가상자산 시계열 데이터의 분석과 예측 - 시계열 모델 및 인공지능 모델의 비교 및 개선점 제시

Analysis and Prediction of Crypto Currency Time Series Data : Comparison of time series models and artificial intelligence models and suggestions for improvement

비트코인, 이더리움 등의 가상자산은 주식, 채권, 옵션 등 기존의 투자 자산과 달리 가격 산정의 근거가 되는 기초자산이 존재하지 않는다. 따라서 자본자산가격 결정 모델(CAPM)이나 배당할인(DCF) 모형 등의 가격 결정 매커니즘 분석을 사용하기 어렵다. 따라서 본 연구에서는펜데믹 기간을 포함해서 2019년부터 현재까지 가상자산 시계열 데이터를 이용해 과거 정보의의존경향을 반영하는 LSTM, 페이스북(메타)에서 개발한 구조적 상태 변화를 포착하는데 사용되는 Prophet, 시계열 데이터의 구조적인 변화를 모델링하는데 사용되는 HMM(Hidden Markov Model)을 선정했다. 또한 각 분석 기간을 구분하기 위해서 팬데믹 선언 시점, 미국연준(FRB)의 기준금리 결정 등의 요인을 고려했다. 이를 통해 각 모델의 성능을 평가하고, 기존 시계열 모델인 ARIMA와 비교를 통해 개선점과 한계점을 도출했다. 분석 결과, 신경망 모형을 사용한 인공지능 모델인 RNN, LSTM이 ARIMA 모형에 비해 높은 정확도를 보였다. 이러한 결과는 시계열 데이터의 시간적 의존성, 장기 의존성, 비선형 등의 특징을 잘 반영하기때문에 예측 정확도가 높은 것으로 보인다. 다만. 분석 기간 동안 코로나19로 인한 팬데믹 선언, 미국의 급격한 기준금리 인상 및 비트코인을 비롯한 가상화폐의 저변 확대 등 환경적 요인이 존재한다. 따라서 보다 정확한 모델의 성과 평가를 위하서는 이러한 환경적인 요인이 시계열 및 인공지능 모델에 어떻게 작용하지 분석이 필요하다.

This study examines various artificial intelligence models’ effectiveness in predicting virtual asset prices such as Bitcoin and Ethereum, which, unlike traditional assets, lack a tangible basis for valuation. Given the absence of a reliable pricing mechanism like CAPM or DCF models for virtual assets, the research leverages time series data since 2019, incorporating the pandemic period. It employs models such as LSTM, which accounts for past information dependencies; Prophet, developed by Facebook (Meta) for detecting structural changes; and HMM for modeling data structural shifts. These models were tested against ARIMA, considering factors including pandemic timelines and U.S. Federal Reserve rate decisions. Results showed that the neural network-based models, RNN and LSTM, outperformed ARIMA, attributed to their superior handling of time series data characteristics. However, further investigations into the impact of external factors like pandemic declarations and interest rate changes on model accuracy and virtual asset price prediction are needed.