[論文レビュー] An experimental study of Bitcoin fluctuation using machine learning methods

Tian Guo, Nino Antulov-Fantulin|arXiv (Cornell University)|Feb 12, 2018

Complex Systems and Time Series Analysis被引用数 11

ひとこと要約

本研究では、2016–2017年の高頻度取引データ（実現ボラティリティおよびオーダーブック情報含む）を用いて、短期的なビットコイン価格予測のための機械学習および統計モデルの性能を評価する。結果として、アンサンブルおよびディープラーニングモデルが、米ドルに対する価格変動を予測するうえで、従来の統計的手法を上回ることが示された。

ABSTRACT

In this paper, we study the ability to make the short-term prediction of the exchange price fluctuations towards the United States dollar for the Bitcoin market. We use the data of realized volatility collected from one of the largest Bitcoin digital trading offices in 2016 and 2017 as well as order information. Experiments are performed to evaluate a variety of statistical and machine learning approaches.

研究の動機と目的

• 米ドルに対する短期的ビットコイン価格動向における機械学習モデルの予測力の調査。
• 実現ボラティリティおよびオーダーブック情報などの高頻度データが予測精度に与える影響の評価。
• ビットコイン価格変動を予測するうえで、多様な統計的および機械学習手法の性能比較。
• 変動性の高いデジタル資産価格予測に最も効果的なモデリング手法の同定。

提案手法

• 本研究では、2016–2017年にかけて主要なビットコイン取引所から収集した高頻度取引およびオーダーブックデータを用いる。
• 実現ボラティリティは、日内価格変動を捉える市場ミクロ構造指標として計算される。
• 古典的統計手法と先進的な機械学習技術を含む多様なモデルを訓練および評価する。
• 平均二乗誤差や方向的正確性といった標準的な回帰指標を用いて、モデルの性能を評価する。
• 予測性能の堅牢な評価を確保するため、時系列交差検証を実験設定に組み込む。
• 価格ダイナミクスにおける非線形パターンを捉える能力について、アンサンブルおよびディープラーニングモデルを特にテストする。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルが米ドルに対する短期的ビットコイン価格変動を最も高い正確性で予測するか？
• RQ2 実現ボラティリティおよびオーダーブックデータを含めることで、価格のみを用いたモデルと比較して予測精度がどの程度向上するか？
• RQ3 ディープラーニングモデルは、ビットコイン価格動向における非線形ダイナミクスを捉えるうえで、従来の統計的手法を上回るか？
• RQ4 注文フローおよびボラティリティなどの市場ミクロ構造的特徴量が、予測精度に果たす相対的寄与度は何か？

主な発見

• アンサンブルおよびディープラーニングモデルは、古典的統計モデルと比較して、短期的ビットコイン価格動向の予測において優れた性能を示した。
• 実現ボラティリティを組み込むことで予測精度が顕著に向上し、これは市場状態の代理指標としての価値を示している。
• オーダーブックデータはモデル性能に有意義な寄与をし、とくに一時的な市場圧力を捉えるうえで有効であった。
• 最も優れた性能を示したモデルは、短期的な価格方向予測において60％を超える方向的正確性を達成した。
• ARIMA や GARCH などの統計モデルは、機械学習手法と比較して予測力が限定的であった。
• モデルの性能は市場の状態に応じて変動し、ボラティリティが高まる時期にはより高い正確性が観察された。