[论文解读] Predicting digital asset market based on blockchain activity data

Zvezdin Besarabov, Todor Kolev|arXiv (Cornell University)|Oct 15, 2018

Blockchain Technology Applications and Security被引用 4

一句话总结

本论文提出了一种深度学习框架，利用区块链活动数据——特别是以太坊账户分布直方图和交易追踪——来预测数字资产价格。通过将区块链数据建模为空间图像并应用卷积神经网络，该方法相比仅使用交易量的LSTM模型将预测误差降低了4倍，且通过使用二维/三维直方图表示，额外实现了26%的误差降低。

ABSTRACT

Blockchain technology shows significant results and huge potential for serving as an interweaving fabric that goes through every industry and market, allowing decentralized and secure value exchange, thus connecting our civilization like never before. The standard approach for asset value predictions is based on market analysis with an LSTM neural network. Blockchain technologies, however, give us access to vast amounts of public data, such as the executed transactions and the account balance distribution. We explore whether analyzing this data with modern Deep Leaning techniques results in higher accuracies than the standard approach. During a series of experiments on the Ethereum blockchain, we achieved $4$ times error reduction with blockchain data than an LSTM approach with trade volume data. By utilizing blockchain account distribution histograms, spatial dataset modeling, and a Convolutional architecture, the error was reduced further by 26\%. The proposed methodologies are implemented in an open source cryptocurrency prediction framework, allowing them to be used in other analysis contexts.

研究动机与目标

• 探究区块链衍生数据是否能超越传统市场指标，提升数字资产价格预测的准确性。
• 探索区块链数据的空间表示形式（如账户余额分布直方图）的预测能力。
• 在这些新型数据表示上，开发并评估深度学习架构（尤其是卷积网络）。
• 构建一个可重用的开源框架，用于结合区块链和市场数据进行加密货币价格预测。
• 通过结合区块链数据与先进深度学习技术，显著降低预测误差。

提出的方法

• 使用自定义数据管道收集原始以太坊区块链数据，包括交易记录、账户余额和合约追踪。
• 将账户余额分布转换为一维、二维和三维直方图，以将区块链状态表示为空间数据。
• 应用卷积神经网络（CNN）架构，将这些直方图表示的时间序列作为类似图像的输入进行分析。
• 训练并比较多种深度学习模型，包括使用交易量的LSTM和使用直方图数据的CNN，用于价格预测。
• 使用自定义开源框架标准化数据摄入、特征工程、模型训练和评估流程。
• 通过超参数调优优化模型性能，并以平均绝对误差（MAE）为主要指标评估结果。

实验结果

研究问题

• RQ1 与基于传统市场指标的模型相比，区块链活动数据能否提升数字资产价格预测的准确性？
• RQ2 区块链数据的空间表示形式（如二维/三维账户分布直方图）在基于深度学习的价格预测中效果如何？
• RQ3 与使用交易量数据的循环网络相比，使用直方图数据的卷积神经网络在性能上有多大提升？
• RQ4 能否构建一个统一的开源框架，以实现基于区块链数据的可复现且可扩展的加密货币预测？
• RQ5 神经架构搜索（NAS）在多大程度上可以自动化优化用于区块链数据的深度学习模型？

主要发现

• 基于CNN的模型使用二维账户分布直方图，相比仅使用交易量数据的LSTM模型，将预测误差降低了4倍。
• 通过将二维和三维直方图表示与卷积架构结合，进一步实现了26%的误差降低。
• 对二维直方图时间序列的视觉检查揭示了在重大市场波动前出现的清晰且重复的模式。
• 该框架成功处理了超过1000GB的区块链数据，支持大规模深度学习模型的训练与评估。
• 开源预测框架（包括训练好的模型权重和训练历史）已公开发布于 https://github.com/Zvezdin/blockchain-predictor。
• 作者指出，神经架构搜索（NAS）是未来自动化发现适用于区块链数据的最优模型架构的有前景路径。