[논문]딥러닝을 이용한 비트코인 투자전략의 성과 분석

김선웅

doi:10.15207/jkcs.2021.12.4.249

딥러닝을 이용한 비트코인 투자전략의 성과 분석
Performance Analysis of Bitcoin Investment Strategy using Deep Learning 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.4, 2021년, pp.249 - 258

초록
AI-Helper

최근 암호화폐거래소로 투자자들이 몰리면서 비트코인 가격이 급등락하고 있다. 본 연구의 목적은 딥러닝 모형을 이용하여 비트코인의 가격을 예측하고, 투자전략을 통해 비트코인의 수익성이 있는지를 분석하는 것이다. 비선형성과 장기기억 특성을 보이는 비트코인 가격 예측모형으로는 LSTM을 활용하며, 예측 가격을 입력변수로 하는 이동평균선 교차전략의 수익성을 분석하였다. 2013년부터 2021년까지의 LSTM 예측 가격을 이용한 비트코인 이동평균선 교차전략의 투자 성과는 단순 시장가격을 이용한 이동평균선 교차전략과 벤치마크전략 Buy & Hold 보다 각각 5.5%와 46% 이상의 수익률 개선 효과를 보여주었다. 최근 데이터까지 확장하여 분석한 본 연구의 결과는 기존의 연구들과 마찬가지로 암호화폐 시장의 비효율성(inefficiency)을 지지하고 있으며, 비트코인 투자자들에게는 딥러닝 모형을 이용한 투자전략의 실전 활용 가능성을 보여주었다. 향후 연구에서는 다양한 딥러닝 모형들의 성과 비교를 통해 최적의 예측모형을 개발하고 비트코인 투자전략의 수익성을 개선할 필요가 있다.

Abstract ▼ AI-Helper

Bitcoin prices have been soaring recently as investors flock to cryptocurrency exchanges. The purpose of this study is to predict the Bitcoin price using a deep learning model and analyze whether Bitcoin is profitable through investment strategy. LSTM is utilized as Bitcoin prediction model with nonlinearity and long-term memory and the profitability of MA cross-over strategy with predicted prices as input variables is analyzed. Investment performance of Bitcoin strategy using LSTM forecast prices from 2013 to 2021 showed return improvement of 5.5% and 46% more than market price MA cross-over strategy and benchmark Buy & Hold strategy, respectively. The results of this study, which expanded to recent data, supported the inefficiency of the cryptocurrency market, as did previous studies, and showed the feasibility of using the deep learning model for Bitcoin investors. In future research, it is necessary to develop optimal prediction models and improve the profitability of Bitcoin investment strategies through performance comparison of various deep learning models.

주제어

표/그림 (9)

그림 Fig. 1. LSTM Architecture
그림 Fig. 2. Bitcoin and KOSPI 200 Index
그림 Fig. 3. Experimental Design
그림 Fig. 4. 5-20 Moving Average Cross-over
표 Table 1. Hyperparameters
그림 Fig. 5. Bitcoin Predicted Price for Test Period
표 Table 2. Experiment Result
표 Table 3. Trading Performance on Bitcoin(unit: %)
그림 Fig. 6. Equity Curve on LSTM and Buy & Hold

