[논문 리뷰] Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators

Samuel Asante Gyamerah|arXiv (Cornell University)|2019. 09. 03.

Blockchain Technology Applications and Security인용 수 7

한 줄 요약

이 연구는 기술적 지표를 사용하여 비트코인 가격을 예측하기 위한 기계학습 모델을 평가하며, 랜덤 포레스트, 일반화선형모형, 선형 커널을 가진 서포트 벡터 회귀를 조합한 스태킹 앙상블 모델이 가장 높은 정확도를 기록함을 발견함. 이 모델은 테스트 데이터에서 MAPE 0.0191%, RMSE $15.53, R-squared 0.9967을 기록하여 거의 완벽한 예측 성능을 보임.

ABSTRACT

The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

연구 동기 및 목표

• 핵심적이고 고차원적인 기술적 지표를 사용하여 정확한 비트코인 가격 예측 모델을 개발하기 위해.
• 비트코인 가격 예측에 대해 펜어라이즈드 최대우도 기반 일반화선형모형, 랜덤 포레스트, 선형 커널을 가진 서포트 벡터 회귀를 포함한 개별 기계학습 모델을 평가하기 위해.
• 개별 모델을 스태킹 앙상블 모델과 비교하여 최적의 예측 접근법을 규명하기 위해.
• 상대적으로 탐색이 부족한 분야인 기술적 지표를 활용한 기계학습 기반 비트코인 가격 예측에 대한 실증적 증거를 기여하기 위해.

제안 방법

• 학습 및 테스트에 사용된 역사적 비트코인 가격 데이터는 2012년 1월 1일부터 2019년 8월 16일까지의 기간을 포함함.
• 34개의 핵심적이고 고차원적인 기술적 지표가 모델의 입력 특성으로 사용됨.
• 네 가지 모델이 훈련됨: 펜어라이즈드 최대우도 기반 일반화선형모형, 랜덤 포레스트, 선형 커널을 가진 서포트 벡터 회귀, 스태킹 앙상블.
• 스태킹 앙상블은 랜덤 포레스트와 GLMNET을 기본 학습자로, 선형 커널을 가진 SVR을 메타-학습자로 사용함.
• 모델 성능은 훈련 및 테스트 데이터셋 모두에서 MAPE, RMSE, MAE, R-squared 지표를 사용하여 평가됨.
• 예측 정확도 평가 및 높은 예측 오차 발생 기간 식별을 위해 시각적 분석과 오차 플롯이 사용됨.

실험 결과

연구 질문

• RQ1 높은 시장 변동성에도 불구하고 기술적 지표를 사용한 기계학습 모델이 비트코인 가격을 정확하게 예측할 수 있는가?
• RQ2 개별 기계학습 모델(GLMNET, 랜덤 포레스트, SVR) 간의 비트코인 가격 예측 성능는 어떻게 비교되는가?
• RQ3 스태킹 앙상블 모델이 개별 모델보다 비트코인 가격 예측에서 뛰어난 성능을 보이는가?
• RQ4 고차원적인 기술적 지표의 사용이 비트코인 가격 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 스태킹 앙상블 모델은 테스트 데이터에서 가장 낮은 평균 절대 백분율 오차(MAPE) 0.0191%를 기록하여 높은 예측 정확도를 보임.
• 스태킹 앙상블은 테스트 세트에서 루트 평균 제곱 오차(RMSE) $15.5331을 기록하여 다른 모델보다 유의미하게 낮음.
• 모델은 테스트 데이터에서 결정계수 R-squared 0.9967을 기록하여 비트코인 가격의 변동성의 99.67%가 모델에 의해 설명됨을 나타냄.
• 스태킹 앙상블 모델은 대부분의 데이터 포인트를 저예측했으며, 특히 2018년 6월 2일부터 2018년 4월 1일 사이와 2019년 6월 25일부터 7월 15일 사이에 더 큰 오차가 관찰됨.
• 선형 커널을 가진 서포트 벡터 회귀는 두 번째로 뛰어난 성능을 보였으며, 테스트 MAPE 0.0209%와 RMSE $160.46을 기록함.
• 랜덤 포레스트는 가장 높은 테스트 MAPE(0.0548%)와 RMSE($398.69)를 기록하여 앙상블 모델에 비해 성능이 열악함.