数字货币价格变化趋势的预测方法及装置

摘要

本发明实施例提供一种数字货币价格变化趋势的预测方法及装置。其中，方法包括：获取滞后期内目标数字货币的价格和各预测变量的值；将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果；其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。本发明实施例提供的数字货币价格变化趋势的预测方法及装置，基于向量自回归构建趋势预测模型，趋势预测模型根据滞后期内目标数字货币的价格和各预测变量的值，输出当期目标数字货币的价格变化趋势的预测结果，能获得精度更高的价格变化趋势预测结果。

说明书

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种数字货币价格变化趋势的预测方法及装置。

背景技术

目前，对于数字货币价格变化趋势的预测，一般是在经济学或金融学理论的基础上，结合神经网络、多元线性回归等方法，构建预测模型，获得预测结果。

但由于数字货币价格的影响因素非常多，影响机制非常复杂，影响因素之间还存在关联影响，因此，基于现有经济学或金融学理论构建的预测模型的预测精度较低。

发明内容

本发明实施例提供一种数字货币价格变化趋势的预测方法及装置，用以解决或者至少部分地解决现有技术预测精度较低的缺陷。

第一方面，本发明实施例提供一种数字货币价格变化趋势的预测方法，包括：

获取滞后期内目标数字货币的价格和各预测变量的值；

将所述滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期所述目标数字货币的价格变化趋势的预测结果；

其中，所述趋势预测模型是根据所述目标数字货币的历史价格和所述各预测变量的历史值进行训练后得到的；所述趋势预测模型为基于向量自回归构建的模型。

优选地，将所述滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期所述目标数字货币的价格变化趋势的预测结果的具体步骤包括：

将所述滞后期内目标数字货币的价格和各预测变量的值输入至所述趋势预测模型中的向量自回归子模型，输出所述当期所述目标数字货币的价格预测值；

根据所述当期所述目标数字货币的价格预测值和上一期所述目标数字货币的价格，获取所述当期所述目标数字货币的价格变化趋势的预测结果。

优选地，将所述滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型之前，还包括：

根据所述目标数字货币价格变化的各影响因素的历史值，对所述各影响因素进行平稳性检验和协整分析，获取所述各预测变量；

根据所述目标数字货币的历史价格和所述各预测变量的历史值进行训练，获得所述趋势预测模型。

优选地，将所述滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型之前，还包括：

根据所述目标数字货币价格变化的各影响因素的历史值，对所述各影响因素进行平稳性检验和协整分析，获取各候选变量；

根据所述目标数字货币的历史价格和所述各候选变量的历史值进行训练，获得第一预测模型；

对所述第一预测模型进行检验，根据检验结果从所述各候选变量中筛选出所述各预测变量；

根据所述目标数字货币的历史价格和所述各预测变量的历史值进行训练，获得所述趋势预测模型。

优选地，所述对所述第一预测模型进行检验的具体步骤包括：

根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对所述第一预测模型进行检验。

优选地，获得所述趋势预测模型之后还包括：

根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对所述趋势预测模型进行检验。

优选地，所述各影响因素包括供需因素、投资吸引因素、宏观经济和金融因素和所述目标数字货币的自身因素。

第二方面，本发明实施例提供一种数字货币价格变化趋势的预测装置，包括：

获取模块，用于获取滞后期内目标数字货币的价格和各预测变量的值；

预测模块，用于将所述滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期所述目标数字货币的价格变化趋势的预测结果；

其中，所述趋势预测模型是根据所述目标数字货币的历史价格和所述各预测变量的历史值进行训练后得到的；所述趋势预测模型为基于向量自回归构建的模型。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的数字货币价格变化趋势的预测方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的数字货币价格变化趋势的预测方法的步骤。

本发明实施例提供的数字货币价格变化趋势的预测方法及装置，基于向量自回归构建趋势预测模型，趋势预测模型根据滞后期内目标数字货币的价格和各预测变量的值，输出当期目标数字货币的价格变化趋势的预测结果，能获得精度更高的价格变化趋势预测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例提供的数字货币价格变化趋势的预测方法的流程示意图；

