探索数字资产市场中的系统化特征发现
realtime news Sep 11, 2025 06:01
Glassnode引入了一种用于在数字资产市场中发现特征的新框架，通过机器学习识别高价值的指标组合。
著名的区块链数据提供商Glassnode通过机器学习公布了一种在数字资产市场中发现特征的新方法。这个新的“自下而上”特征发现框架旨在识别非平凡且高价值的指标组合，提供传统“自上而下”特征工程方法的替代方案。
组合挑战
现代金融市场，特别是加密货币生态系统，产生了大量数据。Glassnode跟踪了不同资产和时间框架中的数百个链上指标。挑战在于导航广泛的特征空间，因为每个指标可以通过多种方式转换和组合，从而导致难以处理的搜索空间。这种复杂性，称为“维度的诅咒”，使得彻底的探索变得困难。
自下而上与自上而下的特征工程
传统的自上而下的特征工程基于经济理论和市场理解选择指标。相比之下，自下而上的方法在没有预定义偏好的情况下采样特征空间，可能发现直觉可能遗漏的模式。这种数据驱动的方法允许数据本身揭示意想不到的组合。
系统化发现方法
Glassnode的方法涉及在保持统计严谨性的同时，采样特征空间的代表性子集。该方法使用低复杂度的机器学习模型评估特征组合，专注于发现可能超出训练数据泛化的稳健指标。评估过程包括跨多个时间折段进行测试，以确保性能一致性。
案例研究：比特币趋势检测
为了展示这种方法，Glassnode将其应用于比特币上涨趋势检测，采用三阶段采样策略。目标是在上涨趋势期间识别比特币长期持有的最佳时机。该研究采用分层趋势细分来标记市场阶段，在更大的周期内捕捉“小牛市”。
探索阶段
探索过程包括三个阶段：
阶段1：单特征筛选
这一阶段评估了153,600种单特征组合以识别具有潜力的指标。顶级指标涵盖估值比率、持有者行为和盈亏分布。
阶段2：指标对发现
Glassnode从可能的组合中采样了100,000次评估以识别协同效应对，揭示了已实现上限和活动保留指标尤其有效。
阶段3：参数优化
此阶段集中于为最有前途的指标对优化历史上下文窗口。令人惊讶的是，最佳窗口范围在800到1,200天之间，比传统分析周期更长。
样本外结果
2024-2025验证期提供了对研究结果在现实世界中有效性的见解。虽然一些组合保持一致结果，其他则显示出效果减弱，强调了不断适应演变市场的必要性。
实际影响和局限性
Glassnode的框架揭示了一些不显而易见的关系，展示了在数字资产市场中进行结构化探索的潜力。然而，此分析并不代表完整的交易策略，结果仅限于所选指标和时间段。
结论
该研究突出了计算发现对金融市场的重要性，提供了一种可扩展的方法论供从业者使用。随着加密货币市场的发展，分析方法也必须不断演变，计算探索补充了传统专业知识。
如需更详细的见解，请访问Glassnode的原始文章。
Image source: Shutterstock.jpg)