在广袤的加密货币数字经济中，价值并不通过银行或金库流动，而是穿梭于记录着每一次交易精确时间戳的公共账本之上。这个世界由两种截然不同的活动主导：在类似于传统股票市场的中心化交易所进行的大型资产交易，以及直接在区块链网络上进行的、充满狂热色彩的去中心化交易。其中，Solana 已成为这些数字资产的高速公路，能够以极低的成本每秒处理数千笔交易。不同于那些数据可能不透明或存在延迟的旧系统，Solana 的架构为每个代币从创建到最终交易的旅程留下了完整的、带有时间戳的足迹。理解这些数字代币价值的起伏一直是一个令分析师困惑的挑战，这主要是因为市场是由个人交易者行为、突发新闻事件以及网络整体健康状况所驱动的混乱组合。研究人员长期以来的疑问是：是否可以通过观察其所栖息的网络模式，而非仅仅观察资产本身的历史，来预测这些资产未来的价格。
一个研究小组通过构建第一个专门用于追踪 Solana 代币日常生活的综合数据集，向回答这一问题迈出了重要的一步。他们收集了 1,584 种不同代币的信息，在 2024 年 3 月至 2025 年 3 月期间对它们进行了每日观察。这一集合不仅仅是一份价格清单；它是一幅由每个代币 27 个不同变量交织而成的丰富织锦，包括买卖人数、总交易量、流动性池中的资金量，以及底层 Solana 网络货币的价格。通过将这些代币层面的细节与更广泛的生态系统信号编织在一起，研究人员为这个正在快速增长且变化迅速的市场创造了一个窗口。他们的目标不仅是建立一个更好的预测工具，更是为了理解这个数字生态系统在剧烈扩张时期的实际行为。
对数据的分析表明，市场并非孤立运动。研究人员识别出了两个生态系统似乎在同步呼吸的显著同步活动时刻：一个是 2024 年 11 月中旬，另一个是 2025 年 1 月中旬。在这些高峰期，整个网络的交易量、活跃钱包数量和新交易者数量同时激增。发生在 2025 年 1 月的第二个高峰，与一位美国前总统相关的特定代币的发布相吻合，这一事件引发了大规模的投机浪潮。数据显示了该事件发生前明显的行为模式：投资者正在积累流动性，将资金注入资金池，随后在高峰过后不久便开始撤出资金。这表明，单个代币的命运与 Solana 市场的整体情绪和其去中心化交易所的活跃程度深度绑定，而非作为独立的、孤立的实体存在。
为了测试这些详细数据是否真的能帮助预测未来，研究人员进行了一系列预测实验。他们要求各种计算机模型预测这些代币在三天后的市场价值。结果显示，虽然依赖重复模式的简单统计模型对某些稳定的代币效果较好，但在应对该生态系统的剧烈波动时却显得力不从心。最成功的方法是一种名为 PatchTST 的深度学习模型，它擅长识别数据中复杂的、非重复性的趋势。一个基于预训练语言框架的模型，在经过针对特定数据的仔细调整后，表现也几乎同样出色。这些发现表明，该数据集包含了可以用于预测市场走势的真实短期信号，前提是模型必须足够先进以应对这种波动性。
对这些模型如何做出决策的进一步调查揭示了究竟是什么在驱动预测。最重要的因素不仅是单个代币的历史，更是整个网络的健康状况。Solana 本身的价格、其移动平均线、整个去中心化交易系统的总交易量，以及新交易对的创建数量，都是关键指标。这证实了在这个数字经济中，特定代币的价格深受整个市场集体行为的影响。研究得出结论，通过将详细的代币数据与生态系统范围内的信号相结合，可以构建出更清晰的市场动态图景。这项工作为理解数字资产的行为提供了新的基础，提供了一种在往往难以驾驭的环境中区分随机噪声与有意义的市场转变的方法。
技术摘要：基于 Solana 数字资产数据集的时间序列预测
问题陈述
对 Solana 区块链上的数字资产进行准确预测面临着独特的挑战，其原因在于该生态系统具有高波动性、快速的机制转换（regime shifts）以及“冷启动”场景的普遍存在（即新发行的代币缺乏历史数据）。传统的序列预测方法往往难以应对加密货币价格的非平稳性以及特定资产长期数据的稀缺性。此外，现有研究通常依赖于中心化交易所（CEX）的数据或比特币/以太坊特有的特征，忽略了 Solana 去中心化交易所（DEX）独特的微观结构及其丰富的链上遥测数据。目前缺乏能够同时捕捉代币级行为（交易、流动性）与生态系统级 DEX 活动，并以此分析广泛市场情绪如何传播至单个资产的精选数据集。
研究方法
本研究引入了一个全新的精选数据集，并采用对比预测框架来验证其信号含量。
数据集构建： 作者编制了一个时间序列数据集，包含从 2024 年 3 月 24 日到 2025 年 3 月 16 日期间观察到的 1,584 个 Solana 代币。该数据集为每个代币包含 27 个变量，整合了：
