[論文レビュー] Predicting digital asset market based on blockchain activity data

Zvezdin Besarabov, Todor Kolev|arXiv (Cornell University)|Oct 15, 2018

Blockchain Technology Applications and Security被引用数 4

ひとこと要約

本論文では、暗号資産の価格予測に、特にイーサリアムのアカウント分布ヒストグラムと取引トレースというブロックチェーン活動データを活用する深層学習フレームワークを提案する。ブロックチェーンデータを空間的画像としてモデル化し、畳み込みニューラルネットワーク（CNN）を適用することで、取引量を用いた標準的なLSTMモデルと比較して予測誤差を4倍低減し、2次元／3次元ヒストグラム表現を用いることでさらに26％の誤差低減を達成した。

ABSTRACT

Blockchain technology shows significant results and huge potential for serving as an interweaving fabric that goes through every industry and market, allowing decentralized and secure value exchange, thus connecting our civilization like never before. The standard approach for asset value predictions is based on market analysis with an LSTM neural network. Blockchain technologies, however, give us access to vast amounts of public data, such as the executed transactions and the account balance distribution. We explore whether analyzing this data with modern Deep Leaning techniques results in higher accuracies than the standard approach. During a series of experiments on the Ethereum blockchain, we achieved $4$ times error reduction with blockchain data than an LSTM approach with trade volume data. By utilizing blockchain account distribution histograms, spatial dataset modeling, and a Convolutional architecture, the error was reduced further by 26\%. The proposed methodologies are implemented in an open source cryptocurrency prediction framework, allowing them to be used in other analysis contexts.

研究の動機と目的

• ブロックチェーン由来のデータが、従来の市場指標を上回るデジタル資産価格予測を可能にするかを調査すること。
• アカウント残高分布ヒストグラムのような、ブロックチェーンデータの空間的表現の予測力を探ること。
• 特に畳み込みネットワークを含む、これらの新規データ表現に特化した深層学習アーキテクチャの開発と評価すること。
• ブロックチェーンデータと市場データを統合した、再利用可能でオープンソースの暗号資産予測フレームワークを構築すること。
• ブロックチェーンデータと高度な深層学習技術を組み合わせることで、予測誤差を顕著に低減すること。

提案手法

• 独自のデータパイプラインを用いて、取引記録、アカウント残高、コントラクトトレースを含む、生のイーサリアムブロックチェーンデータを収集した。
• アカウント残高の分布を1次元、2次元、3次元のヒストグラムに変換し、ブロックチェーンの状態を空間的データとして表現した。
• これらのヒストグラム表現の時間的系列を、画像に似た入力として扱い、畳み込みニューラルネットワーク（CNN）アーキテクチャを適用して分析した。
• 取引量を用いたLSTMと、ヒストグラムデータを用いたCNNの両方を用いた価格予測のための、複数の深層学習モデルを訓練・比較した。
• データインジェクション、特徴工学、モデル訓練、評価を標準化するため、独自のオープンソースフレームワークを用いた。
• ハイパーパramータチューニングによりモデル性能を最適化し、主に平均絶対誤差（MAE）を評価指標として使用した。

実験結果

リサーチクエスチョン

• RQ1 従来の市場ベースのモデルと比較して、ブロックチェーン活動データがデジタル資産価格予測の正確性を向上させられるか？
• RQ2 2次元／3次元アカウント分布ヒストグラムのような、ブロックチェーンデータの空間的表現は、深層学習ベースの価格予測にどの程度有効か？
• RQ3 取引量データを用いた再帰的ネットワークと比較して、ヒストグラムデータを用いた畳み込みニューラルネットワークのパフォーマンス向上はどの程度か？
• RQ4 ブロックチェーンデータを用いた再現可能で拡張可能な暗号資産予測を可能にする統合的でオープンソースのフレームワークを構築できるか？
• RQ5 ニューラルアーキテクチャ探索（NAS）は、ブロックチェーンデータ向けの最適なモデルアーキテクチャの自動発見をどの程度自動化できるか？

主な発見

• 2次元アカウント分布ヒストグラムを用いた提案されたCNNベースのモデルは、取引量データのみを用いたLSTMモデルと比較して、予測誤差を4倍低減した。
• 2次元と3次元のヒストグラム表現を組み合わせることで、さらに26％の誤差低減が達成された。
• 2次元ヒストグラムのタイムラプス系列の視覚的検査から、主要な市場動向の前触れとなる明確で繰り返し現れるパターンが確認された。
• フレームワークは1000GBを超えるブロックチェーンデータを処理でき、大規模な深層学習モデルの訓練と評価を可能にした。
• 学習済みモデル重みと訓練履歴を含むオープンソースの予測フレームワークは、https://github.com/Zvezdin/blockchain-predictor で公開されている。
• 著者らは、ブロックチェーンデータ向けの最適なモデルアーキテクチャの自動発見を促進するため、ニューラルアーキテクチャ探索（NAS）が有望な道筋であると特定した。