以太币/Altcoin交换市场和商户API。任何交易者或开发者都可以基于这些数据创建交易策略，并通过API访问公共交易[61]。CCXT库用于连接全球加密货币交易所和支付处理服务并与之进行交易。它提供对市场数据的快速访问，用于存储、分析、可视化、指标开发、算法交易、策略回溯测试、自动代码生成和相关软件工程。它是专为程序员，熟练的交易员，数据科学家和金融分析师建立交易算法。当前的CCXT功能包括：

I. 支持许多加密货币交易所；

II. 全面实施公共和私人API；

III. 用于交叉交易分析和套利的可选标准化数据；

IV. 开箱即用的统一API，非常容易集成。

Blackbird 一种C++的比特币套利交易系统，它自动执行比特币交易所之间的长/短套利交易。它可以产生不在交易所之间转移资金的市场中立策略[36]。Blackbird背后的动机是，在保持市场中立的同时，从不同交易所之间的这些暂时性价差中自然获利。与其他比特币套利系统不同，Blackbird不出售比特币，但实际上在空头交易所卖空比特币。此功能提供了两个重要的优点。首先，该策略始终是市场不可知的：比特币市场的波动（上涨或下跌）不会影响该策略的回报。这就消除了这种策略的巨大风险。其次，这种策略不需要在比特币交易所之间转移资金（美元或BTC）。买卖交易在两个不同的交易所并行进行，没有必要处理传输延迟。

StockSharp是一个开源的交易平台，可在全球任何市场进行交易，包括48个加密货币交易所[227]。它有一个免费的C#库和免费的交易图表应用程序。手动或自动交易（算法交易机器人，常规或HFT）可以在这个平台上运行。StockSharp由五个提供不同功能的组件组成：

I. S#。设计器-免费通用算法策略应用程序，易于创建策略；

II. 数据自由软件，可以自动加载和存储市场数据；

III. S#终端-自由交易图表应用程序（交易终端）；

IV. Shell—现成的图形框架，可以根据需要进行更改，并且在C#中具有完全开放的源代码；

V. API-一个免费的C库，供使用visual studio的程序员使用。任何交易策略都可以在S#.API中创建。

Freqtrade是一个用Python编写的免费开源加密货币交易机器人系统。它被设计成支持所有主要的交易，并由电报/telegram控制。它包含了回溯测试、映射和资金管理工具，以及通过机器学习进行的策略优化[108]。Freqtrade具有以下特点：

I. 持久性：通过SQLite技术实现持久性；

II. 通过机器学习优化策略：使用机器学习来优化您的交易策略参数与真实的交易数据；

III. 边际仓位大小：计算中签率、风险收益率、最优止损和调整仓位大小，然后针对每个特定市场进行仓位交易；

IV. 电报管理：利用电报管理机器人。

V. 试运行：不花钱运行机器人；

CryptoSignal是一个专业的技术分析加密货币交易系统[86]。投资者可以追踪超过500个比特币，比特币，世达币，双子座和更多。自动技术分析包括动量、RSI、Ichimoku Cloud、MACD等。系统提供警报，包括电子邮件、Slack、电报等。CryptoSignal有两个主要功能。首先，它提供了模块化代码，便于实现交易策略；其次，它很容易用Docker安装。

Ctubio是一个基于C++的低延迟（高频）加密货币交易系统[87 ]。这个交易系统可以在不到几毫秒的时间内通过支持的加密货币交易所下订单或取消订单。此外，它还提供了一个图表系统，可以可视化交易账户状态，包括交易完成情况、法定货币的目标头寸等。

Catalyst是对加密货币交易系统的分析和可视化[57]。它使交易策略易于在历史数据（每日和分钟分辨率）上表达和回溯测试，为特定策略的表现提供分析和见解。Catalyst允许用户共享和组织数据，并建立盈利的、数据驱动的投资策略。Catalyst不仅支持交易执行，还提供所有加密资产的历史价格数据（从分钟到每日分辨率）。Catalyst还具有回溯测试和实时交易功能，使用户能够在两种不同的交易模式之间无缝过渡。最后，Catalyst集成了统计和机器学习库（如matplotlib、scipy、statsmodels和sklearn），以支持最新交易系统的开发、分析和可视化。

Golang Crypto Trading Bot是一个基于Go的加密货币交易系统[117]。用户可以在沙盒环境模拟中测试该策略。如果启用模拟模式，则必须为每个交换指定每个代币的假余额。

5.2. 实时加密货币交易系统

Amit等人[21]开发了一个实时加密货币交易系统。实时加密货币交易系统由客户机、服务器和数据库组成。交易员使用web应用程序登录服务器以买卖加密资产。服务器通过创建使用Coinmarket API的脚本来收集加密货币市场数据。最后，数据库从服务器收集余额、交易和订单信息。作者通过一个实验对系统进行了测试，该实验为加密货币交易平台上的交易者演示了用户友好和安全的体验。

5.3. 加密货币市场中的海龟/Turtle交易系统

最初的海龟交易系统是在20世纪70年代发展起来的一种趋势跟踪交易系统，其思想是产生股票的买入和卖出信号，用于短期和长期的突破，以及用平均真距（ATR）衡量的减损条件[144]。交易系统将根据资产的波动性调整资产规模。基本上，如果海龟在高度波动的市场中累积头寸，它将被低波动头寸所抵消。对扩展海龟交易系统进行了改进，使其具有较小的时间间隔，并引入了指数移动平均（EMA）规则。三个均线值用于触发“买入”信号：30均线（快）、60均线（慢）、100均线（长）。[144]的作者在8种著名的加密货币上对两种交易系统（原始海龟和扩展海龟）进行了回溯测试和比较。通过实验，原海龟交易系统在近一年的时间里，在87个交易中实现了18.59%的平均净利润率（净利润占总收入的百分比）和35.94%的平均盈利能力（中标交易占总交易次数的百分比）。扩展海龟交易系统在同一时间段的41笔交易中实现了114.41%的平均净利润率和52.75%的平均盈利能力。研究表明，在加密货币交易中，扩展海龟交易系统相比原始海龟交易系统有何改进。

5.4. 加密货币套利交易系统

Christian[205]为加密货币引入了套利交易系统。套利交易旨在发现当多个交易所的供求水平存在差异时可能出现的价格差异。因此，交易者可以从一个交易所买入，然后在另一个交易所以更高的价格卖出，从而实现快速、低风险的利润。套利交易信号由自动交易软件捕捉。数据源之间的技术差异要求为每个数据源组织一个服务器进程。关系数据库和SQL是可靠的解决方案，因为它们有大量的关系数据。作者利用该系统于2018年5月25日在7家不同交易所的787种加密货币中捕捉套利机会。研究论文[205]从现有的186个交易信号中，列出了该系统产生的最佳10个交易信号。结果表明，该系统捕捉到了“BTG-BTC”的交易信号，在加密交易所进行套利买入，在二进制交易所进行套利卖出，可获得495.44%的利润。2018年5月25日发现另外三个交易良好的套利信号（作者提到的利润预期约为20%）。本文介绍的套利交易软件系统介绍了加密货币市场套利交易系统的一般原理和实现方法。

5.5. 三种加密货币交易系统的比较

实时交易系统使用实时函数来收集数据并生成交易算法。海龟交易系统和套利交易系统在收益和风险行为上表现出鲜明的对比。在加密货币市场中使用海龟交易系统可以获得高回报和高风险。套利交易系统虽然在收益方面较差，但风险也较低。海龟交易系统和套利交易系统的一个共同特点是它们在捕获Alpha方面表现良好。

