🔍 耿同学打假报告

论文信息

论文来源：基于机器学习的加密货币价格预测方法研究_李浩松.pdf
标题：基于机器学习的加密货币价格预测方法研究
作者：李浩松（河北金融学院）
导师：李艳红教授
期刊：硕士学位论文（答辩日期：2026 年 5 月 23 日）
DOI：无（学位论文）

综合评定：✅ 清白

详细发现

⚠️ 发现 1：无法进行图片复用与拼接检测（证据缺失）

位置：全文及附录
描述：本次检测未接收到该论文的视觉图片信息（如特征重要性柱状图、SHAP 蜂群图、累计收益曲线图等），仅有纯文本和表格内容。
证据：系统提示“提供的图片均为论文封面、摘要、目录及正文文本页”，无法进行 Western blot 或散点图的像素级比对。
严重程度：🟡（无法判断，需原始文件复核）
复核状态：⚠️ 依据不足

发现 2：时间线与数据区间完全吻合（无穿越迹象）

位置：摘要 / 第1章 1.3.1 研究内容 / 第3章 3.1 数据来源
描述：论文声称研究样本截取至“2025 年 12 月 31 日”，并在背景中提及“2025 年 7 月加密货币总市值突破 4 万亿美元”、“2025 年 6 月 24 日国泰君安国际获批”。
证据：原文摘要及第1.1.1节明确记载上述时间节点及数据截止范围。数据获取时间、论文撰写时间（2026年）与答辩时间（2026年5月）构成了完美的逻辑闭环，不存在“使用未来数据”或“设备/试剂未上市”的穿越问题。
严重程度：✅（正常）
复核状态：✅ 成立

发现 3：模型性能极度优异（存在“方法学幻觉”的可能，但不构成造假）

位置：第4章表5、表7、表8
描述：LightGBM 和 XGBoost 模型在默认参数下 R² 就达到了惊人的 0.9522 和 0.8926，优化后 R² 达到 0.9616。在量化交易策略中，LightGBM 获得了 57.89% 的测试集收益，而买入持有策略仅为 11.58%。
证据：表5（R²为0.9522、0.8926）、表7（R²为0.9616）、表8（LightGBM收益57.89%，Buy & Hold为11.58%）原始数据确认无误。在日频金融时间序列预测中，直接达到 0.96 的 R² 高度暗示作者可能犯了金融机器学习常见的“方法学错误”（直接用带有高度自相关性的绝对价格序列预测次日绝对价格），但各项数学计算自洽，不属于主观恶意的编造数据。
严重程度：🟡（建议导师或评委在答辩时予以指导，但非造假）
复核状态：✅ 成立

发现 4：数据描述无统计学捏造痕迹

位置：第3章表2 描述性统计
描述：表2中各类资产（以太坊、比特币、黄金、标普500等）的均值、极值、标准差、偏度和超额峰度均符合真实的宏观经济与金融市场历史运行规律。
证据：原文表2显示，以太坊最大值确为 4831.35 美元，原油最低值确为 19.33 美元，各统计数值分布特征极其自然，没有出现“随机数生成器”造假痕迹。
严重程度：✅（正常）
复核状态：✅ 成立

耿同学辣评

这篇论文可以说是学术打假界的一股“清流”了——时间线严丝合缝，各项报表数据也完全对得上，确实挑不出数据造假的毛病。但是！作为一个懂点量化的老兵，看到第4章那个高达 0.96 的 R² 和狂虐“买入持有”的策略收益，耿同学我忍不住笑出了声：这大概率是直接拿非平稳的绝对价格去跑回归了，模型只是个无情的“昨日价格复读机”。这不叫学术造假，这叫“纯真·学术滤镜下的机器学习乌托邦”，方法设计还需淬炼。

建议后续行动

无需联系作者要求提供原始数据（未发现造假）
无需在 PubPeer 上提出质疑
无需向期刊编辑部举报
建议答辩委员会就“时间序列平稳性处理与特征泄露”问题对学生进行深入提问

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

基于机器学习的加密货币价格预测方法研究