Knowledge Management Research (지식경영연구)

The Knowledge Management Society of Korea (한국지식경영학회)
권호 표지
DOI QR코드

DOI QR Code

An Integrated Model for Predicting Changes in Cryptocurrency Return Based on News Sentiment Analysis and Deep Learning

감성분석을 이용한 뉴스정보와 딥러닝 기반의 암호화폐 수익률 변동 예측을 위한 통합모형

  • Kim, Eunmi (Kyung Hee University Smart Tourism Research Center)
  • 김은미 (경희대학교 스마트관광연구소)
  • Received : 2021.06.04
  • Accepted : 2021.06.25
  • Published : 2021.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Bitcoin, a representative cryptocurrency, is receiving a lot of attention around the world, and the price of Bitcoin shows high volatility. High volatility is a risk factor for investors and causes social problems caused by reckless investment. Since the price of Bitcoin responds quickly to changes in the world environment, we propose to predict the price volatility of Bitcoin by utilizing news information that provides a variety of information in real-time. In other words, positive news stimulates investor sentiment and negative news weakens investor sentiment. Therefore, in this study, sentiment information of news and deep learning were applied to predict the change in Bitcoin yield. A single predictive model of logit, artificial neural network, SVM, and LSTM was built, and an integrated model was proposed as a method to improve predictive performance. As a result of comparing the performance of the prediction model built on the historical price information and the prediction model reflecting the sentiment information of the news, it was found that the integrated model based on the sentiment information of the news was the best. This study will be able to prevent reckless investment and provide useful information to investors to make wise investments through a predictive model.

암호화폐 중 대표적인 비트코인은 전 세계적으로 많은 관심을 받고 있으며 비트코인의 가격은 등·하락을 거듭하며 높은 변동성을 보이고 있다. 높은 변동성은 투자자들에게 위험 요인으로 작용하며 무분별한 투자로 인한 사회적 문제를 야기시킨다. 비트코인의 가격은 세계의 환경변화에 영향을 받으며 신속하게 반응하기 때문에 실시간으로 다양한 정보를 제공하는 뉴스 정보는 비트코인 가격의 변동성 예측에 유용한 정보를 제공한다. 즉, 긍정적인 뉴스는 투자심리를 자극할 것이며 반대로 부정적인 뉴스는 투자심리를 위축시킬 것이다. 따라서 본 연구에서는 비트코인의 수익률 변동을 예측하기 위해 뉴스의 감성정보와 딥러닝을 적용하였다. 로짓, 인공신경망, SVM, LSTM을 적용하여 단일 예측모형을 구축하였으며 예측성과를 향상시키기 위한 방법으로 통합모형을 제안하였다. 과거의 가격정보를 기반으로 구축한 예측모형과 뉴스의 감성정보를 반영한 예측모형의 성과를 비교한 결과 뉴스의 감성정보를 반영한 예측모형의 성과가 우수하게 나타났으며 통합모형의 성과가 가장 우수한 것으로 나타났다. 본 연구는 비트코인 수익률 변동에 대한 예측모형을 통해 무분별한 투자를 예방하고 투자자들의 현명한 투자가 이루어질 수 있도록 유용한 정보를 제공할 수 있을 것이다.

Keywords

Acknowledgement

이 논문 또는 저서는 2019년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구임(NRF-2019S1A3A2098438)

