数字货币作为一款新兴的投资产品,由于其良好的技术应用前景和较高的投资回报率,在交易市场受到追捧。与其他投资产品一样,市场迫切需要一种自动化分析工具去分析数字货币的历史数据,并对数字货币的未来做出预测。机器学习方法在各个领域被广泛使用,数字货币市场也不例外,其中集成学习方法相较于传统机器学习方法具有效率高,性能优异,鲁棒性强等优点,越来越多研究者开始关注如何将集成学习更好的应用于数字货币市场上。在数字货币数据集中,大部分样本属于振荡区间,只有较少的样本属于上涨或下跌,而上涨和下跌的样本,正是数字货币趋势预测重要的研究对象,对上涨和下跌样本的错分代价,高于振荡样本。一般机器学习算法的训练目标是整体精确度的最大化,在数据不平衡的数据集中,模型学习会偏向占多数的样本,导致占少数的样本分类性能降低。因此,在使用机器学习方法分析数字货币时,解决数据不平衡是无法忽视的重要部分。本文目的在于提高集成学习模型在数字货币场景下的分类性能。基于这个目标,首先从数据层面提出一种基于聚类和特征分布的上采样算法SC-SMOTE算法来改善数据不平衡现象,然后在Boosting集成学习框架上,结合SC-SMOTE算法和权重均衡因子,提出适用于数字货币的平衡集成学习算法SCSMOTE-Boost算法。该算法将数据集进行聚类,并选择具有代表性的种子样本,基于类簇中的特征数据分布进行上采样,提高对样本在空间位置分布和特征数据分布的重视;同时,添加了一种样本权重均衡因子,提高了集成学习过程中少数类的重要程度。SCSMOTE-Boost从数据层面,集成学习算法和权重调整三个方面进行优化,在多个数字货币种类上进行实验,证明了 SCSMOTE-Boost在数字货币趋势预测场景的有效性和稳定性。