[论文解读] C2P2: A Collective Cryptocurrency Up/Down Price Prediction Engine

Chongyang Bai, Tommy E. White+3 more|arXiv (Cornell University)|Jun 3, 2019

Blockchain Technology Applications and Security参考文献 21被引用 4

一句话总结

C2P2 提出了一种集体加密货币价格预测模型，通过利用加密货币之间的相似性及迭代集体分类，联合预测21种主要加密货币的涨跌走势。该模型在AUC指标上相较于先前方法提升了5.1%至83%，且提升效果具有统计显著性，尤其通过基于相似性的特征融合实现显著改进。

ABSTRACT

We study the problem of predicting whether the price of the 21 most popular cryptocurrencies (according to coinmarketcap.com) will go up or down on day d, using data up to day d-1. Our C2P2 algorithm is the first algorithm to consider the fact that the price of a cryptocurrency c might depend not only on historical prices, sentiments, global stock indices, but also on the prices and predicted prices of other cryptocurrencies. C2P2 therefore does not predict cryptocurrency prices one coin at a time --- rather it uses similarity metrics in conjunction with collective classification to compare multiple cryptocurrency features to jointly predict the cryptocurrency prices for all 21 coins considered. We show that our C2P2 algorithm beats out a recent competing 2017 paper by margins varying from 5.1-83% and another Bitcoin-specific prediction paper from 2018 by 16%. In both cases, C2P2 is the winner on all cryptocurrencies considered. Moreover, we experimentally show that the use of similarity metrics within our C2P2 algorithm leads to a direct improvement for 20 out of 21 cryptocurrencies ranging from 0.4% to 17.8%. Without the similarity component, C2P2 still beats competitors on 20 out of 21 cryptocurrencies considered. We show that all these results are statistically significant via a Student's t-test with p<1e-5. Check our demo at https://www.cs.dartmouth.edu/dsail/demos/c2p2

研究动机与目标

• 为解决单变量加密货币价格预测的局限性，通过建模多种加密货币之间的相互依赖关系。
• 通过整合跨代币相似性与集体分类，提升涨跌价格走势预测的准确性。
• 评估不同类型的特征（如Reddit情绪、股票指数和时滞特征）对预测性能的影响。
• 证明结合迭代优化与相似性特征的集体建模方法能显著提升预测的鲁棒性与准确性。
• 提供一个经过统计验证、可实际应用的框架，用于预测主要加密货币的每日价格方向。

提出的方法

• C2P2采用集体分类框架，同时联合预测全部21种加密货币的价格走势（上涨/下跌），而非独立预测每一种。
• 通过计算所有加密货币对之间五类相似性度量，来建模其相互依赖关系与共享动态。
• 该算法采用迭代预测流程：初始的初步预测在后续轮次中，通过其他代币的预测结果作为输入特征进行优化。
• 引入时滞特征以捕捉价格、情绪和市场指标中的时间依赖性。
• 针对每种代币，通过实验调优组合特征选择、最优时滞以及分类算法（如XGBoost、随机森林）。
• 使用Reddit情绪数据和全球金融指标（如股票指数、黄金、原油、债券）作为输入特征，以反映市场情绪与宏观经济影响。

实验结果

研究问题

• RQ1 与单变量模型相比，建模多种加密货币之间的相互依赖关系是否能提升涨跌价格走势预测的准确性？
• RQ2 加密货币特征向量之间的相似性度量在集体分类中在多大程度上提升了预测性能？
• RQ3 利用其他代币的初步预测结果进行迭代优化，对最终预测准确性有何影响？
• RQ4 不同特征类型（如情绪、市场指数和价格历史）对预测性能的相对贡献如何？
• RQ5 相似性特征的引入是否在多种加密货币中均带来统计上显著的性能提升？

主要发现

• C2P2在全部21种加密货币上相较2017年近期的竞赛基线模型，AUC提升5.1%至83%，且所有提升均具有统计显著性（p < 10⁻⁵）。
• C2P2在AUC上相较2018年针对比特币的专用预测模型提升16%，且所有结果均具有统计显著性。
• 相似性特征的引入使20种加密货币的AUC提升0.4%至17.8%，且所有提升均具有统计显著性。
• 即使不使用相似性特征，C2P2在20种加密货币上仍优于竞争对手，证明其具有强鲁棒性。
• 消融研究证实，相似性特征是性能提升的关键因素，其移除会导致预测准确率显著下降。
• 滚动窗口评估策略（用于模拟真实世界部署）验证了该模型具备出色的泛化能力与时间稳定性。