Journal of Intelligence and Information Systems (지능정보연구)

Korea Intelligent Information System Society (한국지능정보시스템학회)
권호 표지
DOI QR코드

DOI QR Code

An Empirical Study on the Cryptocurrency Investment Methodology Combining Deep Learning and Short-term Trading Strategies

딥러닝과 단기매매전략을 결합한 암호화폐 투자 방법론 실증 연구

  • Yumin Lee (Department of Business Administration, Pusan National University) ;
  • Minhyuk Lee (Department of Business Administration, Pusan National University)
  • Received : 2023.02.16
  • Accepted : 2023.03.22
  • Published : 2023.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

As the cryptocurrency market continues to grow, it has developed into a new financial market. The need for investment strategy research on the cryptocurrency market is also emerging. This study aims to conduct an empirical analysis on an investment methodology of cryptocurrency that combines short-term trading strategy and deep learning. Daily price data of the Ethereum was collected through the API of Upbit, the Korean cryptocurrency exchange. The investment performance of the experimental model was analyzed by finding the optimal parameters based on past data. The experimental model is a volatility breakout strategy(VBS), a Long Short Term Memory(LSTM) model, moving average cross strategy and a combined model. VBS is a short-term trading strategy that buys when volatility rises significantly on a daily basis and sells at the closing price of the day. LSTM is suitable for time series data among deep learning models, and the predicted closing price obtained through the prediction model was applied to the simple trading rule. The moving average cross strategy determines whether to buy or sell when the moving average crosses. The combined model is a trading rule made by using derived variables of the VBS and LSTM model using AND/OR for the buy conditions. The result shows that combined model is better investment performance than the single model. This study has academic significance in that it goes beyond simple deep learning-based cryptocurrency price prediction and improves investment performance by combining deep learning and short-term trading strategies, and has practical significance in that it shows the applicability in actual investment.

암호화폐시장이 지속해서 성장함에 따라 하나의 새로운 금융시장으로 발전하였다. 이러한 암호화폐시장에 관한 투자전략 연구의 필요성 또한 대두되고 있다. 본 연구에서는 단기매매전략과 딥러닝을 결합한 암호화폐 투자 방법론에 대해 실증분석을 진행하였다. 투자 대상의 암호화폐를 이더리움으로 설정하고, 과거 데이터를 기반으로 최적의 파라미터를 찾아 이를 활용하여 실험 모델의 투자 성과를 분석하였다. 실험 모델은 변동성돌파전략, LSTM(Long Short Term Memory)모델, 이동평균 교차 전략, 그리고 단일 모델들을 결합한 결합 모델이다. 변동성돌파전략은 일 단위로 변동성이 크게 상승할 때 매수하고 당일 종가에 매도하는 단기매매전략이며, LSTM모델은 시계열 데이터에 적합한 딥러닝 모델인 LSTM을 활용하여 얻은 예측 종가를 이용한 매매방법이다. 이동평균 교차 전략은 단기 이동평균선이 교차할 때 매매를 결정하는 방법이다. 결합 모델은 변동성돌파전략의 매수 조건과 변동성돌파전략의 목표 매수가보다 LSTM의 예측 종가가 큰 경우 매수하는 조건이 동시에 만족하면 매수하는 규칙이다. 결합 모델은 변동성돌파전략과 LSTM모델의 파생 변수를 활용해 매수 조건에 AND와 OR를 사용하여 만든 매매 규칙이다. 실험 결과, 단일 모델보다 결합 모델에서 투자 성과가 우수함을 확인하였다. 특히, 데일리 트레이딩과 매수 후 보유의 누적수익률은 -50%이하인 것에 비해 결합 모델은 +11.35%의 높은 누적수익률을 달성하여 하락이 지속되던 투자 기간에도 기술적으로 방어하며 수익을 낼 수 있음을 확인하였다. 본 연구는 기존의 딥러닝기반 암호화폐 가격 예측에서 나아가 변동성이 큰 암호화폐시장에서 딥러닝과 단기매매전략을 결합하여 투자 성과를 개선하였다는 점에서 학술적 의의가 있으며, 실제 투자 시 적용 가능성을 보여주었다는 점에서 실무적 의의가 있다.