图2为根据本发明实施例提供的数字货币价格变化趋势的预测装置的结构示意图；

图3为根据本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了克服现有技术的上述问题，本发明实施例提供一种数字货币价格变化趋势的预测方法及装置，其发明构思是，基于向量自回归方法构建预测模型，由于向量自回归模型不带有任何事先约束条件，不以金融学或经济学理论为基础，可以覆盖多种价格影响因素，通过捕捉多个时间序列之间的线性相关性预测具有相互关系的时间序列，因而能获得精度更高的数字货币价格变化趋势的预测结果。

图1为根据本发明实施例提供的数字货币价格变化趋势的预测方法的流程示意图。如图1所示，该方法包括：步骤S101、获取滞后期内目标数字货币的价格和各预测变量的值。

需要说明的是，滞后期指当期之前的连续多期。例如，当前为今日(A月10日)，滞后期可以为今日之前的一周(A月3日至9日)。

滞后期包括的期数是预先确定的。

预测变量，为与目标数字货币的价格变化相关的变量。预测变量，可以是与目标数字货币的价格变化正相关或负相关的变量。例如，一般情况下，目标数字货币的总库存是与目标数字货币的价格变化负相关的变量，目标数字货币的经济规模是与目标数字货币的价格变化正相关的变量；目标数字货币的正面消息是与目标数字货币的价格变化正相关的变量，负面消息是与目标数字货币的价格变化负相关的变量。

对于滞后期内的每一期，获取该期目标数字货币的价格和该期各预测变量的值，从而可以获取滞后期内目标数字货币的价格和各预测变量的值。

步骤S102、将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果。

其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。

需要说明的是，步骤S101之前，根据历史时期内目标数字货币的价格和各预测变量的值构建样本数据集，根据样本数据集对趋势预测模型进行训练，得到训练好的趋势预测模型。训练好的趋势预测模型可以用于对目标数字货币的价格变化趋势进行预测。

向量自回归(Vector autoregression，VAR)，用于捕捉多个时间序列之间的线性相关性。向量自回归通常用来预测相互关系的时间序列系统以及分析随机扰动项对变量系统的动态影响。VAR中的所有变量以相同的方式进入模型：每个变量都有一个方程，根据其自身的滞后值、其他模型变量的滞后值和一个误差项来解释其演化。

将目标数字货币的价格和各预测变量均作为趋势预测模型中的变量，通过训练，可以确定误差项和趋势预测模型中待定的系数(参数)，得到训练好的趋势预测模型。

向量自回归至少具有以下优点：1、参数的估计比较容易；2、VAR模型形式的通用性，由于VAR模型不以金融经济理论为基础，因而可以在很大程度上去任意添加其它的解释变量，例如具有单向因果关系的变量，同样可以作为外生变量将其加入VAR模型，以增强模型对因变量的解释能力；3、无初始约束条件，做近期预测非常精准，做长期预测时，则可以预测出变动趋势，参考价值很大。

具体地，将滞后期内目标数字货币的价格和各预测变量的值为趋势预测模型中各变量的滞后值，输入至趋势预测模型，趋势预测模型可以输出当期目标数字货币的价格变化趋势的预测结果。

当期目标数字货币的价格变化趋势，指目标数字货币当期的价格相对于上一期的价格的变化，具体包括上涨、下跌或不变。

本发明实施例基于向量自回归构建趋势预测模型，趋势预测模型根据滞后期内目标数字货币的价格和各预测变量的值，输出当期目标数字货币的价格变化趋势的预测结果，能获得精度更高的价格变化趋势预测结果。

基于上述各实施例的内容，将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果的具体步骤包括：将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型中的向量自回归子模型，输出当期目标数字货币的价格预测值。