6 系统交易

6.1. 技术分析

许多研究者把重点放在加密货币市场交易的技术指标（模式）分析上。这种方法的研究实例包括“Turtle Soup pattern strategy”[233]、“Nem（XEM）策略”[236]、“Amazing Gann Box strategy”[234]、“Busted Double Top Pattern strategy”[235]、“Bottom Rotation Trading strategy”[237]。表6显示了使用技术指标对这五种经典技术交易策略的比较。“Turtle Soup pattern strategy”[233]使用了2天的价格突破来预测加密货币的价格趋势。这种策略是一种图表交易模式。“Nem（XEM）策略”结合变化率（ROC）指标和相对强度指数（RSI）预测价格趋势[236]。“Amazing Gann Box strategy”预测了Gann Box的确切涨跌点，用于捕捉加密货币价格的爆炸性趋势[234]。技术分析工具，如烛台和盒形图与斐波那契回溯黄金分割率的基础上使用的技术分析。斐波那契回档使用水平线来表示市场中可能存在的支撑和阻力水平。“破产双顶模式”使用了熊市反转交易模式，产生卖出信号来预测价格趋势[235]。“底部轮换交易”是一种在反转发生之前选择底部的技术分析方法。此策略使用价格图模式和方框图作为技术分析工具。

Sungjoo等人[122]使用遗传编程（GP）进行了调查，以发现加密货币市场中有吸引力的技术模式。实验中使用了移动平均法（MA）和随机振荡法等12个技术指标，并用调整增益、匹配计数、相对市场压力和多样性度量等方法来量化技术模式的吸引力。通过扩展实验，GP系统成功地找到了有吸引力的技术模式，这对投资组合优化是有用的。Hudson等人[130]应用了近15000条技术交易规则（分为MA规则、过滤规则、支撑阻力规则、振荡规则和通道突破规则）。这项综合研究发现，技术性交易规则为投资者提供了显著的预测能力和盈利能力。Corbet等人[82]分析了移动平均线振荡器形式的各种技术交易规则和交易区间突破策略，以在加密货币市场中产生更高的回报。通过使用一分钟美元计价的比特币收盘价数据，回溯测试表明，可变长度移动平均（VMA）规则在高频交易中产生最有用的信号时表现最好。

6.2. 配对交易

配对交易是一种试图利用某些证券价格之间的均值回归的交易策略。Miroslav[105]利用Gatev等人[115]的基准调查了标准对交易方法对加密货币数据的适用性。配对交易策略分两步构建。首先，确定具有稳定长期关系的合适配对。其次，计算长期均衡，并以价差为基础确定配对交易策略。该研究还利用高频数据扩展了日内交易对。总的来说，在Miroslav的实验中，该模型能够实现3%的月利润[105]。Broek[47]在加密货币交易中应用了基于协整的成对交易，发现31对成对交易显著协整（部门内和跨部门）。通过选取四对，并在60天的交易周期内进行检验，配对交易策略从套利机会中获得了盈利能力，从而否定了加密货币市场的有效市场假说（EMH）。Lintihac等人[174]提出了一个资产组合的最优动态配对交易策略模型。实验使用随机控制技术来计算最优投资组合权重，并将结果与实践者常用的其他策略（包括静态双门限策略）相关联。Thomas等人[171]提出了一个两两交易模型，将时变波动性与不变的方差弹性结合起来。实验用有限差分法计算最佳配对策略，用广义矩法估计参数。

6.3. 其他

加密货币交易中的其他系统交易方式主要包括知情交易。利用美元/比特币汇率交易数据，Feng等人[104]发现了比特币市场知情交易的证据，与卖方发起（买方发起）订单的分位数相比，买方发起（卖方发起）订单的分位数在大的正（负）事件前异常高；本研究采用了一个新的指标，其灵感来源于容积不平衡指标[93]。比特币市场上知情交易的证据表明，投资者在获得信息之前就从其私人信息中获利。

7. 新兴加密交易技术

7.1. 加密货币计量经济学

Copula-quantile因果分析和Granger因果分析是研究加密货币交易分析中因果关系的两种方法。Bouri等人[41]对加密货币市场的波动性应用了Copula-quantile因果关系方法。实验的方法扩展了Lee和Yang[170]在2014年提出的Copula-Granger分布因果关系（CGCD）方法。实验用copula函数构造了两个CGCD测试。参数检验使用六个参数copula函数来发现变量之间的依赖密度。这些函数的性能矩阵随copula密度的变化而变化。研究的重点是三个分布区域：左尾（1%、5%、10%分位数）、中心区（40%、60%分位数和中位数）和右尾（90%、95%、99%分位数）。该研究提供了从交易量到七种大型加密货币左右尾收益的格兰杰因果关系的重要证据。Elie等人[42]通过Bodart和Candelon[38]的频域检验了主要加密货币波动性之间的因果关系，并区分了暂时性和永久性因果关系。结果表明，长期而言，永久性冲击对解释Granger因果关系更为重要，而短暂性冲击则主导了小型加密货币的因果关系。Badenhorst[13]试图通过Granger因果关系方法和ARCH（1,1）揭示现货和衍生品市场交易量是否影响比特币价格波动。研究结果表明，现货交易量对价格波动有显著的正向影响，而加密货币波动与衍生品市场的关系不确定。Elie等人[45]使用了动态等相关（DECO）模型，并报告了12种主要加密货币之间平均收益均衡相关性随时间变化的证据。结果显示，尽管2018年加密货币价格大幅下跌，但加密货币市场整合程度仍有所提高。此外，交易量的衡量和不确定性是一体化的关键决定因素。

时间序列研究中的一些计量经济学方法，如GARCH和BEKK，已经被用于加密货币交易的文献中。Conrad等人[81]使用GARCH-MIDAS模型提取比特币市场的长期和短期波动成分。该模型的技术细节将条件方差分解为低频分量和高频分量。研究结果发现，标准普尔500指数的已实现波动率对长期比特币波动率具有显著的负向影响，标准普尔500指数的波动率风险溢价对长期比特币波动率具有显著的正向影响。Ardia等人[8]使用马尔可夫转换GARCH（MSGARCH）模型来检验比特币对数收益率的GARCH波动动力学中是否存在制度变迁。此外，利用贝叶斯方法估计模型参数和计算VaR预测。结果表明，MSGARCH模型在风险价值预测方面明显优于单机制GARCH模型。Troster等人[239]进行了一般GARCH和GAS（广义自回归分数）分析，对比特币的收益和风险进行建模和预测。实验发现，重尾分布的GAS模型能够为比特币的收益和风险建模提供最佳的样本外预测和拟合优度属性。研究结果还说明了对比特币收益率进行过度峰度建模的重要性。Charles等人[65]研究了四个加密货币市场，包括比特币、Dash、Litecoin和Ripple。结果表明，除了Dash市场外，加密货币收益率的显著特征是存在跳跃和结构性突破。考虑了四种GARCH模型（即GARCH、APARCH、IGARCH和FIGARCH）和三种具有结构突变的收益类型（原始收益、跳跃过滤收益和跳跃过滤收益）。这项研究表明了加密货币波动性跳跃和结构突破的重要性。

一些研究者专注于密码货币市场波动性的长记忆方法。长记忆方法侧重于市场波动之间的长期相关性和显著的长期相关性。Chaim等人[63]估计了加密货币市场中具有不连续跳跃的多元随机波动模型。结果表明，长期波动似乎是由主要的市场发展和普遍的利率水平驱动的。Caporale等人[52]通过重标度区间（R/S）分析和分数积分检验了加密货币市场的持久性。研究结果表明，市场具有持续性（其过去和未来价值之间存在正相关关系），其水平随时间而变化。Khuntin等人[154]将适应性市场假说（AMH）应用于比特币收益的可预测性。Dominguez和Lobato[89]的一致性检验，Escanciano和Velasco[98]的广义谱（GS）用于捕捉比特币收益率的时变线性和非线性依赖性。研究结果验证了比特币价格变化中的演化效率和动态效率的证据符合AMH的说法。

