Core Concepts
주문 흐름 정보를 이미지로 변환하여 단기 변동성을 예측하는 방법을 제안하고, 다양한 모델을 통해 성능을 평가하였다.
Abstract
이 논문은 비트코인 가격의 단기 실현 변동성을 예측하는 문제를 다룹니다. 가격의 고유한 확률적 특성과 반대 경향성으로 인해 정확한 예측이 어려운 문제입니다.
이를 해결하기 위해 저자들은 고정 시간 간격의 주문 흐름 데이터를 이미지로 변환하는 방법을 제안했습니다. 주문 크기, 주문 방향, 주문 장부 정보를 이미지의 색상 채널에 매핑하였습니다. 이렇게 생성된 이미지를 사용하여 간단한 3층 합성곱 신경망(CNN)과 더 복잡한 ResNet-18, ConvMixer 모델을 학습시켰습니다. 또한 수작업으로 추출한 특징을 추가로 사용하였습니다.
실험 결과, 제안한 주문 흐름 표현과 CNN 모델을 사용한 경우가 가장 좋은 성능을 보였습니다. 추가 특징을 사용한 모델의 RMSPE(Root Mean Square Percentage Error)는 0.85 ± 1.1이었고, 특징 없이 사용한 모델의 RMSPE는 1.0 ± 1.4였습니다. 특징을 사용한 ConvMixer 모델도 이와 유사한 성능을 보였습니다. 반면 단순 추측 방법의 RMSPE는 1.4 ± 3.0이었습니다.
저자들은 또한 모델의 해석 가능성을 보여주었습니다. 마지막 활성화 층의 임베딩 벡터를 t-SNE로 시각화하여, 모델이 변동성이 높은 상승 및 하락 추세 패턴을 학습했음을 확인했습니다.
Stats
변동성이 높은 시장 상황에서는 미래 변동성이 높을 것으로 예측된다.
변동성이 낮은 측면 움직임의 경우 미래 변동성이 낮을 것으로 예측된다.
Quotes
"주문 흐름 정보를 이미지로 변환하여 단기 변동성을 예측하는 방법을 제안하고, 다양한 모델을 통해 성능을 평가하였다."
"제안한 주문 흐름 표현과 CNN 모델을 사용한 경우가 가장 좋은 성능을 보였다."