References

  1. 강현모(2017). 투자자의 손실회피 성향과 해석수준이 금융상품 태도에 미치는 영향. 지식경영연구, 18(1), 49-65. https://doi.org/10.15813/kmr.2017.18.1.003
  2. 김명종 (2009). 정량 추론과 정성 추론의 통합 메카니즘: 주가예측의 적용. 지식경영연구, 10(2), 35-48. https://doi.org/10.15813/KMR.2009.10.2.003
  3. 송한진, 최흥식, 김선웅, 오수훈 (2019). AI의 LSTM기법을 이용한 금융시계열 데이터 변동성 예측방법 연구. 한국지식정보기술학회 논문지, 14(6), 665-673.
  4. 신동하, 최광호, 김창복 (2017). RNN과 LSTM을 이용한 주가 예측을 향상을 위한 딥러닝 모델. 한국정보기술학회논문지, 15(10), 9-16. https://doi.org/10.14801/jkiit.2017.15.10.9
  5. 신택수, 홍태호 (2004). 인공신경망과 로짓모형을 통합한 부실확률맵기반 신용등급화에 관한 연구. 회계저널, 13(3), 1-26.
  6. 이기광, 조수지, 민경수, 양철원 (2019). 비트코인 가격의 결정요인: 한국시장에 대한 실증분석. 한국증권학회지, 48(4), 393-415.
  7. 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
  8. 임병진 (2019). 비트코인의 가격변화가 한국 국고채 시장에 미친 상호 영향에 관한 실증적 연구. e-비즈니스연구, 20(5), 143-154.
  9. 최형규, 이상용 (2020). 재무제표 주석의 텍스트 분석 통한 재무 비율 예측 향상 연구. 지식경영연구, 21(2), 177-196. https://doi.org/10.15813/KMR.2020.21.2.010
  10. 홍태호, 김은미 (2010). 데이터마이닝을 이용한 세분화된 고객집단의 프로모션 고객반응 예측. Information Systems Review, 12(2), 75-88.
  11. 홍태호, 박지영 (2009). 사례기반추론을 이용한 다이렉트 마케팅의 고객반응예측모형의 통합. 정보시스템연구, 18(3), 375-399.
  12. Bakar, N. A., Rosbi, S., & Uzaki, K. (2017). Cryptocurrency Framework Diagnostics from Islamic Finance Perspective: A New Insight of Bitcoin System Transaction. International Journal of Management Science and Business Administration, 4(1), 19-28. https://doi.org/10.18775/ijmsba.1849-5664-5419.2014.41.1003
  13. Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1-8. https://doi.org/10.1016/j.jocs.2010.12.007
  14. Chen, Z., Li, C., & Sun, W. (2020) Bitcoin price prediction using machine learning: An approach to sample dimension engineering, Journal of Computation and Applied Mathematics, 365, 112395. https://doi.org/10.1016/j.cam.2019.112395
  15. Garg, S. (2018). Autoregressive integrated moving average model based prediction of bitcoin close price. In 2018 International Conference on Smart Systems and Inventive Technology (ICSSIT). 473-478.
  16. Hayes, A. S. (2018). Bitcoin price and its marginal cost of production: support for a fundamental value, Applied Economics Letters, 26(7), 554-560. https://doi.org/10.1080/13504851.2018.1488040
  17. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  18. Jang, H., & Lee, J.(2018). An empirical study on modeling and prediction of Bitcoin prices with bayesian neural networks based on Blockchain information. IEEE Access, 6(1), 5427-5437. https://doi.org/10.1109/ACCESS.2017.2779181
  19. Ji, S., Kim, J., & Im, H. (2019). A comparative study of Bitcoin price prediction using deep learning. Mathematics, 7(10), 898. https://doi.org/10.3390/math7100898
  20. Jun, J., & Yeo, E. (2014). Understanding Bitcoin: From the Perspective of Monetary Economics. Korea Busines Review, 18(4), 21-239.
  21. Kristoufek, L. (2015) What are the main drivers of the Bitcoin price? Evidence from wavelet coherence analysis. PLoS ONE, 10(4), 1-15. https://doi.org/10.1371/journal.pone.0123923
  22. Lamothe-Fernandez, P., Alaminos, D., Lamothe-Lopez, P., & Fernandez-Gamez, M. A. (2020). Deep Learning Methods for Modeling Bitcoin Price. Mathematics, 8(8), 1245. https://doi.org/10.3390/math8081245
  23. Liu, B. (2010). Sentiment analysis and subjectivity. Handbook of Natural Language Processing, N. Indurkhya and F. J. Damerau, eds.
  24. Mallqui, D. C., & Fernandes, R. A. (2019). Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques. Applied Soft Computing, 75(1), 596-606 https://doi.org/10.1016/j.asoc.2018.11.038
  25. McNally, S., Roche, J., & Caton, S. (2018). Predicting the price of bitcoin using machine learning. In 2018 26th Euromicro International Conference on Parallel, Distributed and Network-based Processing, IEEE, 339-343.
  26. Mittal, A., Dhiman, V., Singh, A., & Prakash, C. (209). Short-term bitcoin price fluctuation prediction using social media and web search data. 2019 Twelfth International Conference on Contemporary Computing (IC3). IEEE 1-6.
  27. Nakamoto, S., & Bitcoin, A. (2008). A peer-to-peer electronic cash system. Bitcoin. URL: https://bitcoin.org/bitcoin.pdf.
  28. Patel, M. M., Tanwar, S., Gupta, R., & Kumar, N. (2020). A deep learning-based cryptocurrency price prediction scheme for financial institutions. Journal of Information Security and Applications, 55, 102583. https://doi.org/10.1016/j.jisa.2020.102583
  29. Roy, S., Nanjiba, S., & Chakrabarty, A. (2018). Bitcoin price forecasting using time series analysis. In 2018 21st International Conference of Computer and Information Technology (ICCIT). IEEE. 1-5.
  30. Schumaker, R. P., & Chen, H. (2009). A quantitative stock prediction system based on financial news. Information Processing & Management, 45(5), 571-583. https://doi.org/10.1016/j.ipm.2009.05.001
  31. Shin, D. H., & Kim, Y. M. (2016). The Factors Influencing Intention to Use Bit Coin of Domestic Consumers. The Journal of the Korea Contents Association, 16(1), 24-41. https://doi.org/10.5392/JKCA.2016.16.01.024
  32. Thies, S., & Molnar, P. (2018). Bayesian change point analysis of Bitcoin returns. Finance Research Letters, 27, 223-227 https://doi.org/10.1016/j.frl.2018.03.018
  33. Versace, M., Bhatt, R., Hinds, O., & Shiffer, M. (2004). Predicting the exchange traded fund DIA with a combination of genetic algorithm and neural networks. Expert Systems with Applications, 27(3), 417-425. https://doi.org/10.1016/j.eswa.2004.05.018
  34. Wirawan, I. M., Widiyaningtyas, T., & Hasan, M. M. (2019). Short term prediction on bitcoin price using arima method. In 2019 International Seminar on Application for Technology of Information and Communication (iSemantic). IEEE. 260-5.
  35. http://www.investing.com/