[論文レビュー] A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction

Xiao Li, Weili Wu|arXiv (Cornell University)|Aug 21, 2020

Blockchain Technology Applications and Security被引用数 5

ひとこと要約

本稿では、k次トランザクショングラフを用いてブロックチェーンからトランザクションパターンを自動で抽出し、回帰モデルの特徴量に変換する、新しい機械学習手法を提案する。この手法は、最先端の手法を上回り、interval1では1.69%、interval2では1.751%のMAPEを達成し、複数の時間スケールにわたる歴史的パターンを活用することで、優れた精度を示している。

ABSTRACT

Bitcoin, as one of the most popular cryptocurrency, is recently attracting much attention of investors. Bitcoin price prediction task is consequently a rising academic topic for providing valuable insights and suggestions. Existing bitcoin prediction works mostly base on trivial feature engineering, that manually designs features or factors from multiple areas, including Bticoin Blockchain information, finance and social media sentiments. The feature engineering not only requires much human effort, but the effectiveness of the intuitively designed features can not be guaranteed. In this paper, we aim to mining the abundant patterns encoded in bitcoin transactions, and propose k-order transaction graph to reveal patterns under different scope. We propose the transaction graph based feature to automatically encode the patterns. A novel prediction method is proposed to accept the features and make price prediction, which can take advantage from particular patterns from different history period. The results of comparison experiments demonstrate that the proposed method outperforms the most recent state-of-art methods.

研究の動機と目的

• 暗号通貨の価格予測における手作業による特徴量エンジニアリングの限界を克服するため、ブロックチェーン取引から潜在的なパターンを自動で抽出すること。
• k次トランザクション部分グラフを用いて、異なる時間スケールにおける取引行動をモデル化し、進化する市場ダイナミクスを捉えること。
• 複数の歴史的期間から得た特徴量を統合することで、予測精度を向上させること。
• 価格予測において、感情分析や金融指標などの外部要因よりも、ブロックチェーンに埋め込まれたパターンの方が効果的であることを示すこと。
• 時間窓に一般化可能なスケーラブルで数学的に根拠のある特徴抽出フレームワークを確立すること。

提案手法

• k次トランザクション部分グラフを用いて、取引におけるアドレス間の構造的関係を、さまざまな粒度でパターンとして表現する。
• k次部分グラフパターンの頻度を定量的に符号化するためのパターン出現行列を定義する。
• スケーラブルな特徴量生成のため、反復的計算によりパターン出現行列を効率的に計算する。
• グラフベースの特徴量を学習対象として、サポートベクターマシン（SVM）モデルをベースラインの予測エンジンとして適用する。
• 異なる歴史的ウィンドウサイズで学習した複数のモデルの予測を統合することで、耐性性と精度を向上させる。
• 時間的文脈と計算コストのバランスを取るために、調整可能な履歴ウィンドウサイズrを用いたスライディングウィンドウアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 外部データに依存せずに、ビットコインブロックチェーンに埋め込まれた取引パターンを有効に活用して価格動向を予測できるか？
• RQ2 k次トランザクション部分グラフは、市場の感情や行動を反映する意味のある構造的パターンをどのように捉えているか？
• RQ3 複数の歴史的時間窓からの特徴量統合は、単一窓モデルと比較して予測精度を向上させるか？
• RQ4 高ボラティリティ（2017年）と低ボラティリティ（2016年）の市場状況において、本手法のパフォーマンスはどのように変化するか？
• RQ5 予測精度と計算効率のバランスを取る最適な履歴ウィンドウサイズは何か？

主な発見

• 提案手法は、interval1で1.69%、interval2で1.751%のMAPEを達成し、最先端手法（それぞれ1.91%および1.81%）を上回った。
• 複数の履歴ウィンドウからの予測を統合したモデルが最も低い誤差を示し、複数時間スケールの特徴量学習の利点を裏付けた。
• 予測の先行期間が長くなるほど予測精度が低下し、MAPEが将来の時間距離に応じて上昇した。これは市場のボラティリティと整合的であった。
• 2017年の市場では2016年と比較して誤差率の上昇が著しく速く、価格ボラティリティが高く、予測が困難であることを示した。
• 1つ以上の履歴ウィンドウ（例：h=1およびh=2）を用いることで性能が著しく向上し、ウィンドウサイズが2以上になると安定した結果が得られた。
• 2016年ではr=0.98、2017年ではr=0.92で最適なパフォーマンスが達成され、ウィンドウ選択が市場ダイナミクスに敏感であることが示された。