[논문 리뷰] A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data

Qi Zhao|arXiv (Cornell University)|2020. 10. 11.

Stock Market Forecasting Methods참고 문헌 23인용 수 5

한 줄 요약

이 논문은 고빈도 거래 기록을 사용하여 암호화폐의 단기 가격 움직임을 예측하기 위해 장기 단기 기억(LSTM) 네트워크를 사용하는 딥러닝 프레임워크를 제안한다. 1,190만 건 이상의 BTC-USDT 거래 데이터로 훈련된 모델은 검증 데이터에서 60% 이상의 정확도를 달성했으며, 재학습 없이도 다른 디지털 자산으로도 효과적으로 일반화되어, 거래 수준 데이터 내에 보편적인 가격 예측 특징이 존재함을 시사한다.

ABSTRACT

This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

연구 동기 및 목표

• 고빈도 거래 기록을 기반으로 단기 암호화폐 가격 방향을 예측할 수 있는 딥러닝 프레임워크를 개발하는 것.
• 비대칭 클래스 분포, 비정상적인 가격 제도, 고빈도 거래와 같은 금융 시계열 예측의 과제를 해결하는 것.
• 모델 성능을 검증 데이터에서 평가하고, 다양한 암호화폐 거래 쌍 간의 이식 가능성 여부를 분석하는 것.
• 거래 수준 데이터 내에 존재하는 보편적인 특징이 가격 예측 모델의 자산 간 일반화를 가능하게 하는지 조사하는 것.
• 모델의 실용적 수익 창출 잠재력을 현실적인 거래 시뮬레이션 환경에서 입증하는 것.

제안 방법

• 모델은 고정된 봉우리 윈도우 기간 동안 순차적인 거래 기록을 처리하기 위해 장기 단기 기억(LSTM) 네트워크 아키텍처를 사용한다.
• 가격 변화, 거래량 불균형, 주문 흐름 지표 등이 윈도우 기반으로 계산된 시간 윈도우 내에서 정교하게 특징 engineering이 이루어진다.
• 다양한 훈련 예제를 생성하기 위해 무작위 오프셋을 활용하는 새로운 데이터 샘플링 전략을 도입하여 레이어 중복을 줄이고 데이터 커버리지 및 활용도를 유지한다.
• 훈련 및 검증 세트는 계층적 샘플링을 통해 유사한 클래스 분포를 유지하여 일반화 성능 향상과 과적합 방지를 도모한다.
• 초기화된 하이퍼파라미터는 광범위한 그리드 서치를 통해 최적화되었으며, 봉우리 윈도우 길이(l=300,000 거래)와 예측 수렴 기간(m=6개 5분 간격)에 최적 설정이 도출되었다.
• 거래 시뮬레이션은 거래 데이터를 5분 간격으로 재샘플링하고, 모델 예측에 따라 거래를 실행하며, 거래 수수료를 고려한다.

실험 결과

연구 질문

• RQ1 단일 암호화폐의 거래 기록만을 사용해도 LSTM 기반 모델이 단기 가격 움직임을 높은 정확도로 예측할 수 있는가?
• RQ2 재학습 없이도 다른 디지털 자산으로 일반화되는가? 이는 거래 수준 데이터 내에 보편적인 특징이 존재함을 시사하는가?
• RQ3 특히 봉우리 윈도우 크기와 예측 수렴 기간과 같은 하이퍼파라미터 선택이 모델 성능과 일반화에 어떤 영향을 미치는가?
• RQ4 모델의 예측 결과가 거래 수수료를 고려한 현실적인 거래 시뮬레이션 환경에서 수익 창출 가능성이 있는가?
• RQ5 모델 성능과 재샘플링 간격 길이 또는 예측 수렴 기간 간에 안정적인 상관관계가 존재하는가?

주요 결과

• 최적의 LSTM 모델은 3개월 테스트 기간(2019/12/01–2020/02/28) 동안 검증 데이터에서 60% 이상의 예측 정확도를 달성했으며, 이는 이전 연구에서의 기준 성능를 크게 초월한다.
• 모델은 재학습 없이도 다른 주요 암호화폐로 효과적으로 일반화된다: 이더리움(60.48%), 비트코인 캐시(60.17%), 라이트코인(59.96%), EOS(60.03%) 모두 높은 정확도를 기록한다.
• 모델은 시뮬레이션된 거래 환경에서 비트코인의 가격 성과를 뛰어넘어, 거래 수수료 도전 과제가 있음에도 불구하고 실제 수익 창출 가능성을 시사한다.
• 모델 성능은 다양한 시간 간격과 재샘플링 간격에 대해 뛰어난 내구성을 보이며, 더 긴 간격과 더 짧은 예측 수렴 기간에서 더 좋은 결과를 낸다.
• 무작위 오프셋 샘플링 전략의 사용은 훈련 중복을 크게 줄이고 데이터 활용도 및 모델 일반화 능력을 유지한다.
• 결과적으로 디지털 자산 가격 움직임은 의미 있는 정도로 예측 가능하며, 거래 기록 데이터는 딥러닝 모델이 추출할 수 있는 보편적인 특징을 내재하고 있음을 시사한다.