具体地，趋势预测模型包括向量自回归子模型，向量自回归子模型用于获取当期目标数字货币的价格预测值和当期各预测变量的预测值。

含有N个变量滞后p期的向量自回归子模型的表达式为

Y

其中，Y

一般地，y

通过训练，Π

根据当期目标数字货币的价格预测值和上一期目标数字货币的价格，获取当期目标数字货币的价格变化趋势的预测结果。

具体地，将当期目标数字货币的价格预测值与上一期目标数字货币的价格进行比较，可以获得当期目标数字货币的价格变化趋势的预测结果。

需要说明的是，将当期目标数字货币的价格预测值和当期各预测变量的预测值，替换掉滞后期内第一期目标数字货币的价格和各预测变量的值，获得新的滞后期内目标数字货币的价格和各预测变量的值，将新的滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，可以获得下一期目标数字货币的价格预测值、下一期各预测变量的预测值和下一期目标数字货币的价格变化趋势的预测结果。依次类推，根据滞后期内目标数字货币的价格和各预测变量的值，可以获得当期及当期之后连续多期目标数字货币的价格变化趋势。

当期之后连续多期为长期，通常的预测模型对价格变化趋势的长期预测结果的精度很低，而本实施例能获得精度更高的长期预测结果。

例如，当前为今日(A月10日)，滞后期可以为今日之前的一周(A月3日至9日)，通常的预测模型虽然可以根据A月3日至9日的数据预测A月10日至25日的价格变化趋势，但会出现A月10日至12日的预测结果的精度较高，自A月13日起的预测结果的精度会很低的情况；而本发明实施例提供的方法，A月10日至25日的预测结果的精度都很高，大大提高了长期预测结果的预测精度。

当期之后连续多期中多期的具体期数，可以根据需要设定，本发明实施例对此不作具体限制。

本发明实施例根据向量自回归子模型获取当期目标数字货币的价格预测值，能获得更准确的当期目标数字货币的价格预测结果，从而能获得精度更高的价格变化趋势预测结果。

基于上述各实施例的内容，将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型之前，还包括：根据目标数字货币价格变化的各影响因素的历史值，对各影响因素进行平稳性检验和协整分析，获取各预测变量。

具体地，由于数字货币价格变化的影响因素非常多，在对趋势预测模型进行训练之前，可以先通过平稳性检验和协整分析，对各影响因素进行筛选，选择各影响因素中的一部分和/或若干个由两个影响因素构成的线性组合作为预测变量。

对于向量自回归，回归分析是建立在数据平稳的基础上。向量自回归要求是变量序列为平稳时间序列，平稳性定义为：时间序列的统计规律不会随着时间的推移而发生变化，即统计特征不随时间的变化而变化。

对于每一影响因素，对该影响因素的历史值构成的时间序列进行平稳性检验。

进行平稳性检验，可以采用单位根检验的方法。

单位根检验是指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列。

向量自回归要求时间序列是平稳的，但是由于实际应用中大多数时间序列是非平稳的，通常采用差分方法消除序列中含有的非平稳趋势，使得序列平稳化后建立模型。虽然一些经量的本身是非平稳序列，但是它们的线性组合却有可能是平稳序列。这种平稳的线性组合被称为协整方程，且可解释为变量之间的长期稳定的均衡关系。协整的原因是这一组时间序列具有某种共同的趋势，通过某种线性组合可以将这种共同趋势相互抵消，其效果是变非平稳为平稳。

如果一个序列进行一次差分后，可以成为平稳序列，则称该序列为一阶单整；如果一个序列进行d次差分后，可以成为平稳序列，则称该序列为d阶单整。

如果两时间序列均为d阶单整，且这两个时间序列的线性组合是(d-b)阶单整，则这两个时间序列被称为是(d-b)阶协整。构成两变量线性组合的系数向量称为“协整向量”。

通过对每一影响因素进行平稳性检验，可以获得该影响因素的单整的阶数。

根据每两个影响因素的单整的阶数，可以对上述两个影响因素进行协整检验，判断出上述两个影响因素是否为协整的。

根据平稳性检验和协整分析的结果，可以从各影响因素中选择若干个具有平稳性的影响因素，和/或若干个由协整的两个影响因素的线性组合，作为预测变量。

预测变量的数量可以根据根据实际情况选择，例如可以选择5-9个预测变量，但不限于此。

根据目标数字货币的历史价格和各预测变量的历史值进行训练，获得趋势预测模型。

需要说明的是，对于向量自回归中的滞后期数p，p的值太小，残差可能存在自相关，并导致参数估计的非一致性；适当加大p值，可消除残差中存在的自相关。但p值又不能太大，否则导致待估参数过多，严重降低自由度，直接影响模型参数估计的有效性。