Keywords

Acknowledgement

This research was supported by Basic Science Research Program through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (NRF-2021R1I1A3049656)

References

  1. 고동원. (2018). 암호화자산 거래와 제도화 방안. 상사판례연구, 31(4), 291-318. https://doi.org/10.22864/KCCA.2018.31.4.008
  2. 김선웅. (2021). 딥러닝을 이용한 비트코인 투자전략의 성과 분석. 한국융합학회논문지, 12(4), 249-258. https://doi.org/10.15207/JKCS.2021.12.4.249
  3. 김선웅. (2022). 기술적 거래 규칙을 이용한 알트코인 투자의 성과. 한국산학기술학회 논문지, 23(6), 198-207.
  4. 김제완. (2018). 블록체인 기술의 계약법 적용상의 쟁점-'스마트계약 (Smart Contract)'을 중심으로. 법조, 67(1), 150-200. https://doi.org/10.17007/KLAJ.2018.67.1.004
  5. 김효종, 한군희, 신승수. (2021). 이더리움 기반의 이더를 사용한 법원 경매 시스템에 관한 연구. 융합정보논문지, 11(2), 31-40. https://doi.org/10.22156/cs4smb.2021.11.02.031
  6. 남원홍, 길현영. (2021). 이더리움 스마트 컨트랙트 검증을 위한 ATL 모델 체킹. 전기학회논문지, 70(12), 2006-2014.
  7. 류의림, 이기용, 정연돈. (2022). 호가창과 뉴스 헤드라인을 이용한 딥러닝 기반 주가 변동예측 기법. 한국전자거래학회지, 27(1), 63-79. https://doi.org/10.7838/JSEBS.2022.27.1.063
  8. 민병길, 박원익. (2018). 암호화폐의 현황과 현대화폐이론 (MMT) 관점에서의 비판. 경기연구원 기본연구, 1-125.
  9. 양영식, 송인방. (2018). 블록체인 스마트계약의 상용화 대비를 위한 법적 과제. 법학연구, 18(2), 105-130.
  10. 양훈석, 김선웅, 최흥식. (2019). M&W 파동 패턴과 유전자 알고리즘을 이용한 주식 매매 시스템 개발. 지능정보연구, 25(1), 63-83. https://doi.org/10.13088/JIIS.2019.25.1.063
  11. 원종관, 홍태호. (2021). 텍스트 마이닝과 딥러닝을 활용한 암호화폐 가격 예측: 한국과 미국시장 비교. 지식경영연구, 22(2), 1-17. https://doi.org/10.15813/KMR.2021.22.2.001
  12. 윤성욱. (2019). Analyzing Impact of Bitcoin Features to Bitcoin Price via Machine Learning Techniques. 정보과학회 컴퓨팅의 실제 논문지, 25(7), 329-334.
  13. 이기광, 조수지, 민경수, 양철원. (2019). 비트코인 가격의 결정요인: 한국시장에 대한 실증분석. 한국증권학회지, 48(4), 393-415.
  14. 이은우, 이원부. (2022). 심층 신경망을 이용한 변동성돌파전략 기반 주식 매매 방법에 관한 연구. 한국콘텐츠학회논문지, 22(3), 81-93 https://doi.org/10.5392/JKCA.2022.22.03.081
  15. 이준식, 김건우, 박도형. (2018). 비트코인 가격 변화에 관한 실증분석: 소비자, 산업, 그리고 거시변수를 중심으로. 지능정보연구, 24(2), 195-220. https://doi.org/10.13088/JIIS.2018.24.2.195
  16. 임재옥, 김동주. (2018). 암호화폐 시장의 변동성 파급효과에 관한 연구. Journal of The Korean Data Analysis Society, 20(4), 1883-1895. https://doi.org/10.37727/jkdas.2018.20.4.1883
  17. 정현조, 이재환, 서지혜. (2022). LSTM 모델을 이용한 조각투자 상품의 가격 예측: 뮤직카우를 중심으로. 지능정보연구, 28(4), 81-94. https://doi.org/10.13088/JIIS.2022.28.4.081
  18. 조대표, 유대표. (2021). 파이썬을 이용한 비트코인 자동매매 (실시간 자동매매 시스템 개발 입문, 개정판). 파이스탁.
  19. 최수빈, 신동훈, 윤상혁, 김희웅. (2020). 암호화폐가격 예측을 위한 딥러닝 앙상블 모델링 : Deep 4-LSTM Ensemble Model. 한국IT서비스학회지, 19(6), 131-144. https://doi.org/10.9716/KITS.2020.19.6.131
  20. 한정희. (2021). 블록체인 부동산 등기와 스마트계약. 한국정보통신학회논문지, 25(2), 286-293. https://doi.org/10.6109/JKIICE.2021.25.2.286
  21. Aditya Pai, B., Devareddy, L., Hegde, S., & Ramya, B. S. (2022). A time series cryptocurrency price prediction using lstm. In Emerging Research in Computing, Information, Communication and Applications: ERCICA 2020, Volume 2, 653-662.
  22. Alonso-Monsalve, S., Suarez-Cetrulo, A. L., Cervantes, A., & Quintana, D. (2020). Convolution on neural networks for high-frequency trend prediction of cryptocurrency exchange rates using technical indicators. Expert Systems with Applications, 149.
