[논문 리뷰] Combination of window-sliding and prediction range method based on LSTM model for predicting cryptocurrency

Yifan Yao, Lina Wang|arXiv (Cornell University)|2021. 02. 09.

Stock Market Forecasting Methods참고 문헌 13인용 수 4

한 줄 요약

이 논문은 창문 이동 방식과 예측 범위 방법을 조합한 하이브리드 LSTM 모델을 제안하여 암호화폐 가격 추세 예측을 향상시킨다. 창문 길이와 예측 수렴 조합을 최적화함으로써, 기준 무작위 걷기 모델 대비 우수한 정확도를 달성하여 비트코인과 이더리움 데이터셋에서 예측 성능이 향상됨을 입증한다.

ABSTRACT

The present study aims to establish the model of the cryptocurrency price trend based on financial theory using the LSTM model with multiple combinations between the window length and the predicting horizons, the random walk model is also applied with different parameter settings.

연구 동기 및 목표

• 딥 러닝을 활용하여 암호화폐 가격 추세 예측 정확도를 향상시키기.
• 다양한 창문 길이와 예측 수렴이 LSTM 모델 성능에 미치는 영향을 조사하기.
• 다양한 파rameter 설정 하에서 제안된 하이브리드 모델을 무작위 걷기 모델과 비교하기.
• 최대 예측 정확도를 얻기 위한 창문 크기와 예측 범위 조합을 규명하기.

제안 방법

• 모델은 역사적 암호화폐 가격 데이터에서 순차적 특징을 추출하기 위해 슬라이딩 윈도우 방식을 사용한다.
• 모델의 강건성과 정확도를 평가하기 위해 창문 길이와 예측 수렴의 다양한 조합을 테스트한다.
• 장기 기억 순환 신경망(LSTM) 네트워크를 사용하여 시계열 데이터 내 시간적 종속성을 학습한다.
• 예측 범위 방법은 장기적 추세 추정을 향상시키기 위해 예측 수렴을 동적으로 조정한다.
• 기준으로 무작위 걷기 모델을 다양한 파rameter로 설정하여 비교 평가를 수행한다.
• 비트코인과 이더리움 가격 데이터를 대상으로 표준 회귀 평가 지표를 사용하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 창문 이동 및 예측 범위 방법의 조합이 LSTM 기반 암호화폐 가격 예측 정확도에 미치는 영향은 무엇인가?
• RQ2 최적의 창문 길이와 예측 수렴 조합은 무엇이며, 이는 최고의 예측 성능을 제공하는가?
• RQ3 다양한 파rameter 설정 하에서 제안된 모델은 무작위 걷기 모델과 어떻게 비교되는가?
• RQ4 이 하이브리드 접근 방식은 변동성이 큰 암호화폐 시장에서 장기적 추세 예측을 향상시킬 수 있는가?

주요 결과

• 제안된 하이브리드 모델은 비트코인과 이더리움 데이터셋 양측에서 무작위 걷기 모델 대비 예측 정확도에서 뚜렷한 우월성을 보였다.
• 창문 길이 60과 예측 수렴 5 조합에서 최적의 성능을 달성하여 평균 절대 오차(MAE)와 근미제곱오차의 제곱근(RMSE)이 가장 낮았다.
• 모델은 실제 가격 추세에 대한 적합도를 높이는 R-제곱 값에서 일관된 향상을 보였다.
• 창문 이동 및 예측 범위 기법의 조합은 장기적 시장 추세를 보다 잘 포착할 수 있는 능력을 향상시켰다.
• 민감도 분석 결과, 성능는 창문 길이와 예측 수렴의 선택에 매우 의존하는 것으로 나타났다.