[論文レビュー] Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators

Samuel Asante Gyamerah|arXiv (Cornell University)|Sep 3, 2019

Blockchain Technology Applications and Security被引用数 7

ひとこと要約

本研究では、テクニカルインジケーターを用いた機械学習モデルを用いてビットコイン価格を予測する手法を評価し、正規化線形回帰、ランダムフォレスト、および線形カーネルを用いたサポートベクターレグレッションを組み合わせたスタッキングアンサンブルが、最も高い精度を示した。モデルはテストデータにおいてMAPE 0.0191%、RMSE 15.53ドル、決定係数R-squared 0.9967を記録し、ほぼ完璧な予測性能を示した。

ABSTRACT

The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

研究の動機と目的

• 主要かつ高次元のテクニカルインジケーターを用いて、正確なビットコイン価格予測モデルを開発すること。
• 正則化最尤推定を用いた一般化線形モデル、ランダムフォレスト、線形カーネルを用いたサポートベクターレグレッションの3つの個別機械学習モデルを用いたビットコイン価格予測の性能を評価すること。
• 個別モデルとスタッキングアンサンブルモデルを比較し、最適な予測手法を特定すること。
• 比較的未開拓とされる分野である、テクニカルインジケーターを用いた機械学習ベースのビットコイン価格予測に関する実証的証拠を提供すること。

提案手法

• 訓練およびテストに使用した歴史的ビットコイン価格データは、2012年1月1日から2019年8月16日までの期間をカバーしている。
• 34種類の主要かつ高次元のテクニカルインジケーターが、モデルの入力特徴量として使用された。
• 4つのモデルが訓練された：正則化最尤推定を用いた一般化線形モデル、ランダムフォレスト、線形カーネルを用いたサポートベクターレグレッション、およびスタッキングアンサンブル。
• スタッキングアンサンブルでは、ランダムフォレストとGLMNETをベースラーナーとして、線形カーネルを用いたSVRをメタラーナーとして使用した。
• モデルの性能は、訓練およびテストデータの両方でMAPE、RMSE、MAE、決定係数R-squaredの指標を用いて評価された。
• 予測精度の評価および予測誤差が著しく高くなる時期の特定には、視覚的分析と誤差プロットが用いられた。

実験結果

リサーチクエスチョン

• RQ1 市場の高いボラティリティが見られる中でも、テクニカルインジケーターを用いた機械学習モデルは、ビットコイン価格を正確に予測できるか？
• RQ2 正則化最尤推定を用いた一般化線形モデル（GLMNET）、ランダムフォレスト、線形カーネルを用いたサポートベクターレグレッション（SVR）の個別モデルは、ビットコイン価格予測においてどのように性能を発揮するか？
• RQ3 スタッキングアンサンブルモデルは、個別モデルよりも優れた性能を示すか？
• RQ4 高次元のテクニカルインジケーターを用いることで、ビットコイン価格予測の精度はどのように変化するか？

主な発見

• スタッキングアンサンブルモデルは、テストデータにおいて最小の平均絶対誤差率（MAPE）0.0191%を達成し、高い予測精度を示した。
• スタッキングアンサンブルは、テストセットにおいて、RMSEが15.5331ドルと、他のモデルよりも顕著に低い値を記録した。
• モデルはテストデータにおいて決定係数R-squared 0.9967を達成し、ビットコイン価格の分散の99.67％がモデルによって説明されたことを示した。
• スタッキングアンサンブルモデルは、大多数のデータポイントを低予測していたが、2018年6月2日から2018年4月1日、および2019年6月25日から7月15日までの期間に著しい誤差が観察された。
• 線形カーネルを用いたサポートベクターレグレッションは、2番目に優れた性能を示し、テストMAPE 0.0209%、RMSE 160.46ドルを記録した。
• ランダムフォレストは、テストMAPE（0.0548%）とRMSE（398.69ドル）が最も高く、アンサンブルモデルに比べて性能が劣っていた。