滞后期数p的值可以预先选定，或者根据赤池信息准则(AIC)和/或施瓦茨准则(SC)确定。

确定滞后期数p和各预测变量之后，可以根据目标数字货币的历史价格和各预测变量的历史值进行训练，确定趋势预测模型中待定的系数(参数)，得到训练好的趋势预测模型。

本发明实施例对各影响因素进行平稳性检验和协整分析，获取各预测变量，能获得具有平稳性的时间序列进行价格变化趋势的预测，能获得精度更高的价格变化趋势预测结果。

基于上述各实施例的内容，将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型之前，还包括：根据目标数字货币价格变化的各影响因素的历史值，对各影响因素进行平稳性检验和协整分析，获取各候选变量。

根据目标数字货币的历史价格和各候选变量的历史值进行训练，获得第一预测模型。

具体地，根据对各影响因素进行平稳性检验和协整分析的结果，选择的若干个具有平稳性的影响因素，和/或若干个由协整的两个影响因素的线性组合，并不直接作为预测变量，而候选变量。

根据目标数字货币的历史价格和各候选变量的历史值进行训练获得的第一预测模型，并不作为最终的趋势预测模型，而是作为初步获得的预测模型。

第一预测模型，也是基于向量自回归构建的模型。

对第一预测模型进行检验，根据检验结果从各候选变量中筛选出各预测变量。

具体地，获得第一预测模型之后，目标数字货币的历史价格和各候选变量的历史值，对第一预测模型进行检验。

通过检验，可以获取每一候选变量的波动对于价格走势的影响趋势以及程度。

根据每一候选变量的波动对于价格走势的影响程度，可以对各候选变量进行筛选，去除影响程度小于预设的阈值的候选变量，保留影响程度大于预设的阈值的候选变量作为预测变量，尽可能选择到对价格走势的影响程度更大的候选变量作为预测变量。

根据目标数字货币的历史价格和各预测变量的历史值进行训练，获得趋势预测模型。

具体地，由于预测变量的数量可能少于候选变量，相应地，若上述各预测变量为上述各候选变量中的一部分，即去除了部分候选变量，由于趋势预测模型中的变量发生了变化，根据目标数字货币的历史价格和各预测变量的历史值再次进行训练，获得趋势预测模型；若上述各预测变量与上述各候选变量相同，即未去除任何候选变量，则不再训练，将第一预测模型作为趋势预测模型。

由于预测变量对价格走势的影响程度更大，因而趋势预测模型的预测精度更高。

本发明实施例通过对对第一预测模型进行检验，进一步筛选出预测变量，根据目标数字货币的历史价格和各预测变量的历史值进行训练，获得趋势预测模型，能获得预测精度更高的趋势预测模型，从而能获得精度更高的价格变化趋势预测结果。

基于上述各实施例的内容，对第一预测模型进行检验的具体步骤包括：根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对第一预测模型进行检验。

具体地，对第一预测模型进行检验，可以采用格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种。

模型稳定性是指当一个脉冲施加在第一预测模型中某一方程的信息过程上时，随着时间的推移，这个冲击会逐渐的消失，如果不消失，则该模型是不稳定的。

格兰杰因果关系检验，可以用于稳定性检验。具体地，格兰杰因果关系检验，可以检验任一预测变量与目标数字货币的价格之间是不是检验逻辑上的因果关系。

脉冲响应函数描述向量自回归中的每一个内生变量的冲击对自身与其它内生变量带来的影响，或着说脉冲响应函数是随着时间的推移，观察模型中的各变量对于冲击的响应。

脉冲响应函数描述的是一个内生变量对残差冲击的反应。具体而言，它描述的是在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所产生的动态影响，这种分析方法称为脉冲响应函数。