Katsiampa等人[150]在2018年应用了三对双变量BEKK模型来检验条件波动性动态以及三对加密货币之间的相互联系和条件相关性。更具体地说，BEKK-MGARCH方法还捕捉到了冲击和波动的跨市场效应，这也被称为冲击传导效应和波动溢出效应。实验发现了比特币与以太币和Litcoin之间双向冲击传播效应的证据。特别是，在比特币、以太币和Litcoin之间存在双向冲击溢出效应，且存在时变条件相关，且正相关占主导地位。2019年，Katsiampa[149]进一步研究了一个非对称对角BEKK模型，以检验五种加密货币的条件方差，这五种加密货币受到先前平方误差和过去条件波动率的显著影响。实验检验了单位根的零假设和平稳性假设。在保证平稳性的前提下，对ARCH-LM进行ARCH效应检验，检验收益率序列波动性建模的要求。此外，本文还利用多元GARCH模型检验了加密货币对之间的波动协动。结果证实了加密货币市场价格收益的非正态性和异方差性。这一发现还确定了由于重大新闻而导致的加密货币波动动力学的影响。Hultman[131]着手研究GARCH（1,1）、双变量BEKK（1,1）和一个标准随机模型来预测比特币的波动性。实验中采用了滚动窗口法。平均绝对误差（MAE）、均方误差（MSE）和均方根偏差（RMSE）是评价预测值与真实值之间误差程度的三个损失准则。结果表明，对于三种不同的损失标准，损失函数的排序为：GARCH（1,1）>二元BEKK（1,1）>标准随机；换句话说，GARCH（1,1）在预测比特币波动性方面表现最好。小波时间尺度持续性分析也被应用于加密货币市场波动性的预测和研究[202]。结果表明，加密货币市场的信息效率（efficiency）和波动持续性对时间尺度、收益率和波动率度量以及制度变迁具有高度的敏感性。Adjepong et al.[202]与Corbet et al.[85]的类似研究相联系，并表明GARCH比BEKK更快地吸收有关数据的新信息。

7.2. 机器学习技术

如前所述，机器学习技术构造了计算机算法，通过在现有数据中寻找模式而无需显式指令[128]，从而自动改进自身。近年来机器学习的迅速发展促进了它在加密货币交易中的应用，特别是在加密货币收益预测方面。

7.2.1. 本文综述了常用的机器学习技术

几种机器学习技术被应用于加密货币交易中。我们通过目标集来区分这些算法：分类、聚类、回归、强化学习。由于深度学习技术的内在变化和广泛采用，我们专门分了一节讨论深度学习。

分类算法。机器学习中的分类的目标是根据需要将输入对象分类为不同的类别，我们可以为每个类别分配标签（例如，上下）。基于我们收集到的文献，朴素贝叶斯（NB）[216]、支持向量机（SVM）[247]、K近邻（KNN）[247]、决策树（DT）[109]、随机森林（RF）[173]和梯度提升（GB）[111]算法已被用于加密货币交易。NB是一种基于贝叶斯定理的概率分类器，特征之间具有强（朴素）条件独立性假设[216]。支持向量机（SVM）是一种有监督学习模型，其目的是结合学习边界理论实现高边缘分类器[256]。支持向量机将新的示例分配给一个或另一个类别，使其成为非概率二元线性分类器[247]，尽管一些修正可以对其输出进行概率解释[153]。KNN是一种基于记忆或延迟学习的算法，其中函数仅在局部近似，所有计算都推迟到推理时间[247]。DT是一种决策支持工具算法，它使用树状决策图或模型将输入模式分割成多个区域，然后为每个区域分配一个相关标签[109]。RF是一种集成学习方法。该算法通过在训练过程中构造大量决策树，在分类的情况下输出平均一致性作为预测类，在回归的情况下输出平均预测值[173]。GB以弱预测模型集合的形式生成预测模型[111]。

聚类算法。聚类是一种机器学习技术，它将数据点分组，使每个分组都显示出一定的规律性[137]。K-Means是数据挖掘中用于聚类分析的一种矢量量化方法。K-means存储用于定义簇的质心；如果一个点比任何其他质心更接近簇的质心，则认为该点位于特定簇中[245]。根据我们收集的文献，K-Means是加密货币交易中最常用的聚类算法之一。

回归算法。我们将回归定义为任何旨在估计连续值的统计技术[164]。线性回归（LR）和散点图平滑是解决加密货币交易中回归问题的常用技术。LR是一种线性方法，用于模拟标量响应（或因变量）和一个或多个解释变量（或自变量）之间的关系[164]。散点图平滑是一种通过散点图拟合函数的技术，以最好地表示变量之间的关系[110]。

深度学习算法。深度学习是人工神经网络（ANN）的一种现代形式[257]，由于计算能力的进步而成为可能。人工神经网络是一种受组成动物大脑的自然神经网络启发的计算系统。系统通过考虑实例来“学习”执行包括预测在内的任务。深度学习的优越精度来自于高计算复杂度和高成本。深度学习算法目前是许多现代人工智能应用的基础[231]。卷积神经网络（CNNs）[168]、递归神经网络（RNNs）[188]、选通递归单元（GRU）[70]、多层感知器（MLP）和长-短期记忆（LSTM）[67]网络是加密货币交易中最常用的深度学习技术。CNN是一种特殊类型的神经网络层，通常用于监督学习。CNNs在图像处理和自然语言处理问题上取得了最大的成功。在加密货币中使用CNN的尝试见[143]。RNN是一种人工神经网络，其中节点之间的连接形成一个可能循环的有向图。由于在循环连接中引入了内存，RNN的这种结构使其适合于处理时间序列数据[188]。然而，他们面临着消失梯度问题[203]，因此最近提出了不同的变化。LSTM[67]是一种被广泛应用的特殊RNN体系结构。在金融时间序列问题上，LSTMs已显示出优于非分级RNNs，因为它们具有长时间选择性地记住模式的能力。GRU[70]是标准RNN的另一个门控版本，已用于加密交易[91]。加密货币交易中使用的另一种深度学习技术是Seq2seq，它是编码器-解码器架构的具体实现[251]。Seq2seq最初的目的是解决自然语言处理问题，但在[226]中也被应用于加密货币趋势预测。

强化学习算法。强化学习（RL）是机器学习的一个领域，它利用软件代理在环境中的行为来最大化累积回报[230]。深度Q学习（DQN）[120]和深度Boltzmann机器（DBM）[219]是使用RL的加密货币交易中常用的技术。深度Q学习使用神经网络来逼近Q值函数。状态作为输入，所有可能动作的Q值作为输出生成[120]。DBM是一种二元配对马尔可夫随机场（无向概率图形模型），具有多层隐随机变量[219]。它是一个随机耦合的随机二进制单元网络。

7.2.2. 机器学习模型研究

在机器学习交易信号的开发中，技术指标通常被用作输入特征。Nakano等人[193]研究了基于ANNs的比特币日内技术交易，用于收益预测。实验从加密货币交易所获得比特币的中频价格和交易量数据（数据的时间间隔为15分钟）。人工神经网络根据输入数据预测下一个时期的价格趋势（上下）。对数据进行预处理，构建一个包含EMA、新兴市场小盘股（EMSD）、相对强度指数（RSI）等技术模式矩阵的训练数据集，其数值实验包含不同的研究方面，包括基础ANN研究、不同层次的效应、不同激活函数的效应，附加技术指标的不同产出、不同投入和效果。研究结果表明，与原始技术交易策略相比，使用各种技术指标可能会防止非平稳金融时间序列数据分类中的过度拟合，从而提高交易绩效。（买入并持有是本次实验的基准策略。）

