比特币自2008年提出以来,之后便引领时代的风潮。作为一种加密货币,其基于区块链技术而产生,具有稀缺性的特点,受到了市场极大的关注,给传统货币带来了一定的冲击。之后,以比特币为代表的虚拟货币也在不断产生,到现今已有3000多种。自从机器学习算法提出以来,许多学者都在研究将机器学习算法应用于金融市场中,期间产生多种算法,促进了量化投资的发展。传统的时序神经网络(也称循环神经网络)在预测领域存在很大的改进空间,对神经网络进行改进来提高预测效果,具有很深远的现实意义。本文通过改进的LSTM(长短期记忆神经网络)模型,记为PLSTM(结合窥视孔的长短期记忆神经网络),比较多种神经网络,如基础的LSTM、GRU(门限回归单元)等来对多种虚拟货币的价格进行预测,采用tensorflow2.0框架来实现,同时为了更好的预测和训练效率,采用滚动预测和数据量纲归一化来处理数据。由于注意力机制在机器学习领域的优势,本文在四个模型中都分别加入注意力机制,保证学习率(lr=0.001)等其余参数一致,比较在相同迭代次数为300的情况下,来判断在预测价格方面的准确度。最后本文针对某种货币最优的误差率时的结果,加入到Backtrader回测框架中进行组合收益的回测,并从不同交易策略上、以及虚拟货币投资组合和单一虚拟货币的收益情况产生对比,止损率选取5种(1%,2%,2.25%,2.5%和3%),并从对比的效果进行分析。以比特币为例,改进的PLSTM的在预测精度的迭代效率上都具有一定的改善,在迭代次数相同的情况下(epochs=300),PLSTM取得最小的RMSE,为355.03,MAE为234.78,在迭代的过程中,loss值第一次小于1e-3时,所用时间最短为4.547385秒,从两个角度都证明了模型的有效性,是一个较好的改进方向。同时发现PLSTM-ATT(PLSTM结合注意力机制)在8个模型中预测精度最高,RMSE为351.18,MAE为229.33,误差率为0.016495。在不同交易策略的回测期间,收益率的大小是不一样的,最高的在于BOLL(布林带)交易策略时10种虚拟的策略,收益增加了1倍。并且止损率的不同可能会导致正负收益的区别,在实际操作的过程中需要更加注重选择。本文通过比较不同神经网络模型和不同交易策略的对比分析,以此来给投资者提供一些算法和策略方面的建议。