[論文レビュー] Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility

Zeyd Boukhers, Azeddine Bouabdallah+2 more|arXiv (Cornell University)|Feb 12, 2022

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本稿では、為替取引データ、ソーシャルメディアのセンチメント、ブロックチェーンメトリクス、検索ボリュームを統合したAdaBoost-LSTMアンサンブルモデルを提案し、ビットコインの価格とその変動性分布を予測する。マルチモーダルアプローチにより、ベースライン手法比で19.29%の改善を達成し、テスト時のMAEは132.03ドルであった。予測の不確実性を考慮した予測により、優れた精度と意思決定支援が実現された。

ABSTRACT

Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

研究の動機と目的

• 為替取引データ、ソーシャルメディアのセンチメント、ブロックチェーンメトリクス、検索ボリュームといった、どのデータモダリティが暗号資産価格に最も直接的に影響を与えるかを特定すること。
• 単一モダリティまたは単一モデルアプローチと比較して、マルチモダリティデータにおけるアンサンブル学習が、予測性能の向上に有効であるかどうかを評価すること。
• 予測価格だけでなく、変動の分布まで提供する予測システムを構築することにより、予測の信頼性を示すこと。
• 信頼性が高く、解釈可能で、不確実性を考慮した短期間の価格予測を提供することで、投資家の意思決定を支援すること。

提案手法

• モデルは、異なるデータモダリティで訓練された複数の弱いLSTM学習器を統合するAdaBoost-LSTMアンサンブルアーキテクチャを採用している。
• 入力特徴量には、歴史的価格データ、ソーシャルメディアのセンチメントスコア、ブロックチェーンメトリクス（例：ハッシュレート、ネットワーク難易度）、Google検索ボリュームが含まれる。
• 各モダリティは事前に前処理され正規化された後、個別のLSTMネットワークに供給され、AdaBoostを用いてアンサンブル化され、汎化性能が向上する。
• 最終的な予測は、すべてのモダリティからの出力を統合し、各予測日について変動の分布を予測することで不確実性をモデル化する。
• モデルは2020年1月から2020年7月までの期間をカバーするデータセットを用いて訓練および評価され、MSE、RMSE、MAEを用いて性能が測定された。
• 長期予測のためには、各予測値を入力シーケンスに追加することで再帰的に予測を生成し、複数日分の予測をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 為替取引データ、ソーシャルメディアのセンチメント、ブロックチェーン情報、検索ボリュームのうち、どの組み合わせが暗号資産価格の変動に直接的かつ測定可能な影響を与えるか？
• RQ2 RQ2: 単一モダリティまたは単一モデルアプローチと比較して、マルチモダリティデータにおけるアンサンブル学習が、暗号資産価格予測の精度と頑健性を向上させるか？
• RQ3 RQ3: 予測の信頼性を示すために、点推定に加えて、価格変動の可能性の分布を提供することで、価格予測はどのように改善されるか？

主な発見

• 提案されたAdaBoost-LSTMアンサンブルモデルは、テスト時の平均絶対誤差（MAE）が132.027ドルに達し、最良のベースライン手法比で19.29%の改善を示した。
• モデルのMAE分布は、68%の予測が実際のビットコイン価格から±500ドル以内に収まっていることを示しており、短期予測の高い精度を裏付けている。
• 特にソーシャルメディアのセンチメントと検索ボリュームを含むマルチモーダルデータの統合により、取引データに依存するモデルと比較して、予測性能が顕著に向上した。
• モデルが予測した変動の分布は、予測の信頼性を効果的に示しており、市場が変動しやすい状況では分布が平らくなることで、不確実性が高いことを示している。
• 長期予測では、誤差の蓄積に伴い性能が時間経過とともに低下し、1日目の平均MAEが132.03ドルから30日目にはより高い値にまで上昇した。これは予想通りの結果であった。
• 本モデルのオープンソース実装を提供しており、再現性と今後の研究を支援する。