方差分解是进一步评价各内生变量对预测方差的贡献度。

上述三种检验方法，均可以分析出预测变量的波动对于价格走势的影响趋势以及程度，大大地提高了趋势预测模型的解释能力。

本发明实施例通过格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，获取每一候选变量的波动对于价格走势的影响程度，从而能筛选出对价格走势的影响程度更大的候选变量作为预测变量，能获得预测精度更高的趋势预测模型，从而能获得精度更高的价格变化趋势预测结果。

基于上述各实施例的内容，获得趋势预测模型之后还包括：根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对趋势预测模型进行检验。

具体地，还可以根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对趋势预测模型进行检验，获取每一预测变量的波动对于价格走势的影响程度。

本发明实施例根据格兰杰因果关系检验、脉冲响应函数检验和方差分解检验中的至少一种，对趋势预测模型进行检验，能获取每一预测变量的波动对于价格走势的影响程度，便于对目标数字货币的价格进行调控。

基于上述各实施例的内容，各影响因素包括供需因素、投资吸引因素、宏观经济和金融因素和目标数字货币的自身因素。

具体地，数字货币价格变化的关键因素之一是市场的供需互动。因此，可以选择流通中目标数字货币的总库存量、目标数字货币的年产量、目标数字货币的流通速度，及数字货币和服务的一般价格水平等中的至少一个作为供需因素。

数字货币具有一定的投资属性，因此，投资吸引力也会对数字货币的价格产生影响。一般而言，由于更高的吸引力而增加的目标数字货币的需求可能会对目标数字货币的价格产生上行趋势，而较低的吸引力可能意味着目标数字货币的需求及其价格的下降。可以选择投资吸引力方面的变量作为投资吸引因素。

全球或者某一国的宏观经济和金融发展的作用，也会通过股市等资本市场对目标数字货币的价格产生影响。因此，宏观经济和金融因素也可以作为一种影响因素。

目标数字货币自身的特点也会影响到其价格，例如其时间属性、生产成本、生产效率等。

供需因素、投资吸引因素、宏观经济和金融因素和目标数字货币的自身因素，均可以包括各种。

本发明实施例通过将供需因素、投资吸引因素、宏观经济和金融因素和目标数字货币的自身因素作为影响因素，覆盖性更高，结合向量自回归，不需要预先排除影响因素，结合向量自回归能获得预测精度更高的趋势预测模型，从而能获得精度更高的价格变化趋势预测结果。

为了便于对本发明各实施例的理解，下面以比特币为例进行说明。

对于供需因素，可以选择已开采的比特币总数量(Total Bitcoins，TOTBC)来作为流通比特币总库存；使用每天唯一比特币交易的总数(Bitcoin Number of Transactions，NTRAN)和每天使用的唯一比特币地址的数量(Bitcoin Number of Unique BitcoinAddresses Used，NADDU)表示比特币经济规模；使用比特币交易确认时间(Bitcoin MedianTransaction Confirmation Time，ATRCT)来表比特币流通的货币流通速度；为了衡量全球经济的数字货币和服务的一般价格水平，使用美元和欧元之间的汇率(USDEUR)，因为在实际中，比特币的价格是以美元计价的。例如，如果美元兑欧元升值，它兑比特币也很可能升值，反之，欧元对美元汇率的上升会导致一比特币所需要支付的美元数量减少，从而降低了比特币的价格。

对于投资吸引因素，从比特币钱包MyWallet中获得相关信息代表对于比特币的投资程度以用来表示数字货币对人们的吸引力程度。具体可以选择比特币钱包的注册用户数量(Bitcoin MyWallet of Users，MWNUS)，比特币钱包的每日交易次数(Bitcoin MyWalletNumber of Transaction Per Day，MWNTD)，比特币钱包的交易总量(Bitcoin MyWalletTransaction Volume，MWTRV)作为投资吸引因素。