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

5개의 입력변수를 이용하여 다음 날의 비트코인 종가를 예측하는 것을 목표로 한다. 2017년 5월 23일부터 2019년 12월 17일까지는 학습용 데이터, 2019년 12 월 18일부터 2021년 1월 23일까지는 검증용 데이터로 구분하였으며, 학습용 데이터는 전체 데이터의 70%에 해당한다.
여러 나라의 암호화폐거래소에서 동시에 거래되고 있는 비트코인의 거래소별 가격 차이를 이용한 차익거래(arbitrage)가 활발하기 때문에[19, 20], 국내 비트코인 가격을 분석한 연구가 과연 해외 거래소의 가격을 분석한 연구와 차이가 나는지를 비교 분석하는 것은 의미가 있다고 판단된다. 또한 비트코인 가격 예측뿐만 아니라 예측된 가격을 투자에 활용하여 경제적 가치 (economic value)를 얻을 수 있는지를 분석하였다는 점에서 본 연구의 차별성을 찾을 수 있다.
본 연구에서는 가격이 급등락하면서 전 세계 투자자들을 끌어들이고 있는 비트코인의 투자 전략의 성과를 분석하였다. 딥러닝 LSTM을 이용하여 비선형성과 불안정성을 보이는 비트코인 가격을 예측하였으며, 비트코인예측 가격은 이동평균선 교차전략의 입력변수로 활용하였다.
강한 상승과 하락을 반복하고 있다. 본 연구에서는 경쟁적 거래를 통해 형성되는 비트코인의 가격에 반영되어 나타나는 추세를 찾아 추세의 방향으로 거래를 하는 투자 전략의 성과를 분석하였기 때문에 강한 추세적 특징을 보이는 비트코인의 거래에서 높은 수익률을 보여주고 있다. 암호화폐 시장이 성숙한 시장으로 발전하면 역추세 전략(anti-trend strategy)에 대한 연구도 필요할 것으로 판단된다.
본 연구는 국내의 빗썸거래소에서 거래되고 있는 비트코인 자료를 2021년까지 확장하여 분석하고 있다는 점에서 기존의 연구와의 차이점이 있다. 본 연구에서는 확장된 데이터에서도 기존의 연구들과 같은 결과를 얻을 수 있는지 분석하고자 한다.
본 연구의 목적은 LSTM을 이용하여 비트코인의 가격을 예측하고, 예측된 가격을 이용하여 비트코인의 투자전략을 제안하며, 실제 비트코인 가격 자료를 이용하여 실증 분석을 통해 제안된 투자전략의 수익성을 분석하는 것이다. 비트코인과 같은 암호화폐는 주식과는 달리 내재가치(intrinsic value)의 판단이 불가능하다.

제안 방법

937일의 학습 데이터 구간에서 최적화된 LSTM 모형을 403일의 검증 데이터 구간에 적용하여 비트코인의 다음 날 가격을 예측한다. LSTM의 비교 모형으로는 단순 RNN 모형을 분석한다.
딥러닝 LSTM을 이용하여 비선형성과 불안정성을 보이는 비트코인 가격을 예측하였으며, 비트코인예측 가격은 이동평균선 교차전략의 입력변수로 활용하였다.
특히, 비트코인을 포함한 암호화폐 가격에는 long memory 특성이 있음이 밝혀지고 있다[37, 38]. 따라서 순환신경망 모형 중 long memory 특성을 잘 반영하는 LSTM 모형을 이용하여 비트코인의 가격을 예측하고 비트코인 투자 전략의 수익성을 분석하고자 한다.
본 연구에서 분석한 비트코인의 가격 예측은 데이터의 sequence가 중요한 역할을 하는 시계열 데이터이기 때문에, 데이터의 순서와 관계없이 학습하는 심층신경망모형이나 합성곱신경망 모형보다는 순환신경망 모형을 이용하여 분석하고자 한다. 특히, 비트코인을 포함한 암호화폐 가격에는 long memory 특성이 있음이 밝혀지고 있다[37, 38].
2017년 5월 23일부터 2019년 12월 17일까지는 학습용 데이터, 2019년 12 월 18일부터 2021년 1월 23일까지는 검증용 데이터로 구분하였으며, 학습용 데이터는 전체 데이터의 70%에 해당한다. 본 연구에서는 Python 3.9 환경에서 Tensorflow 2.4와 Keras를 사용하여 실험을 진행하였다.
일반적으로 증권시장에서는 5일과 20일이 각각 단기와 장기로 활용되고 있다. 본 연구에서도 5일 이동평균선과 20일 이동평균선의 교차전략을 기본 전략으로 설정하였다. 다음 Fig.
본 연구의 실험 2단계에서는 실험 1단계에서 예측된 비트코인 가격을 이용한 비트코인의 투자 전략을 제안하고 실증분석을 통해 투자 전략의 투자 성과를 분석한다.
비트코인의 가격 정보를 활용하는 LSTM 모형을 이용하여 비트코인의 가격을 예측하고, 실험 2단계에서는 예측된 비트코인 가격을 이용한 이동평균선 교차전략의 투자 성과를 비교 분석한다. 다음 Fig.

