[논문 리뷰] Predicting digital asset market based on blockchain activity data

Zvezdin Besarabov, Todor Kolev|arXiv (Cornell University)|2018. 10. 15.

Blockchain Technology Applications and Security인용 수 4

한 줄 요약

이 논문은 디지털 자산 가격 예측을 위해 이더리움 계정 분포 히스토GRAM 및 거래 트레이스와 같은 블록체인 활동 데이터를 활용하는 딥러닝 프레임워크를 제안한다. 블록체인 데이터를 공간 이미지로 모델링하고 컨볼루션 신경망을 적용함으로써, 거래량을 사용하는 표준 LSTM 모델 대비 예측 오차를 4배 감소시키며, 2D/3D 히스토GRAM 표현을 사용함으로써 추가로 26%의 오차 감소를 달성한다.

ABSTRACT

Blockchain technology shows significant results and huge potential for serving as an interweaving fabric that goes through every industry and market, allowing decentralized and secure value exchange, thus connecting our civilization like never before. The standard approach for asset value predictions is based on market analysis with an LSTM neural network. Blockchain technologies, however, give us access to vast amounts of public data, such as the executed transactions and the account balance distribution. We explore whether analyzing this data with modern Deep Leaning techniques results in higher accuracies than the standard approach. During a series of experiments on the Ethereum blockchain, we achieved $4$ times error reduction with blockchain data than an LSTM approach with trade volume data. By utilizing blockchain account distribution histograms, spatial dataset modeling, and a Convolutional architecture, the error was reduced further by 26\%. The proposed methodologies are implemented in an open source cryptocurrency prediction framework, allowing them to be used in other analysis contexts.

연구 동기 및 목표

• 블록체인 유래 데이터가 기존의 시장 지표를 초월하여 디지털 자산 가격 예측을 향상시킬 수 있는지 조사하기 위해.
• 계정 잔액 분포 히스토GRAM과 같은 블록체인 데이터의 공간적 표현 방식의 예측 능력을 탐색하기 위해.
• 특히 컨볼루션 네트워크를 포함한 새로운 데이터 표현 방식에 대해 딥러닝 아키텍처를 개발하고 평가하기 위해.
• 블록체인 및 시장 데이터를 활용한 암호화자산 예측을 위한 재사용 가능하고 오픈소스 프레임워크를 구축하기 위해.
• 블록체인 데이터와 고급 딥러닝 기법을 융합하여 예측 오차를 크게 감소시키기 위해.

제안 방법

• 고유한 데이터 파이프라인을 사용하여 이더리움 블록체인의 원시 데이터, 즉 거래 기록, 계정 잔액, 컨트랙트 트레이스를 수집하였다.
• 계정 잔액 분포를 1D, 2D, 3D 히스토GRAM으로 변환하여 블록체인 상태를 공간 데이터로 표현하였다.
• 이러한 히스토GRAM 표현의 시간적 시퀀스를 이미지 유사 입력으로 간주하고 컨볼루션 신경망(CNN) 아키텍처를 적용하여 분석하였다.
• 거래량을 사용하는 LSTM과 히스토GRAM 데이터를 사용하는 CNN을 포함한 여러 딥러닝 모델을 학습하고 비교하여 가격 예측을 수행하였다.
• 데이터 수신, 특징 공학, 모델 학습, 평가를 표준화하기 위해 고유한 오픈소스 프레임워크를 사용하였다.
• 초기화 조정 및 평가를 위해 평균 절대 오차(MAE)를 주요 지표로 사용하여 모델 성능을 최적화하였다.

실험 결과

연구 질문

• RQ1 기존의 시장 기반 모델 대비 블록체인 활동 데이터가 디지털 자산 가격 예측 정확도를 향상시킬 수 있는가?
• RQ2 예를 들어 2D/3D 계정 분포 히스토GRAM과 같은 블록체인 데이터의 공간적 표현은 딥러닝 기반 가격 예측에 얼마나 효과적인가?
• RQ3 거래량 데이터에 대한 순환 네트워크 대비 히스토GRAM 데이터에 대한 컨볼루션 신경망의 성능 향상은 어떠한가?
• RQ4 블록체인 데이터를 활용한 재현 가능하고 확장 가능한 암호화자산 예측을 가능하게 하는 통합 오픈소스 프레임워크를 구축할 수 있는가?
• RQ5 신경망 아키텍처 탐색(NAS)이 블록체인 데이터에 최적화된 딥러닝 모델 아키텍처를 자동으로 발견하는 데 얼마나 기여할 수 있는가?

주요 결과

• 2D 계정 분포 히스토GRAM을 사용하는 제안된 CNN 기반 모델은 단지 거래량 데이터만 사용하는 LSTM 모델 대비 예측 오차를 4배 감소시켰다.
• 2D 및 3D 히스토GRAM 표현을 컨볼루션 아키텍처와 조합함으로써 추가로 26%의 오차 감소를 달성하였다.
• 2D 히스토GRAM의 시간 순서 시퀀스를 시각적으로 점검한 결과, 주요 시장 움직임 이전에 명확하고 반복적인 패턴이 존재하는 것으로 확인되었다.
• 프레임워크는 1000GB 이상의 블록체인 데이터를 성공적으로 처리하여 딥러닝 모델의 대규모 학습 및 평가를 가능케 하였다.
• 학습된 모델 가중치와 학습 이력을 포함한 오픈소스 예측 프레임워크는 공개적으로 제공되며, https://github.com/Zvezdin/blockchain-predictor 에서 접근할 수 있다.
• 저자들은 신경망 아키텍처 탐색(NAS)이 블록체인 데이터에 최적화된 최적의 모델 아키텍처를 자동으로 발견하는 데 유망한 길로 간주한다.