[논문 리뷰] C2P2: A Collective Cryptocurrency Up/Down Price Prediction Engine

Chongyang Bai, Tommy E. White외 3명|arXiv (Cornell University)|2019. 06. 03.

Blockchain Technology Applications and Security참고 문헌 21인용 수 4

한 줄 요약

C2P2는 상호암호화폐 유사성과 반복적 공동 분류를 활용하여 21개 주요 암호화폐의 상승/하락 움직임을 동시에 예측하는 집단적 암호화폐 가격 예측 모델을 제안한다. 이 모델은 AUC 기준으로 이전 방법 대비 5.1–83% 향상되었으며, 통계적으로 유의미한 개선을 보였으며, 특히 유사성 기반 특성 통합을 통해 뚜렷한 성능 향상을 이룬다.

ABSTRACT

We study the problem of predicting whether the price of the 21 most popular cryptocurrencies (according to coinmarketcap.com) will go up or down on day d, using data up to day d-1. Our C2P2 algorithm is the first algorithm to consider the fact that the price of a cryptocurrency c might depend not only on historical prices, sentiments, global stock indices, but also on the prices and predicted prices of other cryptocurrencies. C2P2 therefore does not predict cryptocurrency prices one coin at a time --- rather it uses similarity metrics in conjunction with collective classification to compare multiple cryptocurrency features to jointly predict the cryptocurrency prices for all 21 coins considered. We show that our C2P2 algorithm beats out a recent competing 2017 paper by margins varying from 5.1-83% and another Bitcoin-specific prediction paper from 2018 by 16%. In both cases, C2P2 is the winner on all cryptocurrencies considered. Moreover, we experimentally show that the use of similarity metrics within our C2P2 algorithm leads to a direct improvement for 20 out of 21 cryptocurrencies ranging from 0.4% to 17.8%. Without the similarity component, C2P2 still beats competitors on 20 out of 21 cryptocurrencies considered. We show that all these results are statistically significant via a Student's t-test with p<1e-5. Check our demo at https://www.cs.dartmouth.edu/dsail/demos/c2p2

연구 동기 및 목표

• 다양한 암호화폐 간 상호의존성을 모델링하여 단변량 암호화폐 가격 예측의 한계를 해결하고자 한다.
• 다른 코인 간 유사성과 공동 분류를 통합함으로써 상승/하락 가격 움직임 예측 정확도를 향상시키고자 한다.
• Reddit 감성, 주식 지수, 시간 지연 특성 등 다양한 유형의 특성이 예측 성능에 미치는 영향을 평가하고자 한다.
• 반복 보정과 유사성 특성을 포함한 공동 모델링이 예측의 강건성과 정확도를 크게 향상시킨다는 것을 입증하고자 한다.
• 통계적으로 검증된 실용적인 프레임워크를 제공하여 주요 암호화폐의 일일 가격 방향 예측에 응용 가능하게 하고자 한다.

제안 방법

• C2P2는 21개 암호화폐를 동시에 모두 예측하는 공동 분류 프레임워크를 사용하며, 개별적으로 예측하는 방식이 아니라 통합적으로 처리한다.
• 모든 암호화폐 쌍 간의 특성 벡터 간에 다섯 가지 유형의 유사성 지표를 계산하여 상호의존성과 공통 역학을 모델링한다.
• 반복 예측 프로세스를 적용한다: 초기 예측 결과를 바탕으로 다른 코인의 예측 결과를 입력 특성으로 활용해 후속 라운드에서 예측을 개선한다.
• 시간 지연 특성을 통합하여 가격, 감성, 시장 지표의 시간적 의존성을 포착한다.
• 각 코인에 대해 특성 선택, 최적의 시간 지연, 분류 알고리즘(XGBoost, Random Forest 등)의 조합을 경험적으로 최적화한다.
• 시장 심리와 거시경제적 영향을 반영하기 위해 Reddit 감성 데이터 및 글로벌 금융 지표(예: 주식 지수, 금, 원유, 채권)를 입력 특성으로 사용한다.

실험 결과

연구 질문

• RQ1 다양한 암호화폐 간 상호의존성을 모델링할 경우 단변량 모델 대비 상승/하락 가격 움직임 예측 정확도가 향상되는가?
• RQ2 암호화폐 특성 벡터 간의 유사성 지표가 공동 분류에서 예측 성능에 얼마나 기여하는가?
• RQ3 다른 코인의 초도 예측 결과를 활용한 반복 보정이 최종 예측 정확도에 어떤 영향을 미치는가?
• RQ4 감성, 시장 지수, 가격 이력 등 다양한 특성 유형이 예측 성능에 미치는 상대적 기여도는 어떠한가?
• RQ5 유사성 특성을 포함할 경우 다양한 암호화폐에서 통계적으로 유의미한 성능 향상이 발생하는가?

주요 결과

• C2P2는 최근의 2017년 경쟁 기준 모델 대비 21개 암호화폐 전반에서 AUC 기준 5.1–83% 향상되었으며, 모든 성과는 통계적으로 유의미하다(p < 10⁻⁵).
• C2P2는 2018년 비트코인 전용 예측 모델 대비 AUC 기준 16% 향상되었으며, 모든 결과는 통계적으로 유의미하다.
• 유사성 특성을 포함함으로써 21개 암호화폐 중 20개에서 AUC가 0.4%에서 17.8% 향상되었으며, 모든 개선 사례는 통계적으로 유의미하다.
• 유사성 특성을 포함하지 않은 경우에도 C2P2는 21개 암호화폐 중 20개에서 경쟁 모델을 능가하여 강건성을 입증한다.
• 제거 실험(ablation study) 결과, 유사성 특성이 성능 향상의 핵심 요소임을 확인하였으며, 이들의 제거로 인해 예측 정확도가 뚜렷이 저하된다.
• 실제 운영 환경을 시뮬레이션하기 위해 사용된 윈도우 기반 평가 전략은 모델의 강력한 일반화 능력과 시간적 안정성을 확인시켰다.