[논문 리뷰] Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility

Zeyd Boukhers, Azeddine Bouabdallah외 2명|arXiv (Cornell University)|2022. 02. 12.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 거래 데이터, 소셜 미디어 감성, 블록체인 메트릭스, 검색 빈도를 통합하여 비트코인 가격과 그 변동성 분포를 예측하는 AdaBoost-LSTM 앙상블 모델을 제안한다. 다중 모odal 접근 방식은 기준 방법 대비 19.29% 향상된 성능을 기록하였으며, 테스트 MAE는 $132.03을 기록하여 예측 정확도가 뛰어나고 불확실성 인식 예측을 통해 의사결정 지원 기능도 향상됨을 보여준다.

ABSTRACT

Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

연구 동기 및 목표

• 거래 데이터, 소셜 미디어 감성, 블록체인 메트릭스, 검색 빈도 등의 데이터 모달이 암호화폐 가격에 가장 직접적으로 영향을 미치는지를 규명하는 것.
• 단일 모달 또는 단일 모델 접근 방식에 비해 다중 모달 데이터에 대한 앙상블 학습이 예측 성능 향상에 효과적인지 평가하는 것.
• 예측 가격뿐만 아니라 변동성 분포까지 제공하여 예측 신뢰도를 전달하는 예측 시스템을 개발하는 것.
• 신뢰할 수 있고 해석 가능하며 불확실성 인식 예측을 제공하는 단기 가격 예측을 통해 투자자 의사결정을 지원하는 것.

제안 방법

• 모델는 서로 다른 데이터 모달에 기반해 훈련된 다수의 약한 LSTM 학습기들을 조합하는 AdaBoost-LSTM 앙상블 아키텍처를 사용한다.
• 입력 특징으로는 이전 가격 데이터, 소셜 미디어 감성 점수, 블록체인 메트릭스(예: 해시레이트, 네트워크 난이도), 구글 검색 빈도가 포함된다.
• 각 모달은 사전 처리 및 정규화된 후 별도의 LSTM 네트워크에 입력되며, 일반화 성능 향상을 위해 AdaBoost를 사용해 앙상블된다.
• 최종 예측은 모든 모달의 출력을 통합하며, 각 예측 일자에 대해 변동성 분포를 예측하여 불확실성도 모델링한다.
• 모델는 2020년 1월부터 2020년 7월까지의 데이터셋을 기반으로 훈련 및 평가되었으며, 성능 평가 지표로는 MSE, RMSE, MAE를 사용했다.
• 장기 예측을 위해 예측값을 입력 시퀀스에 추가하여 순차적으로 예측을 생성함으로써 다일 예측을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 RQ1: 거래 데이터, 소셜 미디어 감성, 블록체인 정보, 검색 빈도 중 어떤 조합이 암호화폐 가격 움직임에 직접적이고 측정 가능한 영향을 미치는가?
• RQ2 RQ2: 단일 모달 또는 단일 모델 접근 방식에 비해 다중 모달 데이터에 대한 앙상블 학습이 암호화폐 가격 예측의 정확도와 강건성 향상에 효과적인가?
• RQ3 RQ3: 예측의 신뢰도를 전달하기 위해 점 추정치 외에도 잠재적 가격 변동성의 분포를 제공함으로써 가격 예측은 어떻게 향상될 수 있는가?

주요 결과

• 제안된 AdaBoost-LSTM 앙상블 모델은 테스트 평균 절대 오차(MAE)가 $132.027를 기록하여 가장 우수한 기준 방법 대비 19.29% 향상된 성능을 보였다.
• 모델의 MAE 분포를 분석한 결과, 실제 비트코인 가격으로부터 ±$500 이내에 예측된 경우가 68%로 나타나 단기 예측 정확도가 뛰어나다는 것을 확인했다.
• 특히 소셜 미디어 감성과 검색 빈도를 포함한 다중 모달 데이터의 통합이 단순히 거래 데이터에 의존하는 모델에 비해 예측 성능 향상에 뚜렷한 기여를 하였다.
• 모델가 예측한 변동성 분포가 예측 신뢰도를 효과적으로 전달하였으며, 변동성이 높은 시장 조건에서는 더 평탄한 분포가 나타나 불확실성이 높음을 반영하였다.
• 장기 예측에서는 시간이 지남에 따라 성능 저하가 발생하였으며, 평균 MAE는 1일차에 $132.03에서 시작하여 30일차에는 더 높아지는 경향을 보였다. 이는 오차 누적으로 인한 예상되는 결과였다.
• 모델의 오픈소스 구현체가 제공되어 재현성과 향후 연구를 지원한다.