Bitcoin Price Prediction using Machine Learning and Combinatorial Fusion Analysis

이 논문은 랭크 - 스코어 특성 함수와 인지적 다양성을 활용한 조합 융합 분석 (CFA) 기법을 적용하여 개별 모델 및 기존 비트코인 가격 예측 모델보다 뛰어난 성능 (MAPE 0.19%) 을 달성한 새로운 예측 모델을 제안합니다.

핵심

🎯 핵심 아이디어: "혼자보다 함께가 낫다"

비트코인 가격은 매우 변동성이 커서 예측하기 어렵습니다. 마치 날씨 예보를 할 때, 한 명의 전문가만 믿으면 틀릴 확률이 높지만, 기상청, 농부, 어부, 그리고 AI 등 다양한 분야의 전문가 의견을 모으면 훨씬 정확한 예보가 나오는 것과 같습니다.

이 연구는 **"다양한 머신러닝 모델 5 개를 모아서, 그들끼리 서로 의견을 조율 (퓨전) 하면 더 좋은 예측이 나온다"**는 것을 증명했습니다.

🏗️ 연구가 어떻게 진행되었나요? (4 단계 프로세스)

1 단계: 재료 준비 (데이터 수집)

연구팀은 비트코인 가격뿐만 아니라, 비트코인 가격에 영향을 미칠 수 있는 다양한 '재료'들을 모았습니다.

• 재료들: 이더리움 가격, 금 가격, 채굴자들의 계산 능력 (해시레이트), 주식 시장 지수 (S&P 500), 투자 심리 지표 (VIX), 테슬라 주가 등.
• 비유: 요리사가 맛있는 요리를 만들기 위해 다양한 재료를 준비하는 것처럼, 예측 모델이 정확한 답을 내놓기 위해 필요한 정보들을 모두 모았습니다.

2 단계: 5 명의 요리사 고용 (기저 모델 학습)

연구팀은 서로 다른 특기를 가진 5 명의 '예측 요리사 (모델)'를 고용했습니다.

1. SVM: 깔끔하게 분류하는 전문가.
2. 랜덤 포레스트: 수많은 나무 (의사결정) 를 만들어 평균을 내는 꼼꼼한 전문가.
3. XGBoost: 이전 실수를 바로잡으며 성장하는 열혈 전문가.
4. CNN: 이미지의 패턴을 잘 보는 시각 전문가 (데이터의 국소적 패턴 발견).
5. LSTM: 과거의 흐름을 기억하며 미래를 예측하는 시간 여행 전문가.

이들 각각은 비트코인 가격이 내일 얼마가 될지 '확률 분포'를 그려냅니다. 단순히 "내일 9 만 달러"라고 말하는 게 아니라, "9 만 달러일 가능성이 가장 높지만, 8 만~10 만 달러 사이일 수도 있다"는 식의 **범위 (분포)**를 제시합니다.

3 단계: 회의실에서의 합의 (CFA 적용)

여기서부터 이 연구의 핵심인 **CFA (Combinatorial Fusion Analysis)**가 등장합니다.

• 상황: 5 명의 요리사가 각자 그릴한 '예상 가격 분포'를 가지고 회의실에 모였습니다.
• 작업: 연구팀은 이 5 개의 의견을 단순히 평균내는 게 아니라, **"누구의 의견이 더 다양하고 (Cognitive Diversity), 누가 더 잘하는지 (Performance)"**를 계산하여 가중치를 두어 합쳤습니다.
• 비유: 마치 5 명의 전문가가 모여 토론할 때, 단순히 다수결로 결정하는 게 아니라, "A 는 과거 데이터에 강하고, B 는 급변하는 상황에 강하니까 A 와 B 의 의견을 더 중요하게 반영하자"는 식으로 지능적으로 합쳐서 최종 답을 도출합니다.

4 단계: 최종 결과 발표 (성공)

이렇게 합쳐진 의견으로 내일 비트코인 가격을 예측했습니다. 그 결과는 놀라웠습니다.

• 단일 모델: 혼자 예측했을 때의 오차 (MAPE) 는 약 1.2% ~ 4.9% 였습니다.
• 합의 시스템 (CFA): 여러 모델을 합친 결과, 오차가 **0.19%**로 급격히 줄었습니다.
• 의미: 기존에 나온 다른 연구들 (최고 0.245%~4.49% 오차) 보다 훨씬 더 정밀한 예측을 해냈습니다.