대상 데이터

5개의 입력변수를 이용하여 다음 날의 비트코인 종가를 예측하는 것을 목표로 한다. 2017년 5월 23일부터 2019년 12월 17일까지는 학습용 데이터, 2019년 12 월 18일부터 2021년 1월 23일까지는 검증용 데이터로 구분하였으며, 학습용 데이터는 전체 데이터의 70%에 해당한다. 본 연구에서는 Python 3.
데이터 분석 기간은 비트코인의 과거 자료 최대확보 가능 기간인 2017년 5월 23일부터 2021년 1월 23 일까지의 1, 340일이다. 분석 기간의 비트코인 시작 가격은 3, 206, 000원, 마지막 거래가격은 35, 479, 000원으로 마감하여 짧은 시간 동안 10배 이상의 가격 폭등이 나타나고 있다.
본 연구에서는 국내의 대표적인 암호화폐거래소 빗썸에서 거래되고 있는 비트코인의 일별 시가, 고가, 저가, 그리고 종가 데이터를 빗썸거래소의 API를 이용하여 구하였다. 데이터 분석 기간은 비트코인의 과거 자료 최대확보 가능 기간인 2017년 5월 23일부터 2021년 1월 23 일까지의 1, 340일이다.
연구의 1단계에서 LSTM의 입력변수로는 비트코인의 일별 시가, 고가, 저가, 종가와 일별 수익률 자료를 이용한다. 5개의 입력변수를 이용하여 다음 날의 비트코인 종가를 예측하는 것을 목표로 한다.

데이터처리

지도학습을 추가적으로 확대하여도 예측 성과에 큰 차이는 없음을 확인하였다. 실험 결과의 성과평가 지표는 비트코인 가격의 예측값과 실제 값과의 평균 제곱근 오차를 계산하는 RMSE(Root Mean Square Error)이다. 학습과 검증을 위한 모형의 하이퍼 파라미터는 다음 Table 1과 같다.

이론/모형

LSTM의 비교 모형으로는 단순 RNN 모형을 분석한다. 딥러닝 최적화 알고리즘은 오차감소 속도가 빠른 Adam optimizer를 이용하였고 활성화 함수는 hyperbolic tangent를 이용하였고, 지도학습은 100번의 반복 학습을 시행하였다. 지도학습을 추가적으로 확대하여도 예측 성과에 큰 차이는 없음을 확인하였다.
본 연구의 실험 1단계에서는 long memory 특성 [37, 38]을 보이는 비트코인의 가격 예측을 위해 long memory 특징을 잘 반영하는 딥러닝 모형으로 LSTM을 선택하였다. 비트코인의 가격 정보를 활용하는 LSTM 모형을 이용하여 비트코인의 가격을 예측하고, 실험 2단계에서는 예측된 비트코인 가격을 이용한 이동평균선 교차전략의 투자 성과를 비교 분석한다.

