《Engineering Applications of Artificial Intelligence》：A novel approach of causality matrix embedded into the Graph Neural Network for forecasting the price of Bitcoin
編輯推薦：
比特幣價格預測因高波動性和復雜變量交互面臨挑戰，傳統模型依賴相關性難以捕捉因果關系。研究人員將因果矩陣（C&E Matrix）嵌入圖神經網絡（GNN），構建因果依賴模型。實驗表明，該方法顯著提升短期預測準確性，增強模型魯棒性與可解釋性。
在數字金融浪潮中，比特幣作為去中心化加密貨幣，其價格波動猶如 “金融海洋中的風暴”，吸引著投資者目光的同時也帶來巨大挑戰。高波動性背后，是宏觀經濟指標、市場情緒、監管政策等多變量的復雜共舞，傳統預測模型如循環神經網絡（RNN）、卷積神經網絡（CNN）等，往往局限于捕捉數據間的相關性，卻難以穿透迷霧識別驅動價格波動的內在因果關系。在市場劇烈震蕩時，這些模型常因無法把握穩定的因果邏輯而預測失靈，導致投資者在風險管控和資產配置中舉步維艱。如何在這片 “混沌” 中找到價格波動的 “指南針”，成為金融領域亟待破解的難題。
為攻克這一挑戰，東南大學的研究人員展開了一項突破性研究。他們創新性地將因果矩陣（C&E Matrix）嵌入圖神經網絡（GNN）框架，構建了能夠顯式建模因果依賴關系的預測模型，并將相關成果發表在《Engineering Applications of Artificial Intelligence》。這項研究如同為比特幣價格預測裝上了 “因果雷達”，有望為動蕩的加密貨幣市場提供更可靠的預測工具。
研究主要采用了以下關鍵技術方法：首先運用因果推斷技術中的 SLARAC 模型，對金融時間序列數據進行分析，識別影響比特幣價格的關鍵因果變量；隨后將這些因果關系轉化為有向圖結構（G=(V,E,A)，其中 V 為頂點集、E 為邊集、A 為加權鄰接矩陣），通過圖神經網絡（GNN）提取時空特征，捕捉價格波動的潛在動態。數據來源于納斯達克數據庫，涵蓋 2017 年 4 月 24 日至 2022 年 4 月 22 日的 1261 個日頻數據點，包含美元指數、能源數據及比特幣能耗等變量。
因果關系識別與模型構建
傳統 GNN 在構建網絡時多基于相關性，易陷入 “偽關聯” 陷阱。本研究通過因果矩陣替代傳統時空相關性分析，利用 SLARAC 模型明確變量間因果方向及強度，如確認宏觀經濟指標與比特幣價格間的直接因果鏈路。這種從 “相關” 到 “因果” 的范式轉變，如同從 “霧里看花” 轉向 “撥云見日”，使模型能夠聚焦真正驅動價格變化的核心因素。
預測性能提升驗證
實驗對比了基于相關性的經典 GNN 模型與嵌入因果矩陣的 GNN 模型。結果表明，在短期價格預測中，因果增強模型的預測誤差顯著降低，尤其在市場高波動階段，其魯棒性優勢更為突出。這意味著，當市場因政策變動或投機行為劇烈震蕩時，該模型仍能基于穩定的因果邏輯保持較高預測精度，為投資者在 “風暴” 中導航提供可能。
模型可解釋性增強
傳統深度學習模型常被詬病為 “黑箱”，而因果矩陣的引入為模型注入了可解釋性基因。通過有向圖結構，研究者可直觀展示各變量（如美元指數、能源價格）對比特幣價格的因果影響路徑，例如美元走強如何通過因果鏈路抑制比特幣需求。這種可解釋性使投資者和政策制定者能夠 “看見” 預測背后的邏輯鏈條，而非單純依賴模型輸出結果，極大提升了決策的科學性。
研究結論指出，將因果關系整合到 GNN 框架中，能夠有效提升比特幣價格預測的準確性與可靠性，尤其在高波動市場環境下表現更優。與傳統基于相關性的方法相比，該模型通過 “因果分析 — 圖結構構建 — 時空特征提取” 三階段流程，實現了對金融時間序列中復雜因果依賴的顯式建模，為加密貨幣市場的預測研究開辟了新路徑。
這項研究的意義不僅在于優化比特幣價格預測模型，更在于為金融領域的時間序列分析提供了 “因果優先” 的方法論啟示。在充滿不確定性的金融市場中，因果邏輯的引入如同錨定了穩定的坐標系，使預測模型能夠穿越市場波動的 “湍流”，為風險管控、資產配置乃至政策制定提供更具說服力的依據。隨著加密貨幣市場的持續演進，此類融合因果推斷與深度學習的研究范式，或將成為破解金融復雜系統預測難題的核心鑰匙，引領智能金融時代的建模新方向。
