2008年，中本聪提出了比特币的概念，经过一段时间的发展，根据其概念应运而生的开源软件、对于比特币架构及其核心算法的研究形成了比特币的生态环境。
　　由于比特币早期具有易流通、交易成本低、易挖矿、去中心化的特点，比特币在早期发展速度很快。但是由于比特币体系匿名性的特点，这一点被不法分子利用用作金融犯罪活动，各国政府一度对比特币交易进行严格的管控，导致比特币价格出现了不稳定的情况。
　　经过这几年起起伏伏的发展，比特币慢慢被广大投资者所接受，比特币市场也逐渐稳定起来，外部政策因素对于比特币市场的影响逐渐变小。所以研究经济因素以及比特币内部因素对于比特币价格形成的影响也就有了现实意义。
　　比特币由于其将加密技术与货币单位相结合的固有特性，在经济学、密码学以及计算机科学领域都有相当的研究价值。近年来，人们对比特币价格的时间序列作为一个具有特定技术规则的新市场变量进行了大量的建模研究。
　　在现有的研究当中，主要是在研究市场力量、投资者吸引力和全球宏观金融因素等几个因素对于比特币价格形成的影响。但是比特币的核心技术是区块链的形成，是比特币有别于其他金融产品的关键所在，直接关系到比特币的供求关系。根据现有的研究，除了宏观经济因素以外，区块链信息和区块链网络信息还很少被系统的用来研究以及描述比特币价格形成的过程。
　　针对上述问题，本文拟采用区块链信息、区块链网络信息、全球货币市场指标以及宏观经济因素对比特币价格序列进行建模和预测，对比特币价格序列进行了系统的评估和表征。
　　本文在已有的研究基础上采集了近三年以来包括比特币网络区块传播延迟、哈希率、比特币挖矿难度、美国道琼斯指数、美元对欧元汇率在内的26个维度的数据，涵盖了宏观经济因素、全球货币市场指标、区块链信息以及区块链网络信息。
　　本文首先使用线性回归模型对比特币价格形成进行线性分析，通过实验分析并排除了具有多重共线性特征的特征属性以后，使用岭回归模型进行建模，将其作为实验的对照组，分析各类特征向量与比特币价格的线性相关性。而后对预测结果进行残差分析，证明了线性回归模型的有效性。
　　然后分别对排除多重共线性后的变量集合以及未排除多重共线性的变量集合进行长短时记忆神经网络模型建模，选取不同的时间步长进行分析。通过组合步长与变量集合形成了20个数据集，分别进行了对比实验。实验后发现，选取时间步长为4和未排除多重共线性的变量集合所形成的数据集进行建模的建模效果最佳。实验证明了比特币未来的价格形成是可以由模型通过学习历史的数据来进行预估和分析的，且选取研究时间点前四天的数据进行分析，效果最佳。同时通过实验的对比，选取未排除多重共线性的数据集进行建模训练比选取排除了多重共线性的数据集进行实验，实验效果有明显的提升，这也从侧面证明了长短时记忆神经网络模型能够有效的学习到数据中的非线性信息，该模型的非线性拟合能力比较强大。
　　最后，通过长短时记忆神经网络模型实验的结果，选取时间步长为1和未排除多重共线性的变量集合所构成的数据集进行贝叶斯神经网络建模。实验发现，贝叶斯神经网络模型对于比特币价格序列具有良好的解释性，它对比特币价格以及价格的波动性均有良好的预测性能。贝叶斯神经网络可以通过对参数后验分布的分析对估计和预测的不确定性进行评估。本文最后选取贝叶斯参数后验采样的均值，利用Garson教授[1]提出的基于神经网络连接权的变量敏感性分析方法，研究并计算了神经网络输入变量对于神经网络输出的影响程度。实验结果表明，区块链信息是影响比特币价格形成最为关键的因素，宏观经济指标和全球货币市场指标次之。在区块链信息方面，比特币的总交易费用是对比特币价格形成影响最大的因素，比特币的交易量次之。此外，美元对欧元的汇率、哈希率、挖矿难度以及区块传播延迟等因素均对比特币价格形成有不同程度的影响，其余的特征属性对比特币价格形成影响较小。