通过预测价格走势，将分类回归机器学习模型应用于加密货币交易中。大多数研究者都集中在不同分类和回归机器学习方法的比较上。Sun等人[229]使用随机森林（RFs）和Alpha01[141]中的因子（从加密货币市场的历史中获取特征）来构建预测模型。实验从加密货币交易所的API中采集数据，选取5分钟的频率数据进行回溯测试。结果表明，性能与数据量成正比（数据越多，精度越高），射频模型中使用的因素似乎具有不同的重要性。例如，“Alpha024”和“Alpha032”特性在所采用的模型中是最重要的。（alpha特征来自论文“101 Formulaic Al phas”[141]）Vo等人[243]将RFs应用于高频加密货币交易（HFT），并将其与深度学习模型进行了比较。当使用正向填充插补方法替换空值（即缺失值）时，收集分钟级数据。实验中测试了不同的周期和射频树。作者还比较了RF和深度学习（DL）的F1精确度和召回指标。结果表明，尽管ML特征中存在多重共线性，RF仍然是有效的，但是缺乏模型识别也可能导致模型识别问题；本研究还尝试创建一个使用RF的比特币HFT策略。Maryna等人[260]研究了基于训练SVM模型的算法交易策略的盈利能力，以识别预测回报率高或低的加密货币。结果表明，支持向量机策略的性能排在第四位，仅优于单纯买入并持有标普指数的S&pbh策略。（本研究中还有其他4种基准策略）作者观察到支持向量机需要大量的参数，因此很容易出现过拟合，导致其性能较差。Barnwal等人[18]利用产生式和判别式分类器建立了一个叠加模型，特别是3个产生式和6个判别式分类器通过一个单层神经网络组合，来预测加密货币的价格走向。判别分类器直接对未知数据和已知数据之间的关系进行建模，而生成分类器则通过数据生成分布间接对预测进行建模[198]。技术指标包括趋势、动量、成交量和波动性，作为模型的特征。作者讨论了不同的分类器和特征对预测的影响。Attanasio等人[10]比较了各种分类算法，包括SVM、NB和RF，以预测给定加密货币的次日价格趋势。结果表明，由于加密货币金融工具的异质性和波动性，基于一系列预测的预测模型在加密货币交易中优于单一的分类技术。Madan等人[179]将比特币价格预测问题建模为一项二项式分类任务，使用一种利用随机林和广义线性模型的定制算法进行实验。实验采用日数据、10分钟数据和10秒数据。实验表明，10分钟的数据比10秒的数据具有更好的敏感性和特异性（10秒的预测准确率在10%左右）。考虑到预测性交易，与10秒的回溯测试相比，10分钟的数据有助于在实验中显示更清晰的趋势。同样，Virk[242]比较了RF、SVM、GB和LR来预测比特币的价格。结果表明，在二项分类机器学习算法中，支持向量机的分类精度最高，为62.31%，分类精度为0.77。

不同的深度学习模型已被用于寻找加密货币市场的价格变动模式。Zhengy等人[258]实现了两种机器学习模型，即完全连接的ANN和LSTM来预测加密货币的价格动态。结果表明，虽然理论上LSTM比ANN更适合于时间序列动力学建模，但ANN总体上优于LSTM；在联合预测（五种加密货币日价格预测）中，考虑的性能指标是MAE和RMSE。研究结果表明，加密货币时间序列的未来状态在很大程度上取决于其历史演变。Kwon等人[165]使用了LSTM模型，以表示加密货币过去价格变化的三维价格张量作为输入。该模型在F1成绩方面优于GB模型。具体来说，在10分钟的价格预测中，它的性能比GB模型提高了约7%。特别是，实验表明，LSTM更适合于对高波动率的加密货币数据进行分类。Alessandretti等人[5]测试了梯度增强决策树（包括单回归和XGBoost增强回归）和LSTM模型对每日加密货币价格的预测。他们发现，基于梯度提升决策树的方法在基于5/10天的短期窗口进行预测时效果最好，而LSTM在基于50天数据的预测时效果最好。比较了两种模型中特征的相对重要性，讨论了基于几何平均收益率和Sharpe比率的优化组合。Phaladisailoed等人[207]选择回归模型（Theil-Sen回归和Huber回归）和基于深度学习的模型（LSTM和GRU）来比较预测比特币价格涨跌的性能。在MSE和RSquare（R2）这两种常用的度量标准中，GRU的精度最高。Fan等人[100]在预测8对加密货币的中间价格时，应用了一种自动编码器增强的LSTM结构。^^收集了2级限价指令簿实时数据，实验在高频交易（tick-Level）中实现了78%的价格变动预测准确率。^^这项研究改进并验证了Sirignano等人[224]的观点，即对于加密货币市场，通用模型比货币对特定模型具有更好的性能。此外，还提出了“走查”（即，当原来的深度学习模型似乎不再有效时，对其本身进行再训练）作为一种优化深度学习模型训练的方法，并显示出显著提高预测精度的效果。

研究人员还将重点放在比较经典统计模型和机器/深度学习模型上。Rane等人[214]描述了用于预测比特币价格的经典时间序列预测方法和机器学习算法。将自回归综合移动平均模型（ARIMA）、二项式广义线性模型和GARCH等统计模型与支持向量机（SVM）、LSTM、非线性自回归外生输入模型（NARX）等机器学习模型进行了比较。观测结果表明，以10秒为间隔，NARX模型的预测精度接近52%，是最佳的预测模型。Rebane等人[215]比较了ARIMA等传统模型和seq2seq等现代流行模型在预测加密货币收益方面的差异。结果表明，seq2seq模型在比特币美元预测方面明显优于ARIMA模型，但在极端情况下，seq2seq模型表现出很差的性能。作者建议进行额外的调查，例如使用LSTM而不是GRU单元来提高性能。Stuerner等人[228]也比较了类似的模型，他们探讨了自动投资方法在加密货币交易趋势跟踪和技术分析中的优势。Samuel等人[206]探索了向量自回归模型（VAR模型），一种更复杂的RNN，以及残差递归神经网络（R2N2）中两者的混合，用于预测加密货币回报。具有十个隐藏层的RNN针对设置进行了优化，VAR增强的神经网络使网络比RNN更浅、更快，并具有更好的预测能力。比较了RNN、VAR和R2N2模型。结果表明，VAR模型具有显著的检验期性能，从而支撑了R2N2模型，而RNN模型表现较差。本研究旨在优化模型设计并应用于加密货币收益预测。

7.2.3. 情绪分析

情绪分析是社交媒体时代的热门研究课题，它也被用来改进加密货币交易的预测。该数据源通常必须与机器学习相结合以生成交易信号。

Lamon等人[167]利用每日新闻和社交媒体的数据标注实际价格变化，而不是正面和负面情绪。通过这种方法，价格预测被积极和消极情绪所取代。实验从“cryptocoinsnews”和twitterapi等网站获得了与加密货币相关的新闻文章标题。在加密货币市场中，权重是以正数和负数表示的。比较了Logistic回归（LR）、线性支持向量机（LSVM）和NB作为分类器，得出LR是日价格预测的最佳分类器，对价格上涨的预测正确率为43.9%，对价格下跌的预测正确率为61.9%。Smuts[225]使用使用Google Trends 和Telegram情绪的LSTM模型进行了类似的基于二元情绪的价格预测方法。具体来说，这种情绪是通过使用一种称为维德（VADER）[132]的新方法从Telegram电报中提取出来的。2018年上半年，在预测每小时价格方面，回溯测试在测试集上的准确率达到76%。Nasir等人[195]研究了加密货币收益和搜索引擎之间的关系。实验采用了一套丰富的实证方法，包括VAR框架、copulas方法和非参数时间序列图。结果发现，谷歌搜索对比特币收益率有显著影响，尤其是在短期内。Kristoufek[162]讨论了对Google Trends或维基百科每日观点的正面和负面反馈。作者提出了在加密货币市场中寻找价格与搜索项之间因果关系的不同方法，包括协整、向量自回归和向量误差修正模型。结果表明，搜索趋势和加密货币价格是相关的。在实验中，对高于或低于其趋势值的货币增加兴趣的影响之间也存在明显的不对称性。Young等人[156]分析了在线社区中的用户评论和回复，以及它们与加密货币波动性的关系。在网络社区中搜集评论和回复之后，作者们标记了正面和负面话题的范围。然后根据对所选数据的评论和回复，测试加密货币的价格与交易次数之间的关系。最后，基于选定的数据建立了一个基于机器学习的预测模型来预测加密货币市场的波动。结果表明，数据积累量和活跃的社区活动对加密货币的价格和数量的波动有直接的影响。

