[发明专利]一种基于区块链特征的虚拟货币价格波动溯源方法

权利要求书

1.一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，该方法包括以下步骤：

步骤一：选择参数信息源；

步骤二：对参数信息源进行特征预处理，具体处理步骤为：

S1：对参数信息源的数据清洗，构建基于Spark+Kafka的大数据流处理pipeline，实时传输并清洗各个数据源，具体为：

S11：利用内建的API，将所有内容为空的数据段标注为nan；

S12：集中选取并筛除具有nan字段的数据点；

S13：针对各个数据段的具体特征，建立监测程序，检查数据类型是否匹配并筛除具有不匹配数据段的数据点；

S2：对清洗后的数据进行归一化处理，具体处理过程为：

S21：基于标准正态分布，设定任意时刻t，输入特征向量为Xt＝{x₁,x₂,…,x_n}，对于任意时刻，回溯一个长度为T的时间窗口，根据时间窗口的数据，计算每个特征值得均值μ和方差σ，根据统计均值和方差，对每个特征值进行归一化，x＝(x-μ)/(σ)；

S22：基于min-max；对任意时刻的特征值，根据其物理定义，求得特征值对应的上下界，并标注为x_min和x_max根据上下界；

求得min-max归一化，x＝(x-x_min)/(x_max-x_min)；

S3：对归一化后的数据进行统计分析，具体过程为：

S31：基于D3，建立web可视化工具，对单一特征值进行可视化；

S32：建立基于互相关性系数的分析，得到特征值相互之间的联系；

S33：结合特征值和真实值进行相关分析，识别浅层统计关系；

S4：对统计分析后的数据进行特征工程处理，具体为：

S41：PCA降维，设定统计分析求得的特征值互相关性矩阵为A，根据线性代数，求解下列方程det(A-λI)＝0依据求得的权重，找出对应的主成分；

S42：利用domain knowledge丰富特征向量；

S43：利用SMOTE算法对数据进行再平衡；

S5：对特征点依次进行normalize函数、高斯混合模型和降维度处理；

步骤三：对特征预处理后的数据进行预测处理，具体处理为：

SS1：SVM算法处理：提取训练数据中的特征值和ground truth，将数据结合SVM模型进行拟合训练，利用k-fold算法寻找合适的超参数；

SS2：Random Forest算法处理：提取训练数据中的特征值和ground truth，将数据结合Random Forest模型进行拟合训练，利用k-fold算法寻找合适的超参数；

SS3：RNN算法处理：构建基于递归神经网络的回归模型，定义基于l-p norm的损失函数，将数据结合模型进行拟合训练；

SS4：Ensemble：结合三种不同模型的结果，将其构建成输入特征值，构建非线性回归模型，通过ensemble模式拟合最终结果得到预测值，当市场波动性的预测值高于高波动性阀值，则判定为异常波动发生，给出异常波动信号进行预警；

步骤四：对最终结果进行异常原因回溯处理找到异常原因。

2.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，所述特征值相互之间的联系为：

3.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，对所述的拟合最终结果进行异常原因回溯处理，具体处理为：

将预测值和实际值相减，得到当前预测结果的残差δ＝(y_true-y)，结合当前特征值数据，进行残差拟合截取一段时间窗口内的残差值{δ₁,δ₂,…,δ_n}，利用回归模型对残差进行拟合，找到对应模型ω＝argmin∑(δ_i-f(ω^TX_i))；对于残差拟合模型的结果进行分析，根据特征值权重找到异常原因。

4.根据权利要求1所述的一种基于区块链特征的虚拟货币价格波动溯源方法，其特征在于，所述参数信息源包括Order book price、哈希率、与该虚拟货币的社交媒体相关讨论情绪值、地址转入金额和转出金额的比值平均值、地址Gini系数平均值、地址转账流水金额平均数、新增地址数、地址平均生命周期和大额地址转账金额。