[논문]비트코인 가격 예측을 위한 LSTM 모델의 Hyper-parameter 최적화 연구

김준호; 성한울

doi:10.15207/jkcs.2022.13.04.017

비트코인 가격 예측을 위한 LSTM 모델의 Hyper-parameter 최적화 연구
A Study on the Hyper-parameter Optimization of Bitcoin Price Prediction LSTM Model 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.13 no.4, 2022년, pp.17 - 24

김준호 (상명대학교 게임전공) , 성한울 (상명대학교 게임전공)

초록
AI-Helper

비트코인은 정부나 금융기관에 의존되어 있지 않은 전자 거래를 지향하며 만들어진 peer-to-peer 방식의 암호화폐이다. 비트코인은 최초 발행 이후 거대한 블록체인 금융 시장을 생성했고, 이에 따라 기계 학습을 이용한 비트코인 가격 데이터를 예측하는 연구들이 활발해졌다. 그러나 기계 학습 연구의 비효율적인 Hyper-parameter 최적화 과정이 연구 진행에 있어 비용적인 측면을 악화시키고 있다. 본 논문은 LSTM(Long Short-Term Memory) 층을 사용하는 비트코인 가격 예측 모델에서 가장 대표적인 Hyper-parameter 중 Timesteps, LSTM 유닛의 수, 그리고 Dropout 비율의 전체 조합을 구성하고 각각의 조합에 대한 예측 성능을 측정하는 실험을 통해 정확한 비트코인 가격 예측을 위한 Hyper-parameter 최적화의 방향성을 분석하고 제시한다.

Abstract ▼ AI-Helper

Bitcoin is a peer-to-peer cryptocurrency designed for electronic transactions that do not depend on the government or financial institutions. Since Bitcoin was first issued, a huge blockchain financial market has been created, and as a result, research to predict Bitcoin price data using machine learning has been increasing. However, the inefficient Hyper-parameter optimization process of machine learning research is interrupting the progress of the research. In this paper, we analyzes and presents the direction of Hyper-parameter optimization through experiments that compose the entire combination of the Timesteps, the number of LSTM units, and the Dropout ratio among the most representative Hyper-parameter and measure the predictive performance for each combination based on Bitcoin price prediction model using LSTM layer.

주제어

표/그림 (8)

그림 Fig. 1. Predicted values according to various Hyper-parameter settings
그림 Fig. 2. Predicted values according to the Hyper-parameter optimization approach
표 Table 1. Period and number of data collected
그림 Fig. 3. Flowchart of the optimization experiment
표 Table 2. Hyper-parameter settings
표 Table 3. Representative combination of each level of performance
그림 Fig. 4. 3-dimension plane graph of loss data according to timesteps
그림 Fig. 5. Predicted values according to each Hyper-parameter combination

참고문헌 (17)

https://www.binance.com
S. W. Kim. (2021). Performance Analysis of Bitcoin Investment Strategy using Deep Learning. Journal of the Korea Convergence Society, 12(4), 249-258.

원문보기 상세보기
J. G. Won & T. H. Hong. (2021). The Prediction of Cryptocurrency on Using Text Mining and Deep Learning Techniques : Comparison of Korean and USA Market. Knowledge Management Research, 22(2), 1-17.
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.
I. T. Joo & S. H. Choi. (2018). Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network. Journal of Korea Institute of Information, Electronics, and Communication Technology 11(2), 204-208.

원문보기 상세보기
K. J. Jeong & J. S. Choi. (2015). Deep Recurrent Neural Network. Communications of the Korean Institute of Information Scientists and Engineers, 33(8), 39-43.
T. Yu & H. Zhu. (2020). Hyper-Parameter Optimization: A Review of Algorithms and Applications.
S. H. Ji, U. J. Baek, M. G. Shin, Y. H. Goo, S. H. Yoon & M. S. Kim. (2019). Design of LSTM Model for Prediction of Number of Bitcoin Transactions. Proceedings of Symposium of the Korean Institute of communications and Information Sciences, 472-473.
D. H. Kown, J. S. Heo, J. B. Kim, H. K. Lim & Y. H. Han (2018). Correlation Analysis and Regression Test on Cryptocurrency Price Data. Proceedings of the Korea Information Processing Society Conference, 346-349.
E. M. Kim & J. W. Hong. (2021). The Prediction model of cryptocurrency price using news sentiment analysis and deep learning. Knowledge Management Review, 22(2), 19-32.

원문보기 상세보기
M. G. Gang, B. S. Kim & H. J. Shin. (2021). Machine Learning based Prediction of Bitcoin Price Fluctuation Using News Data. Korean Network Operations and Management Conference, 38-39.
S. H. Ji, U. J. Baek, M. G. Shin, J. S. Park & M. S. Kim. (2019). A Study on the Prediction of Number of Bitcoin Network Transactions Based on Machine Learning. Korean Network Operations and Management Review, 22(1), 68-76.
M. G. Gang, B. S. Kim, M. G. Shin, U. J. Baek & M. S. Kim. (2020). LSTM-based Prediction of Bitcoin Price Fluctuation using Sentiment Analysis. The Fall Conference of The Korean Institute of Communications and Information Sciences Conference, 1-2.
J. Bergstra & Y. Bengio. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Resarch, 13(2).
Y. U. Choi, D. U. Yoon, J. H. Choi & J. M. Byun. (2020). Hyperparameter Search for Facies Classification with Bayesian Optimization. Geophysics and Geophysical Exploration, 23(3), 157-167.

원문보기 상세보기
G. Sui, Y. Yu. (2020). Bayesian Contextual Bandits for Hyper Parameter Optimization. IEEE Access, 8, 42971-42979.

상세보기
https://upbit.com

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