同样，Colianni等人[80]、Garcia等人[113]、Zamuda等人[254]等人将情绪分析技术应用于加密货币交易领域，结果也类似。Colianni等人[80]在加密货币交易的Twitter情绪分析中清理数据并应用监督机器学习算法，如logistic回归、朴素贝叶斯和支持向量机等。Garcia等人[113]将多维分析和脉冲分析应用于比特币情绪效应和算法交易的社会信号。研究结果验证了基于交易的社交媒体情绪有可能产生正投资回报的长期假设。Zamuda等人[254]采用了新的情绪分析指标，并使用多目标投资组合选择来规避加密货币交易中的风险。基于云基础设施对计算资源的弹性需求，这一观点被合理化。提出了一种评价用户网络行为-反应-影响模型（ARIM）的通用模型。Bartolucci等人[19]利用“蝴蝶效应”研究了加密货币的价格，这意味着开源项目的“问题”提供了改进加密货币价格预测的见解。GitHub评论的情感、礼貌、情感分析在以太坊和比特币市场得到应用。结果表明，这些指标对加密货币价格具有预测能力。

7.2.4. 强化学习

深度强化算法绕过预测，直接进入市场管理行动，以实现高累积利润[126]。Bu等人[49]提出了双Q网络和无监督预训练相结合的方法，利用DBM生成并增强加密货币交易中的最优Q函数。交易模型包含两个神经网络形式的串联代理、无监督学习模块和环境。输入市场状态连接编码网络，编码网络包括光谱特征提取（卷积池模块）和时间特征提取（LSTM模块）。双Q网络跟随编码网络，并从该网络生成动作。与现有的深度学习模型（LSTM、CNN、MLP等）相比，该模型即使在极端的市场情况下也获得了最高的利润（记录了24%的利润，而加密货币市场价格下降了-64%）。Juchli[138]应用了强化学习代理的两种实现，一种是Q-learning代理，在没有市场变量的情况下充当学习者，另一种是DQN代理，用于处理前面提到的特征。在两种不同的神经网络结构下对DQN代理进行了回溯测试。结果表明，DQN-CNN智能体（卷积神经网络）在回溯预测方面优于DQN-MLP智能体（多层感知器）。Lucarelli等人[177]专注于通过深度强化学习方法改进自动加密货币交易。对双深度Q学习网络和双深度Q学习网络进行了4年的比较。通过将奖励函数设置为Sharpe比率和利润，证明了双Q学习方法是加密货币交易中最赚钱的方法。

7.3. 其他

Atsalakis等人[9]提出了一种计算智能技术，它使用混合神经模糊控制器PATSOS来预测比特币日价格的变化方向。该方法优于其他两种计算智能模型，第一种是用简单的神经模糊方法开发的，第二种是用人工神经网络开发的。根据该模型的信号，通过交易模拟获得的投资收益比通过简单的买入持有策略获得的投资收益高71.21%。这是首次在比特币价格变动预测中提出的应用。文献[155]将拓扑数据分析应用于加密货币市场的价格趋势预测。该方法利用动态系统吸引子的拓扑特征来处理任意时间数据。结果表明，该方法能有效地分离重要的拓扑模式和样本噪声（如买卖反弹、价格变化的离散性、交易规模差异或价格变化的信息含量等），并提供了理论结果。Kurbucz[163]设计了一种由单隐层前馈神经网络（SLFN）组成的复杂方法，以（i）确定交易网络（记录所有比特币交易的公共分类账）最频繁边缘对比特币未来价格的预测能力；以及，（ii）提供一种有效的技术，以便在日间交易中应用此未开发的数据集。研究发现，基于一小部分边缘（约占所有唯一边缘的0.45%）可以获得的信息，价格变动分类的准确率非常高（60.05%）。值得注意的是，Kondor等人[157，159]首先发表了一些论文，对加密货币市场上的交易网络进行了分析，并在识别比特币用户方面进行了相关应用研究[139]。Abay等人[2]试图利用拓扑特征来理解区块链图背后的网络动力学。结果表明，交易图的度分布等标准图特征可能不足以捕捉网络动态及其对比特币价格波动的潜在影响。Maurice等人[202]将小波时间尺度持续性应用于分析加密货币市场的收益和波动性。该实验使用了两年多的每日数据，检验了加密货币市场的长记忆和市场效率特征。作者采用对数周期图回归方法研究了加密货币市场的平稳性，并用ARFIMA-FIGARCH模型检验了加密货币在时间和尺度上的长记忆行为。一般而言，实验表明，在8个加密货币市场中，使用全时段和跨尺度的每日数据（2015年8月25日至2018年3月13日），存在异质记忆行为。

8 加密货币资产的投资组合

8.1. 对加密货币对和相关因素的研究

Ji等人[135]通过六种大型加密货币（从2015年8月7日至2018年2月22日的coinmarketcap列表中收集）的回报和波动溢出来检验连通性，发现Litecoin和Bitcoin对其他加密货币的影响最大。作者遵循Diebold等人[88]的方法，建立了正/负收益率和波动连通性网络。此外，回归模型被用来识别各种加密货币集成水平的驱动因素。进一步的分析表明，每种加密货币在收益率和波动率方面的关系并不一定是由于其市场规模。Adjepong等人[201]探讨了七种主要加密货币的市场一致性和波动性因果关系。基于小波变换的方法被用来检验市场连通性。运用参数和非参数检验研究了资产的波动溢出方向。实验揭示了加密货币市场从多样化收益到连通性和波动性的联系。Elie等人[43]发现在一系列的12种加密货币回报中检测到跳跃的存在，并且在所有情况下都发现了显著的跳跃活动。更多的结果强调了交易量的跳跃对于形成加密货币跳跃的重要性。

一些研究人员探索了加密货币与不同因素之间的关系，包括期货、黄金、，等等，黑尔等人[123]认为，在CME发行与定价动态一致的期货之后，比特币价格会快速上涨和下跌。具体而言，作者指出，期货推出后价格的快速上涨和随后的下跌与加密货币市场的交易行为是一致的。Werner等人[161]关注主要货币和加密货币之间的不对称相互关系。多重分形非对称去趋势互相关分析结果表明，大多数加密货币对与ETF对之间的互相关具有显著的持续性和非对称多重性。Bai等人[14]利用自动三角套利方法研究了加密货币市场上的外汇交易算法。实现定价策略、实现交易算法和开发给定的交易模拟是本研究所要解决的三个问题。Kang等人[146]利用动态条件相关（DCCs）和小波相干分析了黄金期货相对于比特币价格的套期保值和多样化特性。DCC-GARCH模型[95]是用来估计比特币和黄金期货之间的时变相关性的，通过对方差和协方差的建模，同时也考虑了这两种灵活性。小波相干方法更关注比特币和黄金期货之间的协同运动。实验结果表明，小波相干性分析结果表明比特币和黄金之间存在波动持续性、因果关系和相位差。Dyhrberg等人[92]应用GARCH模型和指数GARCH模型分析比特币、黄金和美元之间的相似性。实验表明，比特币、黄金和美元与GARCH模型的变量具有相似性，具有相似的对冲能力，对好消息和坏消息的反应是对称的。作者观察到，比特币可以结合商品和货币在金融市场上的一些优势，成为投资组合管理的工具。Baur等人[20]扩展了Dyhrberg等人的研究；用GARCH和EGARCH-（1,1）模型测试了相同的数据和样本周期[92]，但实验得出了不同的结论。Baur等人发现，与其他资产相比，比特币具有独特的风险收益特征。他们注意到，比特币的超额收益和波动性与黄金或美元相比，类似于一种高度投机的资产。Bouri等人[40]运用DCCs和GARCH（1,1）模型研究了比特币与能源商品之间的关系。特别是，研究结果显示，比特币是能源商品强有力的对冲和避风港。Kakushadze[142]提出了每日加密资产收益横截面的因子模型，并为所有加密货币和大量其他数字资产的数据下载、计算风险因子和回溯测试提供了源代码。研究结果表明，对于有效执行和做空的加密资产，横截面统计套利交易是可能的。Beneki等人[25]通过多元BEKK-GARCH方法和VAR模型中的脉冲响应分析，测试了比特币和以太坊之间的对冲能力。结果表明，以太坊与比特币之间存在波动性交易，这意味着加密货币衍生品市场上可能存在有利可图的交易策略。Guglielmo等人[54]研究了加密货币市场的周效应，并探讨了该指标在交易实践中的可行性。对加密货币数据进行了Student t检验、ANOVA、Kruskal–Wallis和Mann–Whitney检验，以便将可能具有异常特征的时间段与其他时间段进行比较。当检测到异常时，建立了一个算法来利用利润机会（本研究中提到了MQL4中的MetaTrader终端）。结果显示，通过2013-2016年的回溯测试，比特币市场存在异常（周一出现异常正收益）

