[論文レビュー] On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning

Marco Ortu, Nicola Uras+3 more|arXiv (Cornell University)|Feb 13, 2021

Blockchain Technology Applications and Security被引用数 7

ひとこと要約

本研究では、ビットコインおよびイーサリアムの価格変動を上昇または下落に分類するため、技術的指標、取引指標、ソーシャルメディア指標を統合したディープラーニングフレームワークを提案する。LSTM、CNN、MLP、ALSTMモデルを用いて、ソーシャルセンチメントと取引シグナルを組み込むことで予測精度が著しく向上することを示している。時間分解能が1時間のとき、制限付きモデル（51–55％）から非制限付きモデル（67–84％）へと向上し、非制限付きモデルにおいてLSTMが最高のパフォーマンスを達成した。

ABSTRACT

This work aims to analyse the predictability of price movements of cryptocurrencies on both hourly and daily data observed from January 2017 to January 2021, using deep learning algorithms. For our experiments, we used three sets of features: technical, trading and social media indicators, considering a restricted model of only technical indicators and an unrestricted model with technical, trading and social media indicators. We verified whether the consideration of trading and social media indicators, along with the classic technical variables (such as price's returns), leads to a significative improvement in the prediction of cryptocurrencies price's changes. We conducted the study on the two highest cryptocurrencies in volume and value (at the time of the study): Bitcoin and Ethereum. We implemented four different machine learning algorithms typically used in time-series classification problems: Multi Layers Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) neural network and Attention Long Short Term Memory (ALSTM). We devised the experiments using the advanced bootstrap technique to consider the variance problem on test samples, which allowed us to evaluate a more reliable estimate of the model's performance. Furthermore, the Grid Search technique was used to find the best hyperparameters values for each implemented algorithm. The study shows that, based on the hourly frequency results, the unrestricted model outperforms the restricted one. The addition of the trading indicators to the classic technical indicators improves the accuracy of Bitcoin and Ethereum price's changes prediction, with an increase of accuracy from a range of 51-55% for the restricted model, to 67-84% for the unrestricted model.

研究の動機と目的

• ソーシャルメディアのセンチメントと取引指標を統合することで、暗号資産価格変動分類の精度が向上するかどうかを評価すること。
• ビットコインおよびイーサリアムの価格方向を予測する際、MLP、CNN、LSTM、ALSTMの4つのディープラーニングモデルのパフォーマンスを比較すること。
• モデルの複雑さとデータ頻度（1時間 vs. 1日）が分類パフォーマンスに与える影響を評価すること。
• Reddit や GitHub のコメントからのセンチメントを含むソーシャル指標が、従来の技術的・取引指標を超えて予測力を持つかどうかを特定すること。

提案手法

• 本研究では、3種類の指標タイプ（技術的指標（例：始値、終値、出来高）、取引指標（例：移動平均、モーメントム）、ソーシャルメディアセンチメント（Reddit や GitHub のコメントから））をマルチモーダル入力として使用する。
• 4つのディープラーニングアーキテクチャを評価する：マルチレイヤーパーセプトロン（MLP）、畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）、アテンション長短期記憶（ALSTM）。
• 2種類のモデルバージョンをテストする：技術的指標のみを用いる制限付きモデルと、技術的・取引・ソーシャル指標を含む非制限付きモデル。
• 分類タスクは二値分類として定式化され、次の価格変動が上昇か下落かを予測することを目的とする。
• パフォーマンスは、標準的な指標（正解率、適合率、再現率、F1スコア）を用いて評価され、信頼性の高い推定のためブートストラップリサンプリングが用いられる。
• 時間分解能が1時間および1日である2つの条件で実験を行い、モデルの時間的感度を評価する。

実験結果

リサーチクエスチョン

• RQ1 技術的指標のみを用いるモデルと比較して、ソーシャルメディアのセンチメントと取引指標を組み込むことで、暗号資産価格変動分類の精度が向上するか？
• RQ2 MLP、CNN、LSTM、ALSTM のうち、どのディープラーニングアーキテクチャが、さまざまなデータ頻度においてビットコインおよびイーサリアムの価格方向分類で最も優れたパフォーマンスを示すか？
• RQ3 制限付きモデルと非制限付きモデルにおいて、1時間解像度と1日解像度の両方でモデルパフォーマンスはどのように変化するか？
• RQ4 ソーシャル指標と取引指標を追加することで得られるパフォーマンス向上は、すべてのディープラーニングモデルにおいて統計的に有意かつ一貫しているか？
• RQ5 技術的指標のみで分類を行う場合、より複雑なモデルに他のデータソースを追加した場合と比較して、1日解像度においてどの程度優れているか？

主な発見

• 1時間解像度において、非制限付きモデル（技術的・取引・ソーシャル指標を含む）は制限付きモデルを著しく上回り、予測精度が51–55％から67–84％に向上した。
• 1時間解像度の非制限付きモデルにおいて、LSTMニューラルネットワークがビットコインで83％、イーサリアムで84％の最高精度を記録した。
• ソーシャル指標と取引指標を追加することで得られるパフォーマンス向上は、4つのディープラーニングモデルすべてに一貫して見られ、アルゴリズムに依存しないものであることが示された。
• 1日解像度では、イーサリアムにおいて技術的指標のみが最良のパフォーマンスを示し、MALSTM-FCNモデルで99％の正解率を達成した。
• ビットコインの1日解像度においては、ソーシャルメディア指標を含む非制限付きモデルが最高のパフォーマンスを示し、正解率60％、F1スコア55％を達成した。
• 本研究では、ソーシャル指標の統合が、特に高頻度解像度において、測定可能で一貫した予測パフォーマンスの向上をもたらすことが判明した。