💡 이 연구의 핵심 교훈

1. 다양성이 힘이다: 모든 모델이 똑같은 방식으로 생각하면 (다양성이 낮으면) 실수를 함께 반복합니다. 하지만 서로 다른 방식 (다양성) 으로 생각하면, 한 모델의 실수를 다른 모델이 잡아내어 전체적인 정확도가 올라갑니다.
2. 점수보다 순위가 중요할 때도 있고, 그 반대일 때도 있다: 연구팀은 모델들의 예측을 '점수'로 합치는 방법과 '순위'로 합치는 방법을 모두 시도했는데, 이 경우 **점수를 합치는 방식 (Average Score Combination)**이 가장 좋은 결과를 냈습니다.
3. 불확실성을 인정하고 활용했다: 단순히 "내일 가격이 X 원이다"라고 단정 짓지 않고, "X 원일 확률이 가장 높지만 Y 원~Z 원 사이일 수도 있다"는 확률 분포를 먼저 만든 뒤 이를 합친 것이 성공 비결이었습니다.

🚀 결론 및 미래 전망

이 연구는 **"혼자서 모든 것을 알기보다는, 다양한 전문가들의 지혜를 모으는 것이 복잡한 문제 (비트코인 가격) 를 푸는 열쇠"**임을 보여주었습니다.

미래 계획:

• 앞으로는 사람들의 **감정 (뉴스, SNS 여론)**을 더 분석에 포함시켜 예측 정확도를 높일 계획입니다. (사람들이 "비트코인 사야지!"라고 생각하면 가격이 오르는 경우가 많기 때문입니다.)
• 더 복잡한 다층 구조의 합의 시스템을 연구하여, 비트코인 가격 예측의 한계를 계속 넓혀갈 것입니다.

한 줄 요약:

"비트코인 가격을 예측할 때, 한 명의 천재보다 서로 다른 생각을 가진 5 명의 전문가들이 모여 지혜를 모으는 '합의 시스템'을 만들었더니, 그 정확도가 기존 기술보다 훨씬 뛰어났습니다!"

기술 요약

논문 요약: 기계 학습과 조합 융합 분석 (CFA) 을 활용한 비트코인 가격 예측

1. 문제 정의 (Problem)

비트코인은 블록체인 기술과 작업 증명 (PoW) 메커니즘을 기반으로 한 탈중앙화 화폐이지만, 그 가격 변동성이 매우 심해 교환 수단으로서의 기능에는 한계가 있습니다. 특히 2024 년 SEC 의 현물 비트코인 ETF 승인 및 미국 대선 등 거시적 요인으로 인해 가격이 역사적 고점 ($94,000 이상) 을 기록하는 등 예측이 어려운 상황입니다.
기존의 단일 기계 학습 모델 (SVM, Random Forest, LSTM 등) 은 각각 고유한 강점과 약점을 가지고 있어, 비트코인의 복잡한 변동성을 포착하는 데 있어 견고성 (Robustness) 이 부족합니다. 따라서 단일 모델의 한계를 극복하고 더 정확한 다음 날 비트코인 가격을 예측할 수 있는 새로운 접근법이 필요합니다.

2. 방법론 (Methodology)

이 연구는 **조합 융합 분석 (Combinatorial Fusion Analysis, CFA)**이라는 새로운 모델 융합 패러다임을 적용하여 비트코인 가격을 예측합니다. 전체 프로세스는 다음과 같은 4 단계로 구성됩니다.

• 데이터 준비 (Data Preparation):

  • 기간: 2020 년 3 월 11 일부터 2024 년 3 월 9 일까지 (COVID-19 팬데믹 기간 포함).
  • 특징 변수: 비트코인 가격 예측을 위해 ETH 가격, 금 가격, 해시레이트 (채굴자 컴퓨팅 파워), S&P 500, VIX 지수 (시장 불확실성), 미국 국채 수익률, 달러 강세 지수, 엔비디아 및 테슬라 주가, 그리고 EMA, MACD 와 같은 기술적 지표를 포함합니다.
  • 전처리: 결측치는 전방향 채움 (Forward-fill) 으로 처리하고, 모든 특징을 [0, 1] 범위로 정규화합니다. 데이터는 8:2 비율로 학습 세트와 테스트 세트로 분할됩니다.

• 기저 모델 (Base Models):

  • 다양성과 성능을 고려하여 5 개의 서로 다른 아키텍처의 모델을 선정했습니다:
    1. SVM (서포트 벡터 머신)
    2. Random Forest (랜덤 포레스트)
    3. XGBoost (확장 그라디언트 부스팅)
    4. CNN (합성곱 신경망)
    5. LSTM (장단기 기억망)
  • 각 모델은 10-fold 교차 검증과 랜덤 서치를 통해 최적화되었습니다.

