[論文レビュー] C2P2: A Collective Cryptocurrency Up/Down Price Prediction Engine

Chongyang Bai, Tommy E. White+3 more|arXiv (Cornell University)|Jun 3, 2019

Blockchain Technology Applications and Security参考文献 21被引用数 4

ひとこと要約

C2P2は、相互の暗号通貨の類似性と反復的集合分類を活用することで、21種類の主要な暗号通貨の上昇／下降動向を同時に予測する集合的暗号通貨価格予測モデルを提案する。AUCにおいて先行手法を5.1–83%上回り、特に類似性に基づく特徴統合によって顕著な統計的改善を達成する。

ABSTRACT

We study the problem of predicting whether the price of the 21 most popular cryptocurrencies (according to coinmarketcap.com) will go up or down on day d, using data up to day d-1. Our C2P2 algorithm is the first algorithm to consider the fact that the price of a cryptocurrency c might depend not only on historical prices, sentiments, global stock indices, but also on the prices and predicted prices of other cryptocurrencies. C2P2 therefore does not predict cryptocurrency prices one coin at a time --- rather it uses similarity metrics in conjunction with collective classification to compare multiple cryptocurrency features to jointly predict the cryptocurrency prices for all 21 coins considered. We show that our C2P2 algorithm beats out a recent competing 2017 paper by margins varying from 5.1-83% and another Bitcoin-specific prediction paper from 2018 by 16%. In both cases, C2P2 is the winner on all cryptocurrencies considered. Moreover, we experimentally show that the use of similarity metrics within our C2P2 algorithm leads to a direct improvement for 20 out of 21 cryptocurrencies ranging from 0.4% to 17.8%. Without the similarity component, C2P2 still beats competitors on 20 out of 21 cryptocurrencies considered. We show that all these results are statistically significant via a Student's t-test with p<1e-5. Check our demo at https://www.cs.dartmouth.edu/dsail/demos/c2p2

研究の動機と目的

• 単変数の暗号通貨価格予測の限界を是正するため、複数の暗号通貨間の依存関係をモデル化すること。
• 相互通貨の類似性と集合的分類を組み込むことで、上昇／下降価格動向の予測精度を向上させること。
• Redditの感情分析、株価指数、および時系列遅れ特徴量といった多様な特徴タイプが予測性能に与える影響を評価すること。
• 反復的精練と類似性特徴を組み合わせた集合的モデリングが、予測の頑健性と正確性を顕著に向上させることを実証すること。
• 統計的に妥当であり、実世界の応用が可能な、主要な暗号通貨の日々の価格動向を予測するフレームワークを提供すること。

提案手法

• C2P2は、21種類の暗号通貨を同時に予測する集合的分類フレームワークを採用し、個別に予測するのではなく、統合的に価格方向（上昇／下降）を推定する。
• すべての暗号通貨ペair間の特徴ベクトルの間で5種類の類似性指標を計算し、相互依存性と共有されるダイナミクスをモデル化する。
• 反復的予測プロセスを採用：初期の仮の予測を、他の通貨からの予測を入力特徴として用いて、後続ラウンドで改善する。
• 時系列遅れ特徴量を組み込み、価格、感情、市場指標における時間的依存性を捉える。
• 各通貨について、特徴選択、最適な遅延期間、分類アルゴリズム（例：XGBoost、ランダムフォレスト）を実験的に最適化する。
• Redditの感情分析データと、世界の金融指標（例：株価指数、金、原油、債券）を入力特徴として用い、市場感情とマクロ経済的影響を反映する。

実験結果

リサーチクエスチョン

• RQ1 複数の暗号通貨間の依存関係をモデル化することで、単変数モデルと比較して上昇／下降価格動向の予測精度が向上するか？
• RQ2 暗号通貨特徴ベクトル間の類似性指標が、集合的分類における予測性能にどの程度寄与するか？
• RQ3 他の通貨からの仮の予測を用いた反復的精練が、最終的な予測精度に与える影響はいかほどか？
• RQ4 感情、市場指数、価格履歴といった異なる特徴タイプの相対的寄与度は何か？
• RQ5 類似性特徴の導入が、多様な暗号通貨において統計的に有意な改善をもたらすか？

主な発見

• C2P2は、2017年の最近の競合ベースラインと比較して、21種類すべての暗号通貨でAUCが5.1–83%向上し、すべての向上が統計的に有意（p < 10⁻⁵）である。
• C2P2は、2018年のビットコイン専用予測モデルをAUCで16%上回り、すべての結果が統計的に有意である。
• 類似性特徴の導入により、21通貨中20通貨でAUCが0.4%～17.8%向上し、すべての向上が統計的に有意である。
• 類似性特徴がなくても、C2P2は21通貨中20通貨で競合を上回り、その頑健性を示している。
• アブレーションスタディにより、類似性特徴が性能向上の主要因であることが確認され、その除去により予測精度が顕著に低下した。
• ローリングウインドウ評価戦略により、モデルの優れた一般化性能と時間的安定性が確認された。