比特币预测专家系统：通过 TimeXer Transformer 整合全球流动性
机器学习
2026-01-13 v2 人工智能
摘要
比特币价格预测具有极端波动性和非平稳性特征，传统单变量时间序列模型在长预测期上往往难以应对。本文通过整合来自 18 个主要经济体的全球 M2 流动性作为具有 12 周滞后结构的先行外生变量，填补了一项关键空白。我们使用 TimeXer 架构，将流动性条件预测模型 (TimeXer-Exog) 与包括 LSTM、N-BEATS、PatchTST 和标准单变量 TimeXer 在内的最先进基准模型进行比较。在 2020 年 1 月至 2025 年 8 月的每日比特币价格数据上进行的实验表明，显式的宏观经济条件化能显著稳定长期预测。在 70 天预测期上，所提出的 TimeXer-Exog 模型实现了 1.08e8 的均方误差 (MSE)，比单变量 TimeXer 基线模型性能高出 89% 以上。这些结果凸显出，基于全球流动性对深度学习模型进行条件化，能显著改善比特币价格的长期预测。
引用
@article{arxiv.2512.22326,
title = {Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers},
author = {Sravan Karthick T},
journal= {arXiv preprint arXiv:2512.22326},
year = {2026}
}