[논문 리뷰] Dissection of Bitcoin's Multiscale Bubble History from January 2012 to February 2018

Jan-Christian Gerlach, Guilherme Demos외 1명|arXiv (Cornell University)|2018. 04. 17.

Complex Systems and Time Series Analysis인용 수 4

한 줄 요약

이 논문은 2012년 1월부터 2018년 2월까지 비트코인에 대한 다중 척도 기반 버블 탐지 프레임워크를 제안한다. 이는 자동 피크 탐지, 라그랑주 정규화를 적용한 제도 전환 탐지, 그리고 k-means 군집화를 통한 임계 시간 예측의 LPPLS 모델링을 융합한 것이다. 연구는 주로 3개의 거대 버블과 10개의 소규모 버블을 식별하였으며, LPPLS 신뢰도 지표와 군집화된 임계 시간이 곧 다가올 폭락을 조기에 경고하는 데 기여한다.

ABSTRACT

We present a detailed bubble analysis of the Bitcoin to US Dollar price dynamics from January 2012 to February 2018. We introduce a robust automatic peak detection method that classifies price time series into periods of uninterrupted market growth (drawups) and regimes of uninterrupted market decrease (drawdowns). In combination with the Lagrange Regularisation Method for detecting the beginning of a new market regime, we identify 3 major peaks and 10 additional smaller peaks, that have punctuated the dynamics of Bitcoin price during the analyzed time period. We explain this classification of long and short bubbles by a number of quantitative metrics and graphs to understand the main socio-economic drivers behind the ascent of Bitcoin over this period. Then, a detailed analysis of the growing risks associated with the three long bubbles using the Log-Periodic Power Law Singularity (LPPLS) model is based on the LPPLS Confidence Indicators, defined as the fraction of qualified fits of the LPPLS model over multiple time windows. Furthermore, for various fictitious 'present' times $t_2$ before the crashes, we employ a clustering method to group the predicted critical times $t_c$ of the LPPLS fits over different time scales, where $t_c$ is the most probable time for the ending of the bubble. Each cluster is proposed as a plausible scenario for the subsequent Bitcoin price evolution. We present these predictions for the three long bubbles and the four short bubbles that our time scale of analysis was able to resolve. Overall, our predictive scheme provides useful information to warn of an imminent crash risk.

연구 동기 및 목표

• 2012년 1월부터 2018년 2월까지 비트코인 가격에서 장기 및 단기 가격 버블을 체계적으로 식별하고 분류하는 것.
• 라그랑주 정규화를 활용한 자동화된 방법으로 비트코인 가격 시계열의 상승장과 하락장 전환을 탐지하는 강력한 방법 개발.
• 로그-주기적 거품법칙 특이점(LPPLS) 모델과 신뢰도 지표를 활용해 주요 버블의 예측 가능성을 평가하는 것.
• 다양한 척도에서의 LPPLS 예측 임계 시간을 군집화하여 곧 다가올 시장 폭락을 예측하는 것.
• 관찰된 버블 형성 배경에 영향을 주는 사회경제적 요인들, 예를 들어 검색 빈도, 사용자 활동, 투기적 행동 등을 연계하는 것.

제안 방법

• 비트코인 가격 시계열을 연속적인 상승장과 하락장으로 분할하기 위해 자동 피크 탐지 알고리즘을 적용한다.
• 소음과 오진 탐지에 강건한 성능을 보장하기 위해, 새로운 시장 제도의 시작을 탐지하기 위해 라그랑주 정규화를 사용한다.
• 버블 역학을 피팅하기 위해 LPPLS 모델을 활용하며, 신뢰도 지표는 슬라이딩 윈도우 내에서 유효한 피팅 비율로 정의된다.
• 다양한 척도에서의 LPPLS 피팅으로부터 예측된 임계 시간 $t_c$를 군집화하기 위해 k-means 군집화를 적용하여 실제 폭락 시나리오를 식별한다.
• k-means 알고리즘에서 최적의 군집 수를 결정하기 위해 실루엣 지표를 사용하여 예측된 임계 시간의 의미 있는 군집화를 보장한다.
• 관찰된 버블 형성 배경을 해석하기 위해 사회경제적 자료(예: 검색 쿼리, 네트워크 사용자 수 등)를 통합한다.

실험 결과

연구 질문

• RQ1 2012년 1월부터 2018년 2월까지 비트코인 가격 변화에서 주요한 구조적 제도(상승장과 하락장)는 무엇인가?
• RQ2 LPPLS 모델은 비트코인 가격 역사상 주요 및 소규모 버블의 종료를 얼마나 정확하게 탐지하고 예측할 수 있는가?
• RQ3 다중 척도 LPPLS 피팅에서 유도된 군집화된 임계 시간 $t_c$는 곧 다가올 시장 폭락을 예측하는 데 얼마나 높은 예측력을 가지는가?
• RQ4 검색 빈도 및 사용자 활동과 같은 사회경제적 지표는 비트코인 버블의 발생과 붕괴와 어떻게 상관관계가 있는가?
• RQ5 분석 윈도우가 다양할 때 버블 시작 시점($t_1^*$)의 안정성은 얼마나 높은가? 이는 조기 탐지의 신뢰성을 뒷받침하는가?

주요 결과

• 2012년 1월부터 2018년 2월까지 비트코인 가격 역사에서 3개의 거대 버블과 10개의 소규모 버블을 식별하였으며, 가장 큰 버블은 2017년 12월 중순에 정점에 도달했다.
• 2017년 12월 폭락 직전, LPPLS 신뢰도 지표가 높은 수준(80% 이상)에 도달하여 모델 피팅의 강도와 높은 예측 가능성을 시사했다.
• 2017년 12월 버블의 경우, 예측된 임계 시간 $t_c$에 대한 k-means 군집화 결과 두 개의 주요 군집이 확인되어, 약 10일 이내의 창고 착수 시점이 두 가지의 유력한 폭락 시나리오로 나타났다.
• 2017년 버블의 시작을 높은 안정성으로 탐지하였으며, 다양한 분석 윈도우에서 일관된 $t_1^*$ 추정치로 이를 뒷받침했다.
• 실루엣 지표를 통해 대부분의 버블에 대해 최적의 군집 수로 2~3개를 확인하였으며, 이는 임계 시간 예측의 군집화 접근법의 강건성을 검증하였다.
• 분석 결과 비트코인 가격 역학이 투기적 행동에 의해 강하게 영향을 받으며, 가격 급등, 검색 빈도, 사용자 증가 간 강력한 피드백 루프가 존재함을 확인했다.