[논문 리뷰] A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction

Xiao Li, Weili Wu|arXiv (Cornell University)|2020. 08. 21.

Blockchain Technology Applications and Security인용 수 5

한 줄 요약

이 논문은 k차 순서 거래 그래프를 사용하여 블록체인에서 거래 패턴을 자동으로 추출하고, 이를 회귀 모델의 특징으로 인코딩하는 새로운 기계학습 방법을 제안한다. 이 방법은 상태기반 기술(SOTA)을 초월하여 구간1에서 1.69%의 MAPE, 구간2에서 1.751%의 MAPE를 기록하며, 다중 수평선 역사 패턴을 활용함으로써 뛰어난 정확도를 입증한다.

ABSTRACT

Bitcoin, as one of the most popular cryptocurrency, is recently attracting much attention of investors. Bitcoin price prediction task is consequently a rising academic topic for providing valuable insights and suggestions. Existing bitcoin prediction works mostly base on trivial feature engineering, that manually designs features or factors from multiple areas, including Bticoin Blockchain information, finance and social media sentiments. The feature engineering not only requires much human effort, but the effectiveness of the intuitively designed features can not be guaranteed. In this paper, we aim to mining the abundant patterns encoded in bitcoin transactions, and propose k-order transaction graph to reveal patterns under different scope. We propose the transaction graph based feature to automatically encode the patterns. A novel prediction method is proposed to accept the features and make price prediction, which can take advantage from particular patterns from different history period. The results of comparison experiments demonstrate that the proposed method outperforms the most recent state-of-art methods.

연구 동기 및 목표

• 비트코인 가격 예측에서 수작업 특징 공학의 한계를 해결하기 위해 블록체인 거래에서 잠재적 패턴을 자동으로 채굴하는 것.
• 다양한 시간 수평선을 고려하여 k차 순서 거래 부분그래프를 사용해 거래 행동을 모델링하여 변화하는 시장 역학을 반영하는 것.
• 다양한 역사적 기간에서 유도된 특징을 통합하여 예측 정확도를 향상시키는 것.
• 블록체인 내통 패턴이 감성, 금융 지표 등 외부 데이터보다 가격 예측에 더 효과적임을 입증하는 것.
• 시간 창에 일반화 가능한 확장 가능한 수학적으로 탄탄한 특징 추출 프레임워크를 구축하는 것.

제안 방법

• 다양한 정도의 정밀도에서 거래 패턴을 표현하기 위해 k차 순서 거래 부분그래프를 제안하여 주소 간의 구조적 관계를 캡처하는 것.
• 블록체인 전반에 걸쳐 k차 순서 부분그래프 패턴의 빈도를 정량적으로 인코딩하기 위해 패턴 발생 행렬을 정의하는 것.
• 스케일러블한 특징 생성을 위해 반복 계산을 사용하여 패턴 발생 행렬을 효율적으로 계산하는 것.
• 그래프 기반 특징에 기반하여 훈련된 지지 벡터 기반 회귀 모델(SVM)을 기본 예측 엔진으로 적용하는 것.
• 다양한 역사적 윈도우 크기로 훈련된 다중 모델의 예측을 통합하여 정확도와 내구성을 향상시키는 것.
• 시간적 맥락과 계산 비용을 균형 잡기 위해 조정 가능한 역사 윈도우 크기 r을 사용하는 슬라이딩 윈도우 접근 방식을 적용하는 것.

실험 결과

연구 질문

• RQ1 외부 데이터 소스에 의존하지 않고도 비트코인 블록체인에 인코딩된 거래 패턴을 효과적으로 활용하여 가격 움직임을 예측할 수 있는가?
• RQ2 k차 순서 거래 부분그래프는 어떻게 시장 정서와 행동을 반영하는 의미 있는 구조적 패턴을 캡처하는가?
• RQ3 다양한 역사적 시간 창에서 유도된 특징을 통합하면 단일 윈도우 모델 대비 예측 정확도가 향상되는가?
• RQ4 고변동성(2017년)과 저변동성(2016년) 기간을 고려할 때, 제안된 방법의 성능는 어떻게 변화하는가?
• RQ5 예측 정확도와 계산 효율성의 균형을 고려할 때 최적의 역사 윈도우 크기는 무엇인가?

주요 결과

• 제안된 방법은 구간1에서 1.69%의 MAPE, 구간2에서 1.751%의 MAPE를 기록하여 상태기반 기술(SOTA)의 1.91% 및 1.81%를 초월하였다.
• 다양한 역사 윈도우에서의 예측을 통합한 모델이 가장 낮은 오차를 기록하여, 다중 수평선 특징 학습의 이점이 입증되었다.
• 예측 수평선이 길어질수록 정확도가 감소하였으며, 향후 시간 거리가 증가할수록 MAPE가 상승하는 경향을 보였고, 이는 시장 변동성과 일치하였다.
• 2017년 시장는 2016년보다 더 빠르게 증가하는 오차율을 보였으며, 이는 더 높은 가격 변동성과 더 큰 예측 난이도를 반영하였다.
• 하나 이상의 역사 윈도우(예: h=1 및 h=2)를 사용할 경우 성능이 크게 향상되었으며, 윈도우 크기가 ≥2일 경우 안정적인 결과를 기록하였다.
• 2016년에는 r=0.98에서, 2017년에는 r=0.92에서 최적의 성능를 기록하여 윈도우 선택이 시장 역학에 민감함을 시사하였다.