[논문 리뷰] Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines

David Zhao, Alessandro Rinaldo외 1명|arXiv (Cornell University)|2019. 11. 26.

Blockchain Technology Applications and Security참고 문헌 11인용 수 11

한 줄 요약

이 논문은 역사적 가격 및 블록체인 데이터에서 유도된 기술적 지표를 사용하여 비트코인, 이더리움, 리플린의 1시간 가격 움직임을 예측하기 위한 서포트 벡터 머신(SVM) 기반 분류 모델을 제안한다. 이 모델은 예측을 거래 전략으로 변환하여 22개월 동안 시장 수익률을 초월하며, 평균 수익률은 더 높고 변동성은 더 낮은 성과를 기록한다. 특히 고변동성 기간 동안 뛰어난 성능을 보였다.

ABSTRACT

Few assets in financial history have been as notoriously volatile as cryptocurrencies. While the long term outlook for this asset class remains unclear, we are successful in making short term price predictions for several major crypto assets. Using historical data from July 2015 to November 2019, we develop a large number of technical indicators to capture patterns in the cryptocurrency market. We then test various classification methods to forecast short-term future price movements based on these indicators. On both PPV and NPV metrics, our classifiers do well in identifying up and down market moves over the next 1 hour. Beyond evaluating classification accuracy, we also develop a strategy for translating 1-hour-ahead class predictions into trading decisions, along with a backtester that simulates trading in a realistic environment. We find that support vector machines yield the most profitable trading strategies, which outperform the market on average for Bitcoin, Ethereum and Litecoin over the past 22 months, since January 2018.

연구 동기 및 목표

• 역사적 가격 및 블록체인 데이터에서 유도된 기술적 지표를 사용하여 주요 암호화폐의 단기 가격 예측 모델을 개발한다.
• 변동성이 높은 암호화폐 시장에서 1시간 후 가격 방향(상승/하락)을 예측하기 위해 다양한 분류 방법을 평가한다.
• 1시간 후 예측 기반의 현실적인 거래 전략을 설계하고 백테스팅하여 수익성 여부를 평가한다.
• 장기간에 걸쳐 다양한 기계학습 모델, 특히 SVM의 성능을 시장 기준과 비교한다.
• 고변동성 기간을 포함한 다양한 시장 조건 하에서 전략의 강건성과 리스크 조정 수익률을 탐색한다.

제안 방법

• 저자들은 2015년 7월부터 2019년 11월까지 비트코인, 이더리움, 리플린에 대해 코인베이스에서 1시간 OHLCV(시가, 고가, 저가, 종가, 거래량) 데이터와 블록탭에서의 블록체인 메트릭스를 수집하였다.
• 가격 및 거래량 데이터에서 100개 이상의 기술적 지표를 설계하여 단기 시장 패턴과 모멘타ム를 포착하였다.
• 분류 문제는 이러한 특징을 사용하여 향후 1시간 동안의 가격 움직임 방향(상승/하락)을 예측하는 것으로 설정되었다.
• 서포트 벡터 머신(SVM), 랜덤 포레스트, 로지스틱 회귀, 기울기 부스팅 등의 다양한 기계학습 분류기들을 예측 작업에 대해 훈련 및 평가하였다.
• 백테스팅 프레임워크는 현실적인 거래 조건을 시뮬레이션하여 1시간 예측을 고정된 포지션 규모와 거래 수수료를 고려한 매수/매도 신호로 변환하였다.
• 전략은 누적 수익률, 샤프 비율, 최대 낙폭, 시장과의 상관관계 등의 지표를 사용하여 22개월간의 샘플 외 시험 기간 동안 평가되었다.

실험 결과

연구 질문

• RQ1 서포트 벡터 머신은 기술적 지표를 사용하여 주요 암호화폐의 단기(1시간) 가격 움직임을 효과적으로 예측할 수 있는가?
• RQ2 모의 거래 환경에서 SVM의 분류 정확도 및 수익성은 다른 분류 모델과 비교해 어떻게 다른가?
• RQ3 제안된 거래 전략은 22개월 기간 동안 단순한 매수 후持有 시장 기준과 비교해 뛰어난 리스크 조정 수익률을 제공하는가?
• RQ4 시장 변동성이 증가할 경우 전략의 행동 방식은 어떻게 변화하며, 시장 하락 기간 동안 손실을 피할 수 있는가?
• RQ5 전략 수익률이 전체 시장과 얼마나 상관관계가 낮은가? 이는 다각화 효과를 제공하는가?

주요 결과

• SVM 기반 모델은 모든 테스트된 분류기 중에서 가장 높은 수익성을 기록하였으며, 22개월의 백테스트 기간 동안 시장 수익률을 초월하였다.
• 비트코인, 이더리움, 리플린에 대해 SVM 전략은 시장보다 더 높은 누적 수익률을 기록하였고, 변동성은 낮고 최대 낙폭도 작았다.
• 전략은 고변동성 기간 동안 활발히 거래하는 경향을 보였으며, 이는 예측 신뢰도가 높아진 것과 일치하였다.
• SVM 전략 수익률과 시장 간 상관계수는 이더리움의 경우 0.1%, 리플린의 경우 18.5%로 낮아 다각화 잠재력이 있음을 시사했다.
• 저변동성 기간 동안 모델은 자주 거래를 중단하여 불확실한 시장 조건에서의 노출을 줄였고, 이는 전체적인 리스크 감소에 기여하였다.
• 백테스트 성과는 전략이 2018년 후반에 발생한 치명적인 시장 하락을 성공적으로 피하면서도 단기 수익을 확보할 수 있음을 보여주었다.