对于宏观经济和金融因素，通过股票交易指数、汇率和石油价格测量等变量来影响比特币价格。宏观经济和财务指标对比特币价格的影响可能通过多种渠道发挥作用。例如，证券交易所指数可能反映全球经济的总体宏观经济和金融发展。有利的宏观经济和金融发展可能刺激比特币在贸易和交易所的使用，从而增强其需求，这可能对比特币价格产生积极影响。具体可以选择石油价格(OPEC Crude Oil Price，OBR)和道琼斯综合指数(DOWJONES，DJCI)。还可以选择黄金价格(GoldPrice，GOLDP)与日经指数(Nikkei 225StockPrice，N225)或其他主要股市指数。

对于目标数字货币的自身因素，可以考虑区块链基础下比特币自身性质的影响，例如，随着时间的推移，比特币“挖矿”速度越来越慢，难度越来越大，“矿工”在“挖矿”的同时，所获得的收益越来越少，即“挖矿”成本的提升会对比特币价格可能在一定程度上产生负面影响。具体选择区块链的哈希率(Bitcoin Hash Rate，HRATE)，区块链哈希值获得的难度系数(Bitcoin Difficulty，DIFF)，区块链平均块值大小(Bitcoin Average BlockSize，AVBLS)，区块链矿工收益(Bitcoin Miners Revenue，MIREV)，区块链中每块交易数量(Bitcoin Number of Transaction Perblock，NTRBL)。

将上述TOTBC、NTRAN、NADDU、ATRCT、USDEUR、MWNUS、MWNTD、MWTRV、OBR、DJCI、GOLDP、N225、HRATE、DIFF、AVBLS、MIREV和NTRBL，可以通过平稳型检验和协整性分析进行选择，获得预测变量。根据2018年12月1日到2019年3月1日各预测变量的值和比特币的价格进行训练，获得趋势预测模型，对2019年3月2日至4月1日的比特币价格的变化趋势进行预测，预测结果为持续上涨，将预测结果与实际的比特币价格变化曲线进行对比，实际比特币价格在该时间段确实为持续上涨。

图2为根据本发明实施例提供的数字货币价格变化趋势的预测装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括获取模块201和预测模块202，其中：

获取模块201，用于获取滞后期内目标数字货币的价格和各预测变量的值；

预测模块202，用于将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果；

其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。

具体地，对于滞后期内的每一期，获取模块201可以获取该期目标数字货币的价格和该期各预测变量的值，从而可以获取滞后期内目标数字货币的价格和各预测变量的值。

预测模块202将滞后期内目标数字货币的价格和各预测变量的值为趋势预测模型中各变量的滞后值，输入至趋势预测模型，趋势预测模型可以输出当期目标数字货币的价格变化趋势的预测结果。

本发明实施例提供的数字货币价格变化趋势的预测装置，用于执行本发明上述各实施例提供的数字货币价格变化趋势的预测方法，该数字货币价格变化趋势的预测装置包括的各模块实现相应功能的具体方法和流程详见上述数字货币价格变化趋势的预测方法的实施例，此处不再赘述。

该数字货币价格变化趋势的预测装置用于前述各实施例的数字货币价格变化趋势的预测方法。因此，在前述各实施例中的数字货币价格变化趋势的预测方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。

本发明实施例基于向量自回归构建趋势预测模型，趋势预测模型根据滞后期内目标数字货币的价格和各预测变量的值，输出当期目标数字货币的价格变化趋势的预测结果，能获得精度更高的价格变化趋势预测结果。

图3为根据本发明实施例提供的电子设备的结构框图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例所提供的数字货币价格变化趋势的预测方法，例如包括：获取滞后期内目标数字货币的价格和各预测变量的值；将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果；其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。

本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的数字货币价格变化趋势的预测方法，例如包括：获取滞后期内目标数字货币的价格和各预测变量的值；将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果；其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。

此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的数字货币价格变化趋势的预测方法，例如包括：获取滞后期内目标数字货币的价格和各预测变量的值；将滞后期内目标数字货币的价格和各预测变量的值输入至趋势预测模型，输出当期目标数字货币的价格变化趋势的预测结果；其中，趋势预测模型是根据目标数字货币的历史价格和各预测变量的历史值进行训练后得到的；趋势预测模型为基于向量自回归构建的模型。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行上述各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。