8.2. 加密资产组合研究

一些研究者将投资组合理论应用于加密资产。Corbet等人[83]对加密货币作为金融资产进行了系统分析。Brauneis等人[46]应用Markowitz均值-方差框架来评估加密货币投资组合的风险收益。在对交易成本进行的样本外分析中，他们发现组合加密货币可以丰富“低风险”加密货币的投资机会。就夏普比率和确定性等价回报而言，1∕n-投资组合（即“天真”策略，如在资产类别之间平均划分）的表现优于单一加密货币，就均值-方差最优投资组合的夏普比率和确定性等价回报而言，超过75%。Castro等人[56]开发了一个基于Omega测度的投资组合优化模型，该模型比Markowitz模型更全面，并通过数值应用将其应用于四个加密资产投资组合。实验表明，加密资产提高了投资组合的收益率，但另一方面也增加了风险敞口。

贝迪等人[22]从投资者交易五种主要法定货币（即美元、英镑、欧元、日元和人民币）的角度，研究了比特币在六种资产类别的全球投资组合中的多样化能力。他们采用修正的条件风险价值和标准差作为风险度量，对三种资产配置策略进行投资组合优化，并从投资组合理论的角度对各国货币比特币交易量的巨大差异提供了见解。Antipova等人[7]也进行了类似的研究，探索了通过使用一种或多种加密货币进行多样化投资，并根据风险和回报评估投资者的回报，从而建立和优化全球投资组合的可能性。Fantazzini等人[102]提出了一组模型，可用于估计加密货币投资组合的市场风险，同时使用零价格概率（ZPP）模型估计其信用风险。结果表明，t-copula/skewed-t-GARCH模型对市场风险的预测优于ZPP模型对信用风险的预测。Qiang等人[134]研究了比特币交换的共同动态。他们利用基于比特币价格实际每日波动率的连接性指标发现，Coinbase无疑是市场领导者，而Binance的表现则出人意料地弱。研究结果还表明，相对于交易量而言，更安全的资产提取对于比特币交易所之间的波动性联系更为重要。

Trucios等人[240]提出了一种基于vine copulas和稳健波动率模型的方法来估计加密货币投资组合的风险价值（VaR）和预期缺口（ES）。该算法在VaR和ES估计方面都表现出了良好的性能。Hrytsiuk等人[129]证明了加密货币收益率可以用Cauchy分布来描述，得到了VaR风险度量的解析表达式，并进行了相应的计算。作为优化的结果，在他们的实验中建立了一组最优的加密货币投资组合。

Jiang等人[136]提出了一种两隐层CNN，以一组加密货币资产的历史价格作为输入，输出该组加密货币资产的权重。这项研究集中在加密货币资产的投资组合研究使用新兴技术，如CNN。训练是在密集的方式进行，以最大限度地累积回报，这被认为是CNN的奖励功能。将CNN策略的性能与三个基准和其他三种投资组合管理算法（买入持有策略、统一常数再平衡投资组合和基于在线牛顿步和被动-主动均值回归的通用投资组合）进行了比较，结果表明，CNN策略的性能是正的，模型的性能仅次于被动均值回归算法攻击性均值回归算法（PAMR）。Estalayo等人[99]报告了关于DL模型和多目标进化算法（MOEA）组合用于分配加密货币投资组合的初步发现。文中给出了叠加DL递归神经网络设计的技术原理和细节，以及如何利用其预测能力对投资组合的收益和风险进行准确的事前估计。对真实加密货币数据进行的一组实验结果验证了他们设计的深度学习模型相对于其他回归技术的优越性能。

9. 市场状况研究

9.1. 泡沫和碰撞分析

Phillips和Yu提出了一种测试加密货币泡沫存在的方法[68]，Shaen等人[84]对此进行了扩展。该方法基于上确界增广Dickey-Fuller（SADF），通过包含一系列转发递归右尾ADF单位根测试来测试气泡。此外，还对加密货币数据中的泡沫进行了扩展的方法论广义SADF（GSAFD）测试。这项研究的结论是，没有明确的证据表明比特币或以太坊等加密货币市场存在持续的泡沫。Bouri等人[44]对七种大型加密货币的价格爆炸性进行了日期戳印，并揭示了所有情况下多个时期爆炸性的证据。GSADF用于识别多个爆炸期，logistic回归用于揭示加密货币的共爆炸性证据。结果表明，一种加密货币爆发期的可能性通常取决于其他加密货币中爆炸性的存在，并指向同一时期的共同爆炸性，而不一定取决于每种加密货币的大小。

Phillips等人[208，209]和Landsnes等人[97]的扩展研究（他们应用了递归增强的Dickey-Fuller算法，称为PSY测试）研究了某些加密货币泡沫期的可能预测因素。评估包括所有加密货币的多个泡沫期。结果表明，较高的波动率和交易量与加密货币泡沫的存在正相关。在泡沫预测方面，作者发现probit模型比线性模型表现更好。

Phillips等人[210]使用隐马尔可夫模型（HMM）和优劣势排序（SIR）方法来识别加密货币时间序列中的泡沫行为。结合HMM和SIR方法，在社交媒体中引入流行病检测机制，对加密货币价格泡沫进行预测。实验证明Reddit的使用和加密货币的价格之间有很强的关系。这项工作还提供了一些经验证据，表明泡沫反映了社会流行病，如投资理念的传播。Guglielmo等人[53]研究了加密货币交易中的价格过度反应。一些参数和非参数检验证实了过度反应后价格模式的存在，这表明第二天两个方向的价格变化都大于“正常”日之后的价格变化。结果还表明，在加密货币市场中检测到的过度反应不会提供可用的利润机会（可能是由于交易成本），不能被视为有效市场假说的证据。Chaim等人[62]分析了加密货币的高无条件波动性，从标准对数正态随机波动性模型到波动性和收益的不连续跳跃。该实验表明，在加密货币市场中，将永久性跳跃纳入波动的重要性。

9.2. 极端条件

与传统的法定货币不同，加密货币具有较高的风险，并表现出较重的尾部行为。Paraskevi等人[151]发现收益率和交易量之间存在极端依赖性。实验还发现，由于所有加密货币的正超额收益和负超额收益之间的相关性存在差异，因此加密货币市场中存在不对称的收益-量关系。

加密货币在2017年末至2018年初出现价格暴跌[253]。Yaya等人[253]研究了2017/18年加密货币市场崩溃前后比特币对其他流行替代货币的持久性和依赖性。结果表明，由于加密货币交易者的投机心理，预计崩溃后冲击的持续性会更高，而非均值回归的证据也更多，这意味着加密货币价格有进一步下跌的可能性。

10 其他与加密货币交易相关

其他一些与加密货币交易相关的研究论文主要集中在市场行为、监管机制和基准方面。

Krafft等人[160]和Yang[252]分别分析了市场动态和行为异常，以了解加密货币市场中市场行为的影响。Krafft等人讨论了潜在的最终原因、潜在的行为机制和潜在的调节上下文因素，以列举GUI和API对加密货币市场可能产生的影响。然后，他们强调了数字代理设计中人机交互的潜在社会和经济影响。另一方面，Yang运用资产定价异常的行为理论，利用加密货币交易数据测试了20个市场异常。结果表明，异常研究更多地关注投机者的角色，这为研究加密货币市场的动量和反转提供了新的思路。Cocco等人[75]实施了一种机制，为每种类型的交易者形成比特币价格和特定行为，包括遵循帕累托定律的初始财富分配、基于订单的交易和价格结算机制。具体而言，该模型再现了价格序列的单位根属性、厚尾现象、价格收益的波动性聚类、比特币的产生、散列功率和功耗。