  23. An, C. H. (2022). Prediction Model Estimation and Dynamic Characteristics Analysis of Exchange Rate and KOSDAQ Index. International Journal of Intelligent Systems and Applications in Engineering, 10(1s), 171-177.
  24. Andi, H. K. (2021). An accurate bitcoin price prediction using logistic regression with LSTM machine learning model. Journal of Soft Computing Paradigm, 3(3), 205-217.
  25. Banik, S., Sharma, N., Mangla, M., Mohanty, S. N., & Shitharth, S. (2022). LSTM based decision support system for swing trading in stock market. Knowledge-Based Systems, 239.
  26. Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE transactions on neural networks, 5(2), 157-166. https://doi.org/10.1109/72.279181
  27. Chen, G., Chen, Y., & Fushimi, T. (2017). Application of deep learning to algorithmic trading. Tech. Rep, Retrieved November 29. 2022, from http://cs229.stanford.edu/proj2017/final-reports/5241098.pdf (Downloaded 29 November, 2022)
  28. Chen, Z., Li, C., & Sun, W. (2020). Bitcoin price prediction using machine learning: An approach to sample dimension engineering. Journal of Computational and Applied Mathematics, 365.
  29. Cho, P., & Lee, M. (2022). Forecasting the Volatility of the Stock Index with Deep Learning Using Asymmetric Hurst Exponents. Fractal and Fractional, 6(7), 394.
  30. Li, Y., & Pan, Y. (2022). A novel ensemble deep learning model for stock prediction based on stock prices and news. International Journal of Data Science and Analytics, 1-11.
  31. Lim, D. B., & Lundgren, J. (2019). Algorithmic trading using LSTM-models for intraday stock predictions.
  32. Liu, S., Zhang, C., & Ma, J. (2017). CNN-LSTM neural network model for quantitative strategy analysis in stock markets. In Neural Information Processing: 24th International Conference, ICONIP 2017, Guangzhou, China, November 14-18, 2017, Proceedings, Part II 24. 198-206.
  33. Malsa, N., Vyas, V., & Gautam, J. (2021). RMSE calculation of LSTM models for predicting prices of different cryptocurrencies. International Journal of System Assurance Engineering and Management, 1-9.
  34. McNally, S., Roche, J., & Caton, S. (2018, March). Predicting the price of bitcoin using machine learning. In 2018 26th euromicro international conference on parallel, distributed and network-based processing (PDP). 339-343.
  35. Poongodi, M., Sharma, A., Vijayakumar, V., Bhardwaj, V., Sharma, A. P., Iqbal, R., & Kumar, R. (2020). Prediction of the price of Ethereum blockchain cryptocurrency in an industrial finance system. Computers & Electrical Engineering, 81.
  36. Quiroz-Gutierrez, M. (July 8, 2021). Goldman Sachs: Ethereum could overtake Bitcoin. Fortune. https://fortune.com/2021/07/08/ethereum-bitcoin-goldman-sachs-ether-overtake-btc/
  37. Spilak, B. (2018). Deep neural networks for cryptocurrencies price prediction (Master's thesis, Humboldt-Universitat zu Berlin).
  38. Sung, S. H., Kim, J. M., Park, B. K., & Kim, S. (2022). A Study on Cryptocurrency Log-Return Price Prediction Using Multivariate Time-Series Model. Axioms, 11(9), 448.
  39. Yan, H., & Ouyang, H. (2018). Financial time series prediction based on deep learning. Wireless Personal Communications, 102, 683-700.