성능/효과

주로 시각적 영상을 분석하는데 사용되며 시계열 자료의 분석은 기술적 지표 등의 이미지 변환 과정을 통해 분석하게 된다. 15개의 기술적 지표 시계열 자료를 2차원 이미지로 변환한 후 미국 다우존스 주가지수구성 30 종목의 추세 예측을 통해 투자 전략을 분석한 결과, 단순 Buy & Hold 전략보다 수익률이 높게 나타났다[32].
13보다 우수한 결과를 보여주었다. LSTM 수익곡선의 최대 손실폭 (MDD)은 21.6% 수준으로 Buy & Hold 전략의 30.3% 보다 낮아 실제 투자에서 투자자 스트레스를 줄일 수 있음을 확인하였다.
LSTM 예측 가격을 이용한 이동평균선 교차전략은 본연구의 검증 기간에서 누적수익률 467.9%를 보여, 비교 투자 전략인 Buy & Hold 전략의 318.9%보다 46% 이상의 수익률 개선 효과가 나타났다. 예측 가격이 아닌 실제 비트코인 가격을 이용하는 전통적인 통계적 이동평균선 교차전략의 수익률 443.
주식시장과 달리 암호화폐는 하나의 거래소가 아닌 국내외의 여러 암호화폐 거래소에서 거래가 가능하기 때문에 거래소에 따라 비트코인의 거래가격에 차이가 발생할 수 있다. VAR 모형을 이용하여 4개 거래소에서 거래되고 있는 비트코인의 거래소 간 가격 차이를 분석한 결과 유의적인 가격 차이를 발견하였으며, 특히 비트코인 가격이 상승 국면에서 가격 괴리율이 더 증가함을 보여주었다[20]. 전 세계 19개국 34개 암호화폐거래소에서 거래되는 Bitcoin, Ethereum, Ripple 등 4종류의 암호화폐에 대하여 거래소 간 가격 차이를 분석하고 차익거래 가능성을 분석한 결과 거래비용을 고려하여도 유의적인 차익거래 이익을 얻을 수 있음을 밝히고, 암호화폐거래소의 시장 분리 (market segmentation) 문제를 지적하였다[19].
9%를 나타내고 있다. 같은 기간 동안 LSTM을 이용한 이동평균선 교차전략의 누적수익률은 467.9%를 기록하여, 딥러닝에 기반한 비트코인 가격 예측의 경제적 가치가 존재함을 보여주고 있다.
딥러닝의 실험 결과 비트코인의 가격 예측에서는 LSTM이 RNN보다 우수한 예측 성과를 보여주고 있다. 비트코인의 가격 예측에서 장기기억 문제가 영향을 미치고 있음을 알 수 있다.
본 실험의 검증 기간에서도 비트코인 가격은 8, 470, 000 원에서 35, 479, 000원까지 3배 이상 폭등하면서 단순한 Buy & Hold 전략의 수익률도 318.9%를 나타내고 있다. 같은 기간 동안 LSTM을 이용한 이동평균선 교차전략의 누적수익률은 467.
본 연구는 국내 암호화폐거래소에서 거래되고 있는 비트코인의 투자 전략을 분석하였으며 분석 결과는 선진국 암호화폐거래소 자료를 이용한 기존의 연구 결과들과 일치하는 투자 분석 결과를 보여주어 비트코인과 같은 암호화폐의 포트폴리오 편입 투자자산으로서의 가능성을 보여주었다. 특히, 본 연구의 결과는 비트코인 시장의 평균 수익을 초과하는 투자 전략의 존재 가능성을 제시하여 암호화폐 시장의 효율성(market efficiency)을 부정하는 사례를 보여주었다는 점에서 학술적 의의가 있다.
분류모형인 SVM(Support Vector Machines)을 이용하여 비트코인 가격을 예측하고 5일 후의 가격 예측력이 우수함을 보여주었다[12]. 개별 암호화폐가 아닌 암호화폐 시장 전체의 가격 하락 추세를 예측할 목적으로 분류모형인 LightGBM 모형을 적용하여 2018년 자료에서 검증한 결과 SVM이나 RF(Random Forest)보다 우수한 추세예측력을 보여주었다[15].
9%보다 46% 이상의 수익률 개선 효과가 나타났다. 예측 가격이 아닌 실제 비트코인 가격을 이용하는 전통적인 통계적 이동평균선 교차전략의 수익률 443.6%보다도 5% 이상 수익률이 개선되었다. 한편, 수익률과 투자 위험도를 동시에 고려하는 성과 지표인 Sharpe Ratio 역시 LSTM 모형은 0.
딥러닝 최적화 알고리즘은 오차감소 속도가 빠른 Adam optimizer를 이용하였고 활성화 함수는 hyperbolic tangent를 이용하였고, 지도학습은 100번의 반복 학습을 시행하였다. 지도학습을 추가적으로 확대하여도 예측 성과에 큰 차이는 없음을 확인하였다. 실험 결과의 성과평가 지표는 비트코인 가격의 예측값과 실제 값과의 평균 제곱근 오차를 계산하는 RMSE(Root Mean Square Error)이다.
특히, 본 연구의 결과는 비트코인 시장의 평균 수익을 초과하는 투자 전략의 존재 가능성을 제시하여 암호화폐 시장의 효율성(market efficiency)을 부정하는 사례를 보여주었다는 점에서 학술적 의의가 있다. 대부분의 시장 참여자들이 비트코인 가격의 급등락에 이끌려 기준 없이 거래에 참여하고 있는 현실에서, 본 연구의 결과는 다양한 예측모형을 활용하여 정확한 가격 예측을 바탕으로 암호화폐 투자에 참여할 필요성을 보여주고 있다.
6%보다도 5% 이상 수익률이 개선되었다. 한편, 수익률과 투자 위험도를 동시에 고려하는 성과 지표인 Sharpe Ratio 역시 LSTM 모형은 0.22로 나타나 단순 Buy & Hold 전략 0.13보다 우수한 결과를 보여주었다. LSTM 수익곡선의 최대 손실폭 (MDD)은 21.

