随着比特币的普及不断增加，越来越多的分析师正试图了解对这种现象的更好理解。虽然可能很难做出对实际比特币价格的准确预测，但仍有可能识别一些有趣的趋势和关系。在下面的情况下，我将演示如何使用Minitab预测分析模块来完成此任务。
了解我们的按需网络研讨会中的Minitab预测分析模块：
许多公共来源都可以获得实际比特币数据。可以下载一个非常有用的数据集在这里。
该数据集包括从2009年开始每天的比特币统计数据。每一天都被44个不同的指标总结，包括比特币价格、各种费用、区块数、交易数、投资回报等等。可以查阅整个数据字典在这里。
为了便于分析，我将查看从2015年1月1日到2021年4月20日的比特币每日统计数据。这就消除了一些可能影响最近趋势的早期历史。数据集包括一个称为ROI30d的变量——假设在30天前购买资产，则该资产的投资回报率为百分比。在接下来的工作中，我的主要目标是用剩下的变量作为潜在的预测变量，对30天的投资回报做出准确的预测。
数据摘要
首先，让我快速查看使用Minitab的各种数据摘要。
以下是30天投资回报率的时间序列情节：
正如你所看到的，投资比特币可以带来丰厚的回报，也可以带来巨大的损失。鉴于这种资产的波动性，投资比特币的时机对回报至关重要。因此，了解对回报的影响有助于确定何时是最佳投资时机。
确定最重要的预测因子
因此，我们经常被问到问题，并需要在最短的时间内提出最佳答案。有44个可能的预测因子，我需要知道最重要的事情，我需要快速了解它，所以我可以运行分析。
这就是为什么Minitab预测分析模块有一个选项叫做“发现关键预测器”。这个选项允许我让软件识别最重要的变量，使我能够建立一个仍然高度精确的模型，但远不那么复杂，使它更加用户友好。
我拍摄数据集并通过TREENET“发现密钥预测器”运行。正如预期的那样，Minitab从提供的一组候选预测器组开始，并通过按顺序构建一系列模型来进行，并且通过丢弃最不重要的变量，每个后续模型使用一个更少的预测器。因此，整个过程是从经典回归建模中已知的倒退消除过程的现代推广。以下是当我从完整的预测器组开始时会发生什么（不包括日期）：
查看我可能的模型的图形可视化，您可以看到模型精度波动约90％，直到只留下两个预测器。当我挖掘分析时，“发现关键预测因子”揭示了AsseteodCompletionTime是“最后一个人站立”或最重要的预测因素。
不幸的是，从数据字典中查找定义，这个“预测器”只是每天收集最后一个数据的时间，这不是一个有用的度量。结果，我想消除这一点，因为我知道 - 肯定地 - 这些可能是相关的，但没有预测。预测测量选择中并不罕见：通常机器首先选择一堆无用的玩家。此示例还强调了将预测分析与主题专业知识配对的重要性。幸运的是，解决方案很简单 - 只需将其从变量的起始列表中删除并重做“发现最佳预测因子”分析！
从原始列表中删除AssetEODCompletionTime并重新启动预测器发现过程后，我获得了以下摘要:
请注意，Minitab的发动机突出显示最佳模型使用8个原始变量（指标），并在50％的测试分区上实现91％R-Squared。这是这种类型的回归模型的优异性能结果！另请注意，模型表现统计变化率约为90％。
Minitab还为我提供了有益的可视化，即当预测器的数量低于3时，模型的整体精度只会显着降低3.为了构建最简单的模型，同时最大限度地提高精度，可以选择一个带有3个预测器的模型，以进行更详细的分析。或者，您可以从原始候选列表中删除这些变量中的一些变量，并重做最佳预测器搜索以识别不同的获奖者子集。请记住，在这个例子中，我正试图迅速识别重要的事情。如果最高精度是您的目标，则可能会使用最佳模型。机会是无穷无尽的，无论你的目标是什么，你都可以轻松完成几下面！
建模见解
回到我的例子。我现在将仔细看看上面选择的3变量模型。以下是此模型的摘要性能：
正如你所看到的，我们在50%的测试样本上有88%+的准确性-一个非常好的结果!此外，Minitab还根据这三种幸存参数对该模型的整体贡献报告了它们的相对排名:
与3天投资回报相关的最重要的变量是CapMVRVCur。结果表明，这个变量总结了市场可能的高估/低估。这是这个变量在过去6年的时间序列图:
看来，这种度量往往会在1.0和4.0之间波动，电流值约为3.3并可能减少。这是关于该度量的更详细的描述数据词典：
创建这个比率背后的直觉是，用已实现资本化(见资本化，已实现，USD)代表的“基本面”除以价格函数。这给了您一个比率，它潜在地指示了估值过高(当网络价值远远超过其与已实现的市值的历史关系)和估值过低的时期。已实现的上限是一个强有力的基础，因为它可以被理解为持有人在给定时间的平均成本基础，所以两者的比率表明持有人是否处于水下，从而洞察总体情绪。
TreeNet渐变促进模型还揭示了这种指标对30天投资回报的贡献性质：
回想一下，该指标的最新值在3.3左右波动，并可能继续下降。从上面的依赖关系图可以清楚地看出，如果情况确实如此，那么我们预计3天ROI将继续下降。或者，如果有任何理由相信这个指标将增加到3.7或以上，我们可能会期待一个显著的ROI跳跃，基于历史模式。
以上一系列步骤模拟了预测分析中遇到的典型场景。我们从一个包含44个变量的数据集开始，并在几分钟内迅速找到了最重要的预测因素。关键预测器选择创建了一个捷径，避免了每次只查看一个变量的冗长和费力的过程。此外，TreeNet梯度增强模型显示出了极高的准确性。所有这些都突出了现代预测分析的力量，并说明了为什么您需要它向前发展!