• 예측 분포 생성 및 CFA 적용:

  • 확률 분포 기반 예측: 단일 결정적 값 대신, 각 모델의 예측값을 평균으로 하고 테스트 세트의 표준편차를 사용하여 **정규 분포 (Normal Distribution)**를 생성합니다. 이는 가격의 불확실성 범위를 포착하기 위함입니다.
  • 점수 및 순위 시스템: 생성된 5 개의 분포를 기반으로 5 개의 점수 시스템 (Scoring Systems) 을 구축합니다.
  • CFA 융합 전략:
    • 인지 다양성 (Cognitive Diversity): 각 모델 간의 Rank-Score Characteristic (RSC) 함수 간의 차이를 계산하여 모델의 다양성을 측정합니다.
    • 조합 전략: 5 개의 기본 모델을 2 개에서 5 개까지의 모든 가능한 부분집합 (총 26 개 그룹) 으로 조합합니다.
    • 가중치 방식:
      1. 평균 점수/순위 조합 (Average Combination)
      2. 인지 다양성 강도에 따른 가중치 조합 (Weighted Combination by Diversity Strength, WCDS)
      • 참고: 성능 기반 가중치 (Performance Weighting) 는 다중 가격 분포와 단일 실제 가격 간의 비교가 어려워 본 논문에서는 적용되지 않았습니다.
  • 최종 예측값은 각 조합 전략에서 가장 높은 확률을 가진 가격으로 결정됩니다.

3. 주요 기여 (Key Contributions)

1. 비트코인 예측에 CFA 최초 적용: 기존 연구에서 주로 포트폴리오 관리나 주식 랭킹에 사용되던 CFA 를 비트코인 가격 예측 (Regression 문제) 에 최초로 적용했습니다.
2. 예측 분포 기반 접근법: 단일 가격 예측을 넘어, 각 모델의 예측을 확률 분포로 확장하고 이를 융합하여 더 포괄적이고 견고한 예측을 수행했습니다.
3. 다양한 모델의 시너지 효과: SVM, RF, XGBoost, CNN, LSTM 등 이질적인 5 개 모델을 융합하여 개별 모델의 약점을 보완하고 정확도를 극대화했습니다.
4. 성능 검증: 기존 연구 결과 및 단일 모델 대비 월등히 낮은 오차율을 입증했습니다.

4. 실험 결과 (Results)

• 평가 지표: RMSE (Root Mean Squared Error) 와 MAPE (Mean Absolute Percentage Error) 를 사용했습니다.
• 성능 비교:
  • 개별 모델: 가장 좋은 개별 모델 (Random Forest) 의 MAPE 는 1.20% 였습니다.
  • CFA 융합 모델: 평균 점수 조합 (Average Score Combination) 전략이 **MAPE 0.19%**라는 놀라운 성과를 거두었습니다. 이는 개별 모델 대비 약 6 배, 기존 선행 연구들 (최소 0.245% ~ 4.49%) 보다 훨씬 높은 정확도입니다.
  • RMSE: 평균 점수 조합은 RMSE 175.22 를 기록하여 개별 모델 (최소 738.21) 보다 월등히 낮았습니다.
• 전략별 비교:
  • 점수 기반 (Score-based) 조합이 순위 기반 (Rank-based) 조합보다 RMSE 와 MAPE 측면에서 더 우수한 정확도를 보였습니다.
  • 반면, 순위 기반 조합이 더 많은 수의 날 (258 일 중 258 일) 에서 개선을 보이며 더 일관된 개선 효과를 나타냈습니다.
  • **인지 다양성 가중치 (WCDS)**는 순위 조합에서 특히 강력한 성능을 발휘했습니다.

5. 의의 및 결론 (Significance)

이 연구는 기계 학습 모델의 단순한 앙상블을 넘어, **인지 다양성 (Cognitive Diversity)**과 순위 - 점수 특성 (Rank-Score Characteristic) 함수를 활용한 CFA 가 금융 시계열 예측, 특히 변동성이 큰 비트코인 가격 예측에서 혁신적인 성능 향상을 가져올 수 있음을 입증했습니다.

• 실용적 가치: 0.19% 의 MAPE 는 투자 의사결정 (매수, 보유, 매도) 에 있어 매우 높은 신뢰도를 제공합니다.
• 이론적 확장: 단일 모델의 예측 한계를 분포 기반 예측과 모델 융합을 통해 극복할 수 있음을 보여주었습니다.
• 향후 과제: 향후 연구에서는 시장 심리 (감성 분석) 데이터를 추가하고, 데이터 누출 (Data Leakage) 문제를 해결하기 위해 검증 세트를 별도로 사용하여 표준편차를 계산하는 등 방법론을 더 정교화할 계획입니다.

결론적으로, 이 논문은 CFA 를 활용한 모델 융합이 비트코인 가격 예측 분야에서 기존 최첨단 (State-of-the-Art) 모델들을 압도하는 성능을 발휘할 수 있음을 보여주었습니다.