후속연구

특히, 본 연구의 결과는 비트코인 시장의 평균 수익을 초과하는 투자 전략의 존재 가능성을 제시하여 암호화폐 시장의 효율성(market efficiency)을 부정하는 사례를 보여주었다는 점에서 학술적 의의가 있다. 대부분의 시장 참여자들이 비트코인 가격의 급등락에 이끌려 기준 없이 거래에 참여하고 있는 현실에서, 본 연구의 결과는 다양한 예측모형을 활용하여 정확한 가격 예측을 바탕으로 암호화폐 투자에 참여할 필요성을 보여주고 있다.
투자자산으로서 의미 있는 비트코인의 거래량이나 가격 움직임은 2017년 이후의 구간에서 나타난다[19]. 본 연구는 최근 데이터까지 확장하여 분석함으로써 2017년이나 2018년까지의 제한된 데이터에 기반한 기존 연구들의 한계점을 보완할 수 있을 것이다. 본 연구의 분석 대상 역시 국내 투자자들이 거래하고 있는 빗썸 거래소의 비트코인 가격 데이터라는 점에서 미국 거래소의 비트코인 가격을 분석하고 있는 기존의 연구들과 차이점을 보인다.
본 연구에서는 비트코인 가격 예측모형으로 LSTM 모형 이외의 다양한 기계학습모형들을 분석하지 못한 한계점이 있다. 향후 연구에서는 CNN, DNN, MLP, SVM 등의 다양한 모형을 추가하여 개선된 예측 결과를 얻을 수 있는 기계학습 모형으로 확장하는 연구가 필요하다.
향후 연구에서는 CNN, DNN, MLP, SVM 등의 다양한 모형을 추가하여 개선된 예측 결과를 얻을 수 있는 기계학습 모형으로 확장하는 연구가 필요하다. 비트코인을 대상으로 분석한 본 연구를 바탕으로 향후 연구에서는 유동성이 풍부하면서 투자자의 많은 관심을받고있는 Ethereum, Ripple, Dash 등의 암호화폐에 대한 투자 전략의 성과도 비교 분석할 필요가 있다.
본 연구에서는 경쟁적 거래를 통해 형성되는 비트코인의 가격에 반영되어 나타나는 추세를 찾아 추세의 방향으로 거래를 하는 투자 전략의 성과를 분석하였기 때문에 강한 추세적 특징을 보이는 비트코인의 거래에서 높은 수익률을 보여주고 있다. 암호화폐 시장이 성숙한 시장으로 발전하면 역추세 전략(anti-trend strategy)에 대한 연구도 필요할 것으로 판단된다.
있다. 향후 연구에서는 CNN, DNN, MLP, SVM 등의 다양한 모형을 추가하여 개선된 예측 결과를 얻을 수 있는 기계학습 모형으로 확장하는 연구가 필요하다. 비트코인을 대상으로 분석한 본 연구를 바탕으로 향후 연구에서는 유동성이 풍부하면서 투자자의 많은 관심을받고있는 Ethereum, Ripple, Dash 등의 암호화폐에 대한 투자 전략의 성과도 비교 분석할 필요가 있다.