Leclair[169]和Vidal Thomás等人[241]分析了加密货币市场中羊群行为的存在。Leclair运用Huang和Salmon的放牧方法[133]在CAPM框架下估计市场羊群动态。Vidal Thomás等人通过返回横截面标准（绝对）偏差来分析加密货币市场中是否存在群体。他们的研究结果都显示了加密货币市场羊群效应的重要证据。Makarov等人[180]研究了加密货币市场中的价格影响和套利动态，发现85%的比特币回报率变化和订单流的特殊成分在解释交易所之间套利价差的大小方面起着重要作用。

2019年11月，Griffin等人提出了一篇关于无支持数字货币/unsupported digital money抬高加密货币价格的论文[119]，在学术界和舆论上引起了极大的轰动。利用算法分析区块链数据，他们发现，在市场低迷时Tether大量购买比特币，并导致比特币价格大幅上涨。通过绘制比特币和Tether的区块链图，他们能够确定Bitfinex上的一个大型玩家在价格下跌时使用Tether购买大量比特币。

更多的研究涉及到加密货币市场的基准和发展[127，259]，监管框架分析[220]，加密货币交易中的数据挖掘技术[204]，有效市场假说在加密货币市场中的应用[223]，以及研究加密货币市场的人工金融市场[74]。Hileman等人[127]将加密货币行业划分为四个关键行业：交易所、钱包、支付和采矿。他们对个人、数据、监管、合规实践、公司成本进行了基准研究，并绘制了2017年加密货币市场的全球采矿地图。Zhou等人[259]讨论了计算机交易在亚太地区最大经济体中的地位和未来，然后还考虑了加密货币市场中的算法和高频交易。Shanaev等人[220]利用120个监管事件的数据研究了加密货币监管的含义，结果表明，对加密货币进行更严格的监管是不可取的。Akhilesh等人[204]使用不同加密货币当日市场情绪的实际值和预测值之间计算的平均绝对误差作为量化不确定性的方法。他们利用不确定性量化方法的比较和意见挖掘来分析当前的市场状况。Sigaki等人[223]使用排列熵和价格日志返回的滑动时间窗口的统计复杂性来量化400多种加密货币的动态效率。因此，加密货币市场表现出与有效市场假设的显著一致性。Cocco等人[74]描述了一个基于代理的人工加密货币市场，其中异构代理买卖加密货币。所提出的模拟器能够再现在比特币真实市场中观察到的价格回报的一些真实统计特性。Marko[200]基于加密货币的长期价值考虑了加密货币作为货币的未来用途。Neil等人[112]分析了网络效应对新加密货币市场竞争的影响。Bariviera和Merediz-Sola[17]基于混合分析进行了调查，提出了一种综合文献综述的方法论混合方法，并提供了加密货币经济学文献中的最新技术。

还有一些研究和论文介绍了加密货币交易的基本过程和规则，包括Hansel等人[124]、Kate[148]、Garza等人[114]、Ward等人[248]和Fantazzini等人[101]的研究结果。Hansel等人[124]介绍了加密货币、比特币和区块链的基础知识、识别市场盈利趋势的方法、使用Altcoin交易平台（如GDAX和Coinbase）的方法、使用加密钱包存储和保护账簿中硬币的方法。Kate等人[148]设定了六个步骤来展示如何在加密货币市场上没有任何技术技能的情况下开始投资。这本书是一个入门级的交易手册初学者学习加密货币交易。Garza等人[114]模拟了一个自动加密货币交易系统，帮助投资者限制系统性风险，提高市场回报。本文是一个设计自动加密货币交易系统的实例。Ward等人[248]讨论了使用几种通用算法的算法加密货币交易，并对其进行了修改，包括调整每个策略中使用的参数，以及混合多种策略或在策略之间动态变化。本文是一个在加密货币市场上进行算法交易的实例。Fantazzini等人[101]介绍了R包比特币金融和泡沫，包括对包括比特币在内的加密货币市场的金融分析。

关于加密货币和区块链的社区资源，即学术交流平台，是“区块链研究网络”，见[197]。

11. 文献综述的综述分析

分析了研究的时间安排、研究在技术方法上的分布、研究在属性上的分布。本文还总结了加密货币交易研究中使用的数据集。

11.1. 时间线

图8显示了加密货币交易中的几个主要事件。该时间表包含加密货币交易的里程碑事件和这一领域的重要科学突破。

早在2009年，Satoshi Nakamoto就提出并发明了第一种去中心分散的加密货币比特币[192]。它被认为是加密货币的开端。2010年，第一家加密货币交易所成立，这意味着加密货币将不再是场外交易市场，而是在基于拍卖市场系统的交易所进行交易。

2013年，Kristoufek[162]得出结论，比特币价格与谷歌趋势（Google Trends）和维基百科（Wikipedia）中“比特币”搜索查询的频率之间存在很强的相关性。2014年，Lee and Yang[170]首次提出分位数法中基于copula的因果关系从七种主要加密货币的交易量到收益率和波动率的因果关系检验。

2015年，Cheah等人[66]讨论了比特币和加密货币的泡沫和投机。2016年，Dyhrberg利用GARCH模型结合黄金和美元对比特币波动性进行了研究[92]。

2016年末至2017年，将机器学习和深度学习技术应用于加密货币收益率预测。2016年，McNally等人[184]使用LSTM算法预测了比特币的价格。Bell和Zbikowski等人[23255]应用SVM算法预测加密货币价格的趋势。2017年，Jiang等人[136]使用双Q网络，并使用DBM对其进行预训练，以预测加密货币组合权重。

近年来，在加密货币交易领域，已经考虑了几个研究方向，包括跨资产组合[22,56,46]、交易网络应用[163,44]、机器学习优化[214,9,258]。

11.2. 研究属性间的分布

我们统计了涉及加密货币交易不同方面的论文数量。图9显示了结果。图例中的属性是根据专门测试属性的论文数量排列的。

超过三分之一（38.10%）的论文研究收益预测。另有三分之一的论文侧重于研究加密货币交易中的泡沫和极端条件以及配对和投资组合之间的关系。剩下的研究课题（波动率预测、交易系统、技术交易等）约占三分之一的份额。

11.3. 类别和技术之间的研究分布

本节介绍并比较加密货币交易的种类和技术。当论文涉及多种技术或比较不同的方法时，我们从不同的技术角度得出统计数据。在126篇论文中，有87篇（69.05%）涉及统计方法和机器学习范畴。这些论文主要研究技术层面的加密货币交易，包括数学建模和统计学。其他与纯技术指标交易系统相关的论文以及介绍该行业及其历史的论文不包括在本分析中。在87篇论文中，75篇（86.21%）介绍了加密货币交易研究中的统计方法和技术，13.8%的论文研究了机器学习在加密货币交易中的应用（参见图10）。值得一提的是，有16篇论文（18.4%）在加密货币交易中应用和比较了多种技术。更具体地说，Bach等人[12]、Alessandretti等人[5]、Vo等人[243]、Phaladisailoed等人[207]、Siaminos等人[222]、Rane等人[214]在加密货币交易中使用了统计方法和机器学习方法。

表7显示了所有交易区域（不限于加密货币）的搜索结果。从表中我们可以看出，大多数研究结果集中在交易中的统计方法上，这意味着对传统市场的大部分研究仍然集中在使用统计方法进行交易。但我们观察到，机器学习在交易中的关注度更高。这可能是因为传统的技术和基本面已被套利，因此近年来市场一直在寻找新的异常现象加以利用。同时，研究结果还表明，在被广泛研究的机器学习应用于加密货币市场交易领域，存在许多研究机会（参见第12节）。