- 代币级指标： 交易计数、活跃钱包数、交易量、价格指标（开盘价、收盘价、最高价、最低价、平均价）以及流动性池余额。
- 生态系统级指标： Solana DEX 总交易量、DEX 交易者人数、新创建的交易对，以及 Solana (SOL) 价格指标（包括 50 日、100 日和 200 日移动平均线）。
- 过滤机制： 代币根据活跃度标准进行筛选（例如：持有者 > 2,000 个，日交易量 > 1,000 次，总交易额 > 2,000 万美元），并经过清洗以移除缺失值或观测窗口不足的数据。
预测任务： 目标是预测未来三天（H=3）的代币市值（价格 × 流通供应量）。选择市值而非原始价格是为了归一化异质性的供应动态（发行、销毁、解锁）。
模型评估： 对八种模型进行了基准测试，涵盖三个类别：
- 深度学习： PatchTST（基于补丁的 Transformer）、Temporal Fusion Transformer (TFT) 和 TiDE（时间序列密集编码器）。这些模型采用单变量方式进行训练（每个代币对应一个模型）。
- 零样本（Zero-Shot）方法： Chronos（在微调模式和零样本模式下均进行了评估）和 TimeGPT。这些模型以多变量/迁移方式应用（单个模型应用于所有代币）。
- 统计基准模型： Facebook Prophet 和 SeasonalNaive。
- 验证： 使用滚动窗口回测策略进行训练，并设有固定的样本外测试集（2025 年 3 月 14 日至 16 日）。通过 MAE、RMSE 和 MAPE 进行性能评估。通过 Friedman 检验、Wilcoxon 符号秩检验以及参数线性混合效应似然比检验评估统计显著性。
特征重要性： 研究利用基于排列的重要性（permutation-based importance）来确定 TFT 的关键协变量，并使用 SHAP 值来确定 TimeGPT 的关键协变量。
主要结果
- 市场动态： 描述性分析显示，在 2024 年 11 月中旬和 2025 年 1 月中旬，DEX 交易量、代币交易量、活跃钱包数和 SOL 价格出现了同步峰值。2025 年 1 月的峰值与“Trump”代币的推出相吻合，并伴随着从流动性积累到撤资的明显转变，这表明个体代币动态与更广泛的 Solana 市场情绪之间存在强耦合关系。
- 预测性能：
- PatchTST 在 MAE、RMSE 和 MAPE 指标上取得了最佳整体排名（平均排名 ≈ 2.97），展示了在捕捉非周期性波动方面的卓越鲁棒性。
- ChronosFineTuned 紧随其后，显著优于其零样本版本，表明在该领域中，针对特定资产的适配能带来实质性的收益。
- 统计基准模型： Prophet 和 SeasonalNaive 在许多代币上表现异常出色，这表明数据集的大部分内容保留了短期持续性、趋势或季节性结构。PatchTST 在 93 个代币上优于 Prophet，在 772 个代币上优于 SeasonalNaive，凸显了其捕捉被统计模型忽略的复杂、非周期性特征的能力。
- TimeGPT 表现出最低的稳定性方差，但整体误差率最高，捕捉到的额外非周期性特征最少。
- 特征重要性： 分析确认，虽然代币特定的价格历史相关，但宏观层面的变量具有高度信息量。最具影响力的协变量包括 SOL 价格、SOL 移动平均线、总 DEX 交易量、DEX 交易者人数以及新创建交易对的数量。
意义与贡献
本文的主要贡献是创建了第一个专门用于预测和市场结构分析的 Solana 数字资产时间序列数据集。通过将代币级微观结构与生态系统级 DEX 活动联系起来，该数据集使得研究更广泛的市场条件如何影响单个资产的波动性成为可能。
研究表明：
- 生态系统耦合： Solana 上的个体代币动态与更广泛的 DEX 活动及 SOL 价格走势强耦合，特别是在快速增长和投机性事件期间。
- 模型可行性： 虽然像 PatchTST 这样的深度学习模型擅长捕捉复杂的非周期性模式，但统计基准模型对于趋势主导型的代币仍然具有竞争力。零样本模型展现了潜力，但在这一特定领域中受益于微调。
- 数据效用： 该数据集包含足够的信号进行短期（3 天）市值预测，验证了使用链上及 DEX 微观结构数据作为预测特征的有效性。
作者明确指出，本工作是一项实证分析和数据驱动的生态系统特征化研究，由于存在投机性误用的伦理风险，不提供交易建议或部署建议。研究结果被呈现为 Solana 特有的证据，跨链泛化性留待未来研究。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。