참고문헌 (38)

S. Nakamoto. (2008). Bitcoin: A peer-to-peer electronic cash system. http://www.lopp.net/pdf/bitcoin.pdf
H. J. Kim. (2018). Policy trends and issues on Crypto currency of Japanese government. Journal of the Korea Institute of Information and Communication Engineering, 22(10), 1398-1404. DOI : 10.6109/jkiice.2018.22.10.1398

원문보기 상세보기
M. Vijh, D. Chandola, V. A. Tikkiwal & A. Kumar. (2020). Stock closing price prediction using machine learning techniques. Procedia Computer Science, 167, 599-606. DOI : 10.1016/j.procs.2020.03.326

상세보기
A. Yadav & C. K. Aditi Sharan. (2020). Optimizing LSTM for time series prediction in Indian stock market. International Conference on Computational Intelligence and Data Science, 167, 2091-2100. DOI : 10.1016/j.procs.2020.03.257

상세보기
D. H. Shin, K. H. Choi & C. B. Kim. (2017). Deep learning model for prediction rate improvement of stock price using RNN and LSTM. The Journal of Korean Institute of Information Technology, 15(10), 9-16. DOI : 10.14801/jkiit.2017.15.10.9

상세보기
J. U, P. Lu, C. Kim, U. Ryu & K. Pak. (2020). A new LSTM based reversal point prediction method using upward/downward reversal point feature sets. Chaos, Solitons and Fractals, 132, 1-15. DOI : 10.1016/j.chaos.2019.109559

상세보기
W. Li & J. Liao. (2017). A comparative study on trend forecasting approach for stock price time series. IEEE International Conference on Anti-counterfeiting, Security, and Identification, 74-78. DOI : 10.1109/ICASID.2017.8285747
A. Moghar & M. Hamiche. (2020). Stock market prediction using LSTM recurrent neural network. Procedia Computer Science, 170, 1168-1173. DOI : 10.1016/j.procs.2020.03.049

상세보기
N. A. Bakar & S. Rosbi. (2017). Autoregressive integrated moving average model for forecasting cryptocurrency exchange rate in high volatility environment: A new insight of bitcoin transaction. International Journal of Advanced Engineering Research and Science, 4(11), 130-137. DOI : 10.22161/ijaers.4.11.20
E. Demir, G. Gozgor, C. K. M. Lau & S. A. Vigne. (2018). Does economic policy uncertainty predict the Bitcoin returns? An empirical investigation. Finance Research Letters, 26, 145-149. DOI : 10.1016/j.frl.2018.01.005

상세보기
X. Li & C. Wang. (2017). The technology and economic determinants of cryptocurrency exchange rates: The case of Bitcoin. Decision Support Systems, 95, 49-60. DOI : 10.1016/j.dss.2016.12.001

상세보기
D. Aggarwal, S. Chandrasekaran, & B. Annamalai. (2020). A complete empirical ensemble mode decomposition ans support vector machine-based approach to predict Bitcoin prices. Journal of Behavioral and Experimental Finance, 27, 1-12. DOI : 10.1016/j.jbef.2020.100335

상세보기
D. Mallqui & R. Fernandes. (2019). Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques. Applied Soft Computing Journal, 75, 596-606. DOI : 10.1016/j.asoc.2018.11.038

상세보기
M. Liu, G. Li, J. Li, X. Zhu & Y. Yao. (2020). Forecasting the price of Bitcoin using deep learning. Finance Research Letters, In press. DOI : 10.1016/j.frl.2020.101755

상세보기
S. Xiaolei, L. Mingxi & S. Zeqian. (2020). A novel cryptocurrency price trend forecasting model based on LightGBM. Finance Research Letters, 32, 1-6. DOI : 10.1016/j.frl.2018.12.032

상세보기
M. Gang, B. Kim, M. Shin, U. Baek & M. Kim. (2020). LSTM-based prediction of Bitcoin price fluctuation using sentiment analysis. Proceedings of Symposium of the Korean Institute of Communications and Information Sciences, 561-562.
D. Pant, P. Neupane, A. Poudel, A. Pokhrel & B. Lama. (2018). Recurrent neural network based Bitcoin price prediction by Twitter sentiment analysis. International Conference on Computing, Communication and Security. DOI : 10.1109/CCCS.2018.85886824
Y. Ahn & D. Kim. (2020). Emotional trading in the cryptocurrency market. Finance Research Letters, in Press. DOI : 10.1016/j.frl.2020.101912

상세보기
I. Makarov & A. Schoar. (2020). Trading and arbitrage in cryptocurrency markets. Journal of Financial Economics, 135, 293-319. DOI : 10.1016/j.jfineco.2019.07.001

