Bitcoin es una de las criptomonedas más exitosas, y la investigación sobre predicciones de precios está recibiendo más atención. Para predecir mejor y de manera más efectiva las fluctuaciones del precio de Bitcoin, es necesario establecer un sistema de índices más abundante y un modelo de predicción con un mejor efecto predictivo. En este estudio, se utilizó un modelo de predicción combinado con regresión de vectores de soporte gemelos como modelo principal. Se recopilaron veintisiete factores relacionados con los precios de Bitcoin. Algunos de los factores que tienen el mayor impacto en los precios de Bitcoin fueron seleccionados utilizando el algoritmo XGBoost y el algoritmo de bosque aleatorio. Se utilizó el modelo de predicción combinado con regresión de vectores de soporte (SVR), regresión de vectores de soporte de mínimos cuadrados (LSSVR) y regresión de vectores de soporte gemelos (TWSVR) para predecir el precio de Bitcoin. Dado que los hiperparámetros del modelo tienen un gran impacto en la precisión de la predicción y el rendimiento del algoritmo, utilizamos el algoritmo de optimización de ballenas (WOA) y el algoritmo de optimización de enjambre de partículas (PSO) para optimizar los hiperparámetros del modelo. Los resultados experimentales muestran que el modelo combinado, XGBoost-WOA-TWSVR, tiene el mejor efecto de predicción, y la puntuación EVS de este modelo es significativamente mejor que la del modelo estadístico tradicional. Además, nuestro estudio verifica que la regresión de vectores de soporte gemelos tiene ventajas tanto en el efecto de predicción como en la velocidad de computación.