Info

Deep learning in predicting cryptocurrency volatility

• 원고 접수일: 2020년 12월 23일
• 수정본 접수일: 2021년 8월 10일
• 게재일: 2022년 3월 2일

Abstract

암호화폐 변동성을 예측하는 것에 초점

• RNN 보다 예측력이 좋은 Jordan NN을 사용
• BTC, ETH, XRP Data 사용

Introduction

Related Study

• GARCH Model을 사용한 변동성 예측 많은 연구 진행
• 2013년 비트코인 가격 폭락에서의 수익률과 변동성 간의 관계 [15]
• Predicting the Volatility of Cryptocurrency Time-Series [18]
• Asymmetric volatility in Crypto Market [20] (상승장 / 하락장)

GARCH

ARCH 모형의 파생 모델로 어떤 시계열의 평균보다 분산은 예측에 초점

ML

• BTC Price Prediction Using Blockchain Data [39, 40] (Onchain data)

• Generalized Linear Models (GLM), Random Forest, SVM, Bayesian Neural Network, ARIMA, LSTM, seq2seq, Gradient Boosting Decision Trees

• Section 2 : 암호화폐 변동성을 설명하는데 사용된 구현된 모델 설명

• Section 3 : 암호화폐 시장의 변동성에 대한 조사와 사용된 모델들의 성능 비교

• Section 4 : 모델 평가

Section 2

Non-Linear-Autoregressive Neural Network

• 이전 N개의 변동성을 Input으로 Multilayer을 통해 향후의 변동성 예측

Jordan Neural Network (RNN)

Vanila RNN

• 기존 RNN 모델

• 기존 RNN에 이전 값을 input으로 받은 것이 차이점

Self Exciting Threshold Autoregressive (SETAR)

• AR model

Section 3

Volatility Measurement in Paper

• ABS(ln(High) - ln(Low))
• Price Std (Bollinger Band)
• Price IQR (Candle Size)

Other Volatility Measurement

변동성을 어떻게 정의하느냐에 따라 Time Series의 모습이 다르게 나타남

Parkinson 변동성 (V_P)

기하 브라운 운동을 가정 (BB)
Drift(가격 변화의 지속적인 추세)가 없다고(0 이라고) 가정

$V_P = \frac{1}{4\ln(2)} \cdot \ln\left(\frac{H_t}{L_t}\right)^2$

Garman-Klass 변동성 (V_GK)

Drift(가격 변화의 지속적인 추세)가 없다고(0 이라고) 가정
Open Close 사용하므로, Parkinson 보다 효율적

$V_{GK} = \frac{1}{2}\ln\left(\frac{H_t}{L_t}\right)^2 - (2\ln(2) - 1)\ln\left(\frac{C_t}{O_t}\right)^2$

위 두 변동성은 Drift가 0이 아닌 경우 비효율적

Rogers-Satchell 변동성 (V_RS):

변동성이 non-zero-mean 인 경우 적합

$V_{RS} = \frac{1}{n} \sum_{t=1}^{n} \left[ (H_t - C_t)(H_t - O_t) + (L_t - C_t)(L_t - O_t) \right]$

Yang-Zhang 변동성 (V_YZ):

기하 브라운 운동 & Drift 0
Opening Jump (갭상승) 측정 가능
Drift에 대해 독립
Open Close 변동,
V_RS에 대해 가중치 k

$V_{YZ} = (V_O) + k \cdot V_C + (1 - k) \cdot V_{RS}$

Section 4

DATA

2013.4.28 ~ 2019.12.15 까지의 BTC, ETH, XRP Daily Price Data

• Train set 85% (2013.4.28 ~ 2018.12.17)
• Test set 15% (2018.12.18 ~ 2019.12.15)
• Target : V = ln(High) - ln(Low)

Model Set

• R
• packages: tsDyn for NLANN and SETAR mode
• RSNNS for JNN

SETAR, NNLAN

• tsDyn 라이브러리 사용해 모든 hyper-parameter 최적화
• AIC criterion(모델이 데이터에 fit한 정도)를 최대화하는 값으로 Tune

JNN

• parameter 1,2 : 이전 시간의 값들을(예측값, 실제값) 어느 범위 값으로 랜덤하게 설정하여 현재 노드의 Input으로 반영할 것인지
• parameter 3,4 : hidden layer와 out layer의 각각 weight
• parameter 5 : 이전의 volatility를 y(t)에 어느 정도 반영할 것인지

(1, -1, 0.3, 1, 0.5)로 설정

Validation

• 데이터 부족으로 인해 b = 10,000 / 369 days Bootstrap (복원추출)
• Metric : MSE, MAPE

Mean Squared Error (MSE):

Mean Absolute Percentage Error (MAPE):

Result

RMSPE

JNN : 0.023
NLANN : 0.0916
SETAR : 0.095

ETH & XRP

• JNN이 다른 모델에 비해 시계열의 persistence (현재의 값이 과거의 값에 강하게 영향 받는 정도)가 큼

Sub volatility

Conclude

• RNN > NLANN > classical statistical model
• 시계열의 흐름을 읽는 것이 중요

Thought

• 제시한 Graph들로만은 time series lagging 이 발생했는지 확인 어려움.
• Candle Size가 Daily이고, OHLC Feature만 사용한 점이 아쉽지만, 의외로 결과 값이 잘 나오는 것이 주목할 만함.
• 기존 방식에서 Neural Network 방법론으로의 전환이 필요하다 생각