[论文解读] A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction

Xiao Li, Weili Wu|arXiv (Cornell University)|Aug 21, 2020

Blockchain Technology Applications and Security被引用 5

一句话总结

本文提出了一种新颖的机器学习方法，用于比特币价格预测，通过k阶交易图从区块链中自动提取交易模式，并将这些模式编码为回归模型的特征。该方法优于最先进水平，在interval1上实现1.69%的MAPE，在interval2上实现1.751%的MAPE，通过利用多时间 horizon 的历史模式，展现出更高的预测精度。

ABSTRACT

Bitcoin, as one of the most popular cryptocurrency, is recently attracting much attention of investors. Bitcoin price prediction task is consequently a rising academic topic for providing valuable insights and suggestions. Existing bitcoin prediction works mostly base on trivial feature engineering, that manually designs features or factors from multiple areas, including Bticoin Blockchain information, finance and social media sentiments. The feature engineering not only requires much human effort, but the effectiveness of the intuitively designed features can not be guaranteed. In this paper, we aim to mining the abundant patterns encoded in bitcoin transactions, and propose k-order transaction graph to reveal patterns under different scope. We propose the transaction graph based feature to automatically encode the patterns. A novel prediction method is proposed to accept the features and make price prediction, which can take advantage from particular patterns from different history period. The results of comparison experiments demonstrate that the proposed method outperforms the most recent state-of-art methods.

研究动机与目标

• 通过从区块链交易中自动挖掘潜在模式，解决比特币价格预测中手动特征工程的局限性。
• 利用k阶交易子图对不同时间跨度的交易行为进行建模，以捕捉不断演变的市场动态。
• 通过整合来自多个历史时期派生的特征，提升预测精度。
• 证明嵌入在区块链中的模式比外部来源的特征（如情绪分析、金融指标）在价格预测中更具有效性。
• 建立一种可扩展的、数学基础坚实的特征提取框架，适用于不同时间窗口的泛化。

提出的方法

• 提出k阶交易子图，以不同粒度表示交易模式，捕捉交易中地址之间的结构关系。
• 定义模式出现矩阵，对区块链中k阶子图模式的频率进行定量编码。
• 通过迭代计算高效生成模式出现矩阵，实现可扩展的特征生成。
• 采用支持向量机（SVM）模型作为基线预测引擎，基于图特征进行训练。
• 整合在不同历史窗口大小上训练的多个模型的预测结果，以提升鲁棒性与准确性。
• 采用滑动窗口方法，历史窗口大小r可调，以在时间上下文与计算成本之间取得平衡。

实验结果

研究问题

• RQ1 能否有效利用编码在比特币区块链中的交易模式来预测价格走势，而无需依赖外部数据源？
• RQ2 k阶交易子图如何捕捉反映市场情绪与行为的有意义结构模式？
• RQ3 与单窗口模型相比，整合来自多个历史时间窗口的特征是否能提升预测精度？
• RQ4 该方法在不同市场条件下（如2017年高波动性 vs. 2016年低波动性时期）的表现如何变化？
• RQ5 在预测精度与计算效率之间取得平衡时，最优历史窗口大小是多少？

主要发现

• 所提方法在interval1上实现1.69%的MAPE，在interval2上实现1.751%的MAPE，优于最先进方法（分别为1.91%与1.81%）。
• 集成模型（结合多个历史窗口的预测）达到最低误差，证明多时间 horizon 特征学习的优势。
• 预测精度随预测时间跨度增加而下降，MAPE随未来时间距离增加而上升，与市场波动性一致。
• 2017年市场的误差增长率高于2016年，反映出更高的价格波动性与更大的预测难度。
• 使用超过一个历史窗口（如h=1与h=2）显著提升性能，当窗口大小≥2时结果趋于稳定。
• 该方法在2016年最优窗口大小为r=0.98，在2017年为r=0.92，表明窗口选择对市场动态具有敏感性。