[논문 리뷰] Review of deep learning models for crypto price prediction: implementation and evaluation

Jingyang Wu, Xinyi Zhang외 3명|arXiv (Cornell University)|2024. 05. 19.

Currency Recognition and Detection인용 수 10

한 줄 요약

논문은 암호화폐 가격 예측을 위한 딥러닝 모델을 검토하고 LSTM, CNN, Transformer 변형을 평가한 결과, 다변수 입력을 가진 컨볼루션 LSTM이 주요 시나리오에서 가장 정확했다.

ABSTRACT

There has been much interest in accurate cryptocurrency price forecast models by investors and researchers. Deep Learning models are prominent machine learning techniques that have transformed various fields and have shown potential for finance and economics. Although various deep learning models have been explored for cryptocurrency price forecasting, it is not clear which models are suitable due to high market volatility. In this study, we review the literature about deep learning for cryptocurrency price forecasting and evaluate novel deep learning models for cryptocurrency stock price prediction. Our deep learning models include variants of long short-term memory (LSTM) recurrent neural networks, variants of convolutional neural networks (CNNs), and the Transformer model. We evaluate univariate and multivariate approaches for multi-step ahead predicting of cryptocurrencies close-price. We also carry out volatility analysis on the four cryptocurrencies which reveals significant fluctuations in their prices throughout the COVID-19 pandemic. Additionally, we investigate the prediction accuracy of two scenarios identified by different training sets for the models. First, we use the pre-COVID-19 datasets to model cryptocurrency close-price forecasting during the early period of COVID-19. Secondly, we utilise data from the COVID-19 period to predict prices for 2023 to 2024. Our results show that the convolutional LSTM with a multivariate approach provides the best prediction accuracy in two major experimental settings. Our results also indicate that the multivariate deep learning models exhibit better performance in forecasting four different cryptocurrencies when compared to the univariate models.

연구 동기 및 목표

• 암호화폐 가격 예측을 위한 딥러닝 문헌 조사를 수행한다.
• 단변수 및 다변수 딥러닝 모델을 평가하여 다단계 선행 종가 예측을 수행한다.
• 예측 정확도에 대한 훈련 데이터 구간(코로나 이전 vs 코로나 시기) 영향 분석.
• 코로나19 기간 주요 암호화폐의 변동성 특징과 예측에 미치는 영향을 평가한다.

제안 방법

• 암호화폐 가격 예측에 사용되는 기존 딥러닝 접근법(LSTM 변형, CNN 변형, Transformer)을 검토한다.
• 암호화폐의 다단계 종가 예측을 위한 단변수 및 다변수 모델을 구현하고 평가한다.
• 코로나19 기간의 가격 변동성을 특징짓기 위한 변동성 분석을 사용한다.
• 2023–2024년 예측을 위한 두 가지 훈련 집합 시나리오를 비교한다: 코로나 이전 데이터 대 코로나 기간 데이터.
• 다변수 모델에서는 금 가격, 암호화폐 종가/개장/고가, 상관 암호화폐 지수 등의 특징을 포함한다.

실험 결과

연구 질문

• RQ1 어떤 딥 러닝 아키텍처가 암호화폐 가격 예측에서 가장 높은 정확도를 제공하는가?
• RQ2 다변수 모델이 암호화폐 가격 예측에서 단변수 모델보다 우월한가?
• RQ3 코로나 이전 데이터와 코로나 기간 데이터로 학습했을 때 모델 성능은 어떻게 다른가?
• RQ4 변동성과 외부 지표(예: 금 가격)가 예측 정확도 향상에 어떤 역할을 하는가?

주요 결과

• 다변수 입력을 갖는 컨볼루션 LSTM이 두 가지 주요 실험 설정에서 가장 높은 예측 정확도를 보인다.
• 네 가지 암호화폐를 대상으로 예측할 때 다변수 딥러닝 모델이 단변수 모델보다 우수하다.
• 변동성 분석은 코로나19 기간에 상당한 가격 변동을 나타낸다.
• COVID-19 이전 데이터를 활용한 예측 시나리오는 COVID-19 기간 데이터를 활용한 시나리오와 다르며 예측 성능에 영향을 준다.
• 본 연구는 교차 자산 지표를 포함한 다변수 모델이 단변수 접근법보다 정확도를 향상시킬 수 있음을 강조한다.