11.3.1. 统计方法的研究分布

如图10所示，我们使用统计方法将论文进一步分为6类：（i）基本回归方法；（ii）线性分类器和聚类；（iii）时间序列分析；（iv）决策树和概率分类器；（v）现代投资组合理论；（vi）其他。

基本的回归方法包括回归方法（线性回归）、函数估计和CGCD方法。线性分类器和聚类包括SVM和KNN算法。时间序列分析包括GARCH模型、BEKK模型、ARIMA模型、小波时间尺度方法。决策树和概率分类器包括Boosting树、RF模型。现代投资组合理论包括风险价值理论、预期缺口理论、Markowitz均值-方差框架等。其他包括加密货币市场的行业、市场数据和研究分析。

图中显示，基本回归方法和时间序列分析是该领域最常用的方法。

11.3.2. 机器学习分类分布研究

使用机器学习的论文占总数的22.78%（c.f图10）。我们进一步将这些论文分为三类：（vii）ANNs（viii）LSTM/RNN/GRUs和（ix）DL/RL。

该图还显示了基于LSTM、RNN和GRU的方法在该子领域中最流行。

人工神经网络包含研究人工神经网络在加密货币交易中应用的论文，如反向传播（BP）神经网络。LSTM/RNN/GRUs包括使用神经网络的论文，利用数据的时间结构，这是一种特别适用于时间序列预测和金融交易的技术。DL/RL包括使用多层神经网络和强化学习的论文。ANN与DL的区别在于，一般DL是指具有多个隐层的ANN，ANN是指包含输入层、隐层（一个或多个）和输出层的简单结构的神经网络。

11.4. 加密货币交易中使用的数据集

表8-10显示了加密货币交易研究中使用的一些代表性数据集的详细信息。表8显示了市场数据集。它们主要包括从加密货币交易所收集的价格、交易量、订单级别信息。表9显示了基于情绪的数据。此表中的大多数数据集包含市场数据和带有情感或统计标签的媒体/互联网数据。表10给出了前两个表中未涉及的收集的论文中使用的数据集的两个例子。

“货币”列显示了加密货币的类型；这表明比特币是加密货币研究中最常用的货币。“描述”列显示数据集的一般描述和类型。“数据分辨率”一栏表示数据的延迟时间（例如，在回溯测试中使用）-这有助于区分高频交易和低频交易。“时间范围”列显示了实验中使用的数据集的时间跨度；这便于区分特定时间间隔内的当前性能和长期影响。我们还介绍了如何使用数据集（即任务），参见“用法”列。“数据源”详细说明了从何处检索数据，包括加密货币交易所、聚合加密货币指数和用户论坛（用于情绪分析）。

Alexander等人[6]也对加密货币数据进行了调查。他们总结了从152篇已发表和SSRN讨论的加密货币论文中收集的数据，并分析了它们的数据质量。他们发现，自2017年1月以来，不到一半的加密货币论文使用了正确的数据。

12 加密货币交易研究的机会

本节讨论加密货币交易未来研究的潜在机会。

基于情绪的研究。

如上所述，有大量的工作使用自然语言处理技术进行情感分析，最终目标是使用新闻和媒体内容来提高加密货币交易策略的性能。

可能的研究方向可能在于：在情绪分析中增加大量的媒体输入（例如，添加视频源）；更新基线自然语言处理模型以执行更健壮的文本预处理；在标签训练中应用神经网络；在保持期方面扩展样本；交易费用；以及，用户信誉研究。

长期和短期的研究。

在加密货币交易中，长短期存在显著差异。在长期交易中，投资者可能获得更大的利润，但在数周或数月管理头寸时，有更多的可能性控制风险。由于持有期的增加，必须对长期策略的风险进行控制，与交易者承担的风险成正比。另一方面，期限越长，风险越高，最重要的是风险控制。期限越短，成本越高，风险越低，因此成本占据了战略设计的主导地位。在短期交易中，当持有期少于一周时，可以应用自动算法交易。通过应用小波技术分析泡沫机制[211]，并考虑价格爆炸性[44]假设进行短期和长期研究，研究人员可以区分加密货币交易中的长期和短期交易。

现有的工作主要是关于长期和短期加密货币交易之间的差异。长期交易意味着趋势跟踪和市场分析中简单的技术指标所需的时间更少。短期交易可以限制整体风险，因为每笔交易都使用小仓位。但市场噪音（干扰）和交易时间短可能会造成短期交易的压力。探讨交易信号的提取、时间序列研究、在投资组合管理中的应用、市场暴跌与价格小幅下跌之间的关系、加密货币市场中的衍生产品定价等，也可能是一个有趣的课题。

加密货币与其他货币的相关性。由于货币政策和商业周期不受中央银行控制，加密货币总是与整个金融市场趋势负相关。已经有一些研究讨论了加密货币和其他金融市场之间的相关性[146，56]，可以用来预测加密货币市场的方向。

考虑到加密货币的特点，加密货币与其他资产的相关性还有待进一步研究。通过主成分分析，密码货币和其他货币在极端情况下（即金融崩溃）的关系，可能会取得突破。

泡沫和崩溃研究。

为了讨论加密货币的高波动性和高回报率，目前的研究集中在加密货币市场的泡沫[68]，加密货币泡沫与波动率指数（VIX）等指标之间的相关性[97]（这是一种衡量标准普尔500指数期权隐含波动性的“恐慌指数”），加密货币市场的溢出效应[178]。

对加密货币交易中的泡沫和崩溃的进一步研究可以包括泡沫产生过程和金融崩溃之间的联系，并进行连贯性分析（从泡沫形成到泡沫破裂后果分析的连贯性过程分析），微观经济学对泡沫理论的分析，在分析加密货币市场泡沫时尝试其他物理或工业模型（即大森定律[249]），在泡沫分析中讨论加密货币的供求关系（如用供求图模拟泡沫的产生，模拟泡沫破裂）。

博弈论和基于代理的分析。

将博弈论或基于代理的模型应用于交易是传统金融市场的一个研究热点。将这种方法应用于加密货币市场的交易可能也很有趣。

区块链技术的公共性。

近年来，对特定货币交易网络的形成与其价格之间联系的研究迅速增加；对用户识别的日益关注[139]也有力地支持了这一方向。通过对这些网络的深入了解，我们可能会发现价格预测中的新特征，并可能更接近于理解加密货币交易中的金融泡沫。

研究文献的开放和Alphas的衰落之间的平衡。Mclean等人[183]指出，投资者从学术出版物中了解到股票市场的错误定价。同样，加密货币市场的可预测性也可能受到该领域研究论文的影响。一种可能的尝试是尝试应用实时市场变化的新定价方法。考虑到加密货币市场中知情交易者的比例在定价过程中不断增加，这是另一个突破点（寻找阿尔法交易和交易研究文献之间的平衡点）。

我们对加密货币交易的研究工作进行了全面的概述和分析。这项调查提出了一个术语的定义和目前的技术状况。本文对126篇加密货币交易论文进行了全面的调查，分析了加密货币交易文献的研究分布特点。我们进一步总结了用于实验的数据集，并分析了加密货币交易的研究趋势和机会。

我们希望这项调查对学术界（如金融研究人员）和定量交易员都是有益的。这项调查代表了一种快速熟悉加密货币交易文献的方法，可以激励更多的研究人员为该领域的紧迫问题做出贡献，例如按照我们已经确定的思路。

13 结论

我们对加密货币交易的研究工作进行了全面的概述和分析。这项调查提出了一个术语的定义和目前的技术状况。本文对126篇加密货币交易论文进行了全面的调查，分析了加密货币交易文献的研究分布特点。我们进一步总结了用于实验的数据集，并分析了加密货币交易的研究趋势和机会。

我们希望这项调查对学术界（如金融研究人员）和定量交易员都是有益的。这项调查代表了一种快速熟悉加密货币交易文献的方法，可以激励更多的研究人员为该领域的紧迫问题做出贡献，例如按照我们已经确定的思路。