[논문 리뷰] Predictive analysis of Bitcoin price considering social sentiments

Pratikkumar Prajapati|arXiv (Cornell University)|2020. 01. 16.

Blockchain Technology Applications and Security참고 문헌 9인용 수 13

한 줄 요약

이 연구는 구글 뉴스와 레딧에서의 감성 분석을 역사적 암호화폐 가격과 통합하여 비트코인 가격을 예측하기 위한 딥러닝 접근법을 제안한다. 소셜 미디어 및 금융 데이터에서 유래한 특징을 활용한 LSTM 모델을 사용하여 테스트 RMSE는 434.87을 기록하였으며, 이는 사회적 감성이 가격 예측 정확도를 가격 역사만으로도 달성할 수 있는 수준을 뛰어넘어 크게 향상시킨다는 것을 보여준다.

ABSTRACT

We report on the use of sentiment analysis on news and social media to analyze and predict the price of Bitcoin. Bitcoin is the leading cryptocurrency and has the highest market capitalization among digital currencies. Predicting Bitcoin values may help understand and predict potential market movement and future growth of the technology. Unlike (mostly) repeating phenomena like weather, cryptocurrency values do not follow a repeating pattern and mere past value of Bitcoin does not reveal any secret of future Bitcoin value. Humans follow general sentiments and technical analysis to invest in the market. Hence considering people's sentiment can give a good degree of prediction. We focus on using social sentiment as a feature to predict future Bitcoin value, and in particular, consider Google News and Reddit posts. We find that social sentiment gives a good estimate of how future Bitcoin values may move. We achieve the lowest test RMSE of 434.87 using an LSTM that takes as inputs the historical price of various cryptocurrencies, the sentiment of news articles and the sentiment of Reddit posts.

연구 동기 및 목표

• 소셜 미디어 및 뉴스 감성이 기존 기술적 분석을 초월하여 비트코인 가격 예측을 향상시킬 수 있는지 조사하기.
• 구글 뉴스와 레딧과 같은 다양한 소스의 감성 특징을 역사적 암호화폐 가격 및 거래량 데이터와 통합한 기계학습 모델을 개발하기.
• LSTM, GRU, CNN과 같은 다양한 딥러닝 아키텍처가 통합된 데이터셋에서의 예측 성능을 평가하기.
• 다양한 감성 소스(구글 뉴스 대비 레딧)가 예측 정확도에 기여하는 비율을 규명하기.

제안 방법

• 2018년 1월 1일부터 2019년 11월 20일까지 암호화폐 거래소에서의 비트코인, 리플린, 이더리움의 시간대별 가격 및 거래량 데이터를 수집하였다.
• HTTP 요청과 'newspaper' 라이브러리를 사용한 커스텀 파이썬 스크립트를 통해 일일 구글 뉴스 기사들을 크롤링하여 전체 기사 텍스트를 추출하였다.
• 웹 스크래핑을 활용해 레딧 게시물 데이터를 확보하였으며, 공개 가능한 스레드와 댓글에 집중하였다.
• VADER, TextBlob, Flair에서 사전 훈련된 모델을 사용하여 뉴스 및 레딧 텍스트의 감성 분석을 수행하였으며, 극성 및 주관성 점수를 추출하였다.
• 감성 점수를 역사적 가격 및 거래량 특징과 융합하여 모델 훈련을 위한 통합 데이터셋을 구성하였다.
• RMSE와 MAE를 최적화하기 위해 봉우리 윈도우를 60 또는 120개 시간 단위로 설정한 상태에서 LSTM, GRU, CNN 등의 다양한 딥러닝 모델을 훈련 및 평가하였다.

실험 결과

연구 질문

• RQ1 소셜 미디어 및 뉴스 감성이 가격 역사만을 사용하는 모델과 비교해 비트코인 가격 예측 정확도를 향상시킬 수 있는가?
• RQ2 구글 뉴스와 레딧 중 어느 감성 소스가 비트코인 가격 움직임에 더 강력한 예측 신호를 제공하는가?
• RQ3 LSTM, GRU, CNN과 같은 다양한 딥러닝 아키텍처가 감성 및 가격 특징을 통합했을 때 성능은 어떻게 나타나는가?
• RQ4 다양한 소스의 감성을 통합하면 개별 소스를 사용할 때보다 더 높은 예측 성능을 달성할 수 있는가?

주요 결과

• 비트코인, 리플린, 이더리움의 가격 및 거래량 데이터와 함께 구글 뉴스 및 레딧에서의 감성 정보를 모두 포함한 LSTM 모델이 가장 낮은 테스트 RMSE 434.87을 기록하였다.
• 실험 #8(레딧 감성 및 가격 데이터만 사용)는 실험 #7(구글 뉴스 및 가격 데이터 사용)를 초월하여 성능이 뛰어나, 레딧 감성이 구글 뉴스 감성보다 더 예측력이 높다는 것을 시사한다.
• 감성 특징을 전혀 사용하지 않은 실험 #5도 낮은 테스트 RMSE 789.86을 기록하였으며, 이는 역사적 가격 데이터만으로도 강력한 예측 능력을 지닌다는 것을 시사하지만, 감성 정보 역시 여전히 추가 가치를 제공한다는 점을 확인한다.
• 모든 감성 특징을 사용했지만 다른 모델 구성 방식을 적용한 실험 #17은 가장 높은 테스트 RMSE 2615.3을 기록하여, 특징 및 모델 선택이 성능에 결정적인 영향을 미친다는 점을 입증한다.
• 시각적 분석을 통해 최고 성능을 낸 모델(실험 #4)이 실제 비트코인 가격 추세를 잘 따르는 반면, 최악의 성능을 낸 모델(실험 #17)은 심한 이탈을 보였다.
• 연구 결과, 특히 극성 및 주관성 측면에서 레딧의 감성이 구글 뉴스의 감성보다 비트코인 가격 움직임과 더 강하게 상관관계가 있음을 확인하였다.