[論文レビュー] Dissection of Bitcoin's Multiscale Bubble History from January 2012 to February 2018

Jan-Christian Gerlach, Guilherme Demos+1 more|arXiv (Cornell University)|Apr 17, 2018

Complex Systems and Time Series Analysis被引用数 4

ひとこと要約

本稿は、2012年1月から2018年2月までのビットコインに対して、自動ピーク検出、ラグランジュ正則化を用いたレジーム変化検出、およびk-meansクラスタリングを用いた臨界時刻予測の統合によるマルチスケール泡検出フレームワークを提案する。3つの主要な泡と10つの小さな泡を同定し、LPPLSの信頼性指標とクラスタリングされた臨界時刻が、近い崩壊の早期警告を提供する。

ABSTRACT

We present a detailed bubble analysis of the Bitcoin to US Dollar price dynamics from January 2012 to February 2018. We introduce a robust automatic peak detection method that classifies price time series into periods of uninterrupted market growth (drawups) and regimes of uninterrupted market decrease (drawdowns). In combination with the Lagrange Regularisation Method for detecting the beginning of a new market regime, we identify 3 major peaks and 10 additional smaller peaks, that have punctuated the dynamics of Bitcoin price during the analyzed time period. We explain this classification of long and short bubbles by a number of quantitative metrics and graphs to understand the main socio-economic drivers behind the ascent of Bitcoin over this period. Then, a detailed analysis of the growing risks associated with the three long bubbles using the Log-Periodic Power Law Singularity (LPPLS) model is based on the LPPLS Confidence Indicators, defined as the fraction of qualified fits of the LPPLS model over multiple time windows. Furthermore, for various fictitious 'present' times $t_2$ before the crashes, we employ a clustering method to group the predicted critical times $t_c$ of the LPPLS fits over different time scales, where $t_c$ is the most probable time for the ending of the bubble. Each cluster is proposed as a plausible scenario for the subsequent Bitcoin price evolution. We present these predictions for the three long bubbles and the four short bubbles that our time scale of analysis was able to resolve. Overall, our predictive scheme provides useful information to warn of an imminent crash risk.

研究の動機と目的

• 2012年1月から2018年2月までのビットコインにおいて、長期および短期の価格泡を体系的に同定・分類すること。
• ラグランジュ正則化を用いた、ノイズや誤検出に対して頑健な、自動化されたビットコイン価格時系列における上昇・下落の検出手法を開発すること。
• 対数周期的パワー則特異性（LPPLS）モデルと信頼性指標を用いて、主要な泡の予測可能性を評価すること。
• 複数スケールのLPPLS適合から得た臨界時刻予測をクラスタリングすることで、近い市場崩壊を予測すること。
• 泡の動態を検索頻度、ユーザー活動、投機的行動などの社会経済的要因と関連付けること。

提案手法

• 自動ピーク検出アルゴリズムを用いて、ビットコイン価格時系列を途切れのない上昇・下落に分割する。
• ラグランジュ正則化を用いて、新たな市場レジームの開始時刻を検出し、ノイズや誤検出に対して頑健性を確保する。
• LPPLSモデルを用いて泡のダイナミクスをフィットさせ、信頼性指標をスライディングウインドウ内の有効な適合の割合として定義する。
• 複数スケールにおけるLPPLS適合から得た臨界時刻 $t_c$ をk-meansクラスタリングでグループ化し、妥当な崩壊シナリオを同定する。
• k-meansアルゴリズムにおける最適なクラスタ数を特定するためにシルエット指標を用い、予測された臨界時刻の意味のあるグループ化を保証する。
• 検索クエリやネットワークユーザー数などの社会経済的データを統合し、観察された泡形成の背後にある要因を解釈する。

実験結果

リサーチクエスチョン

• RQ1 2012年1月から2018年2月までのビットコイン価格推移において、主な構造的レジーム（上昇・下落）は何か？
• RQ2 LPPLSモデルは、ビットコイン価格履歴における主要および小さな泡の終焉をどの程度正確に検出・予測できるか？
• RQ3 複数スケールのLPPLS適合から得たクラスタリングされた臨界時刻 $t_c$ は、近い市場崩壊を予測する上でどの程度の予測力を持つか？
• RQ4 検索頻度やユーザー活動といった社会経済指標は、ビットコイン泡の発生および崩壊とどの程度相関しているか？
• RQ5 分析ウインドウが異なる場合でも、泡の開始時刻 ($t_1^*$) はどの程度安定しており、早期検出の信頼性を裏付けるか？

主な発見

• 2012年1月から2018年2月までのビットコイン価格履歴において、3つの主要な泡と10つの小さな泡を同定した。最大の泡は2017年12月中旬にピークに達した。
• 2017年12月の崩壊に先立って、LPPLSの信頼性指標は80％を超える高い値を示し、モデルの適合度と高い予測可能性を示した。
• 2017年の泡の事例では、予測された臨界時刻 $t_c$ のk-meansクラスタリングにより、2つの主要なクラスタが特定され、10日間の期間内に臨界時刻が集中する2つの妥当な崩壊シナリオが示された。
• 本手法は、2017年の泡の開始を高い安定性で検出でき、異なる分析ウインドウにおける $t_1^*$ の推定値が一貫していた。
• シルエット指標により、大多数の泡に対して最適なクラスタ数は2～3と特定され、臨界時刻予測のグループ化におけるクラスタリング手法の妥当性が裏付けられた。
• 分析により、ビットコインの価格動態は投機的行動に強く影響を受けており、価格急騰、検索頻度、ユーザー増加の間には強いフィードバックループが存在することが確認された。