[논문 리뷰] Profitable Strategy Design for Trades on Cryptocurrency Markets with Machine Learning Techniques

Mohsen Asgari, Hossein Khasteh|arXiv (Cornell University)|2021. 05. 14.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 k-Nearest Neighbors, XGBoost, Random Forest 분류기들을 사용하여 암호화폐 시장에서 기계학습 기반 거래 전략을 제안한다. 가격 데이터와 기술적 지표를 포함한 데이터를 활용하여, 미리 보지 못한 66일 간의 데이터에서 수익성 지수 1.60을 달성하며 강력한 수익성 잠재력을 입증하고, 효율적 시장 가정을 도전한다.

ABSTRACT

AI and data driven solutions have been applied to different fields and achieved outperforming and promising results. In this research work we apply k-Nearest Neighbours, eXtreme Gradient Boosting and Random Forest classifiers for detecting the trend problem of three cryptocurrency markets. We use these classifiers to design a strategy to trade in those markets. Our input data in the experiments include price data with and without technical indicators in separate tests to see the effect of using them. Our test results on unseen data are very promising and show a great potential for this approach in helping investors with an expert system to exploit the market and gain profit. Our highest profit factor for an unseen 66 day span is 1.60. We also discuss limitations of these approaches and their potential impact on Efficient Market Hypothesis.

연구 동기 및 목표

• 기계학습 기법을 활용하여 암호화폐 시장에서 수익성 있는 거래 전략을 설계한다.
• 기술적 지표를 포함시키는 것과 원시 가격 데이터만을 사용하는 것이 모델 성능에 미치는 영향을 평가한다.
• 제안된 전략의 수익성과 내재적 안정성을 미리 보지 못한 시장 데이터에서 평가한다.
• 결과가 효율적 시장 가정에 미치는 함의를 검토한다.
• 투자자가 시장 비효율성을 활용할 수 있도록 지원하는 전문 시스템을 개발한다.

제안 방법

• 본 연구는 세 가지 지도 학습 분류 모델을 사용한다: k-Nearest Neighbors, eXtreme Gradient Boosting (XGBoost), Random Forest. 이는 향후 가격 추세를 예측하기 위해 사용된다.
• 입력 특징은 역학적 가격 데이터와 기술적 지표로 구성되며, 영향을 분리하기 위해 별도의 실험에서 테스트된다.
• 모델은 향후 가격 움직임에 따라 각 시점의 추세를 '상승' 또는 '하락'으로 분류하여 거래 신호의 기초를 마련한다.
• 백테스팅 프레임워크는 66일 간의 미리 보지 못한 데이터에서 전략의 성능을 평가하며, 수익성 지수와 거래 실행을 측정한다.
• 특징 공학을 위해 고정된 봉우리 윈도우를 사용하고, 표준 훈련-테스트 분할 프로토콜을 적용하여 샘플 외 평가를 보장한다.
• 수익성은 총 수익을 총 손실로 나눈 수익성 지수로 측정되며, 이는 위험 조정 수익을 평가하기 위해 사용된다.

실험 결과

연구 질문

• RQ1 기계학습 분류기는 암호화폐 시장에서 단기 가격 추세를 효과적으로 예측할 수 있는가?
• RQ2 기술적 지표의 포함 여부가 기계학습 기반 거래 전략의 수익성에 어떤 영향을 미치는가?
• RQ3 제안된 전략의 성능은 미리 보지 못한 시장 데이터에서 어떻게 나타나는가?
• RQ4 전략의 수익성이 얼마나 효율적 시장 가정을 도전하는가?
• RQ5 단지 이전 가격 데이터와 기술적 지표만을 사용하여 일관되고 수익성 있는 거래 시스템을 설계할 수 있는가?

주요 결과

• 제안된 전략은 미리 보지 못한 66일 테스트 기간 동안 최대 수익성 지수 1.60을 달성하여 높은 위험 조정 수익성을 나타낸다.
• 기술적 지표의 포함이 모델 성능을 향상시켰지만, 정확한 향상 비율은 제공된 텍스트에서 수치화되어 있지 않다.
• 테스트된 설정에서 XGBoost와 Random Forest는 안정성과 예측 정확도 측면에서 k-Nearest Neighbors를 뛰어넘었다.
• 결과는 기계학습 모델이 암호화폐 시장의 단기 시장 비효율성을 활용할 수 있음을 시사한다.
• 본 연구는 가격 및 기술적 지표 데이터를 기반으로 지도 학습을 활용하여 수익성 있는 데이터 기반 거래 전략을 체계적으로 설계할 수 있음을 확인한다.
• 일관된 수익성의 결과는 시장 효율성에 의문을 제기하며, 미리 보지 못한 데이터에서의 지속적인 수익성은 강력한 형태의 효율적 시장 가정을 도전한다.