상세보기
K. Tsang & Z. Yang. (2020). Price dispersion in bitcoin exchanges. Economics Letters, 194, 1-5. DOI : 10.1016/j.econlet.2020.109379

상세보기
E. Demir, G. Gozgor, C. Lau & S. Vigne. (2018). Does economic policy uncertainty predict the Bitcoin returns? An empirical investigation. Finance Research Letters, 26, 145-149. DOI : 10.1016/j.frl.2018.01.005

상세보기
G. Cohen. (2020). Forecasting Bitcoin trends using algorithmic learning systems. Entropy, 22, 1-11. DOI : 10.3390/e22080838

상세보기
Z. Chen, C. Li & W. Sun. (2020). Bitcoin price prediction using machine learning: An approach to sample dimension engineering. Journal of Computational and Applied Mathematics, 365, 1-13. DOI : 10.1016/j.cam.2019.112395

상세보기
S. Lahmiri & S. Bekiros. (2020). Intelligent forecasting with machine learning trading systems in chaotic intraday Bitcoin market. Chaos, Solitons and Fractals, 133, 1-7. DOI : 10.1016/j.chaos.2020.109641

상세보기
S. McNally, J. Roche & S. Caton. (2018). Predicting the price of Bitcoin using machine learning. 26th Euromicro International Conference on Parallel, Distributed, and Network-based Processing, 339-343. DOI : 10.1109/PDP2018.00060
H. M. Kim & H. Kim. (2019). A study on predicting cryptocurrency distribution prices using machine learning techniques. Journal of Distribution Science, 10(11), 93-101. DOI : 10.13106/ijidb.2019.vol10.no11.93

원문보기 상세보기
A. Urquhart. (2018). What causes the attention of Bitcoin?. Economics Letters, 166, 40-44. DOI : 10.1016/j.econlet.2018.02.017

상세보기
L. Liu. (2019). Are Bitcoin returns predictable? Evidence from technical indicators. Physica A, 533, 1-6. DOI : 10.1016/j.physa.2019.121950

상세보기
M. Nakano, A. Takahashi & S. Takahashi. (2018). Bitcoin technical trading with artificial neural network. Physica A, 510, 587-609. DOI : 10.1016/j.physa.2018.07.017

상세보기
T. L. Chen, C. H. Cheng & J. W. Liu. (2019). A causal time-series model based on multilayer perceptron regression for forecasting Taiwan stock index. International Journal of Information Technology & Decision Making, 18(6), 1967-1987. DOI : 10.1142/S0219622019500421

상세보기
N. Naik & B. Mohan. (2020). Intraday stock prediction based on deep neural network. National Academy Science Letters, 43, 241-246. DOI : 10.1007/s40009-019-00859-1

상세보기
O. Sezer & A. Ozbayoglu. (2018). Algorithmic financial trading with deep convolutional neural networks: Time series to image conversion approach. Applied Soft Computing, 70, 525-538. DOI : 10.1016/j.asoc.2018.04.024

상세보기
S. Hochreiter & J. Schmidhuber. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. DOI : 10.1162/neco.1997.9.8.1735

상세보기
J. Ilonen, J. Kamarainen & J. Lampinen. (2003). Differential evolution training algorithm for feed-forward neural networks. Neural Processing Letters, 17, 93-105.
H. J. Song, H. S. Choi, S. W. Kim & S. H. Oh. (2019). A study on financial time series data volatility prediction method using AI's LSTM method. Journal of Knowledge Information Technology and Systems, 14(6), 665-673. DOI : 10.34163/jkits.2019.14.6.009

상세보기
C. Olah. (2015). Understanding LSTM networks. https://colah.github.io/posts/2015-08-UnderstandingLSTMs/
A. Bariviera. (2017). The inefficiency of Bitcoin revisited: A dynamic approach. Economics Letters, 161, 1-4. DOI : 10.1016/j.econlet.2017.09.013

상세보기
A. Phillip, J. Chan & S. Peiris. (2018). A new look at Cryptocurrencies. Economics Letters, 163, 6-9. DOI : 10.1016/j.econlet.2017.11.020

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증