Decoding Market Emotions in Cryptocurrency Tweets via Predictive Statement Classification with Machine Learning and Transformers

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 암호화폐 시장은 높은 변동성과 투기적 성격을 띠며, 소셜 미디어 (특히 X/트위터) 는 투자자들의 감정과 시장 예측을 공유하는 핵심 플랫폼으로 부상했습니다.
• 기존 연구의 한계: 기존의 감정 분석 (Sentiment Analysis) 은 단순히 '긍정/부정'으로 분류하는 데 그쳤습니다. 그러나 암호화폐 시장에서 동일한 가격 변동 (예: 가격 하락) 은 투자자의 위치에 따라 서로 다른 감정을 유발할 수 있습니다.
  • 예시: 가격 하락 시, 보유자는 '실망/공포'를 느끼지만, 매수 기회를 기다리던 투자자는 '기쁨/기대'를 느낄 수 있습니다.
• 핵심 문제: 단순한 감정 분석만으로는 투자자의 실제 시장 전망 (상승, 하락, 보합) 을 정확히 파악하기 어렵습니다. 따라서 감정 (Emotion) 과 예측 방향 (Directional Intent) 을 분리하여 분석할 수 있는 새로운 프레임워크가 필요합니다.

2. 제안된 방법론 (Methodology)

2.1. 데이터 수집 및 구축

• 대상 암호화폐: 카르다노 (Cardano), 마틱 (Matic), 바이낸스 (Binance), 리플 (Ripple), 팬텀 (Fantom) 등 5 개 주요 암호화폐.
• 데이터셋: 2021 년 9 월부터 2023 년 3 월까지의 영어 트윗 3,116 개를 추출했습니다.
• 주석 (Annotation):
  • 인간 주석: 컴퓨터 과학 석사 소지자 2 명이 수행.
  • GPT 기반 주석: GPT-4o 모델을 제 3 의 주석가로 활용하여 인간 주석과 일관성을 검증 (Cohen's Kappa: 0.7493).
• SenticNet 활용: 각 트윗에서 감성 (기쁨, 열정, 슬픔, 공포, 분노 등) 을 추출하여 예측 유형과 연관성을 분석했습니다.

2.2. 분류 프레임워크 (2 단계 분류)

연구는 두 단계의 태스크로 구성됩니다:

1. Task 1 (이진 분류): 트윗이 **'예측 문장 (Predictive)'**인지 **'비예측 문장 (Non-Predictive)'**인지 구분.
2. Task 2 (다중 클래스 분류): 예측 문장 중 방향성을 구분:
   • Incremental (상승 예측): 가격 상승 기대.
   • Decremental (하락 예측): 가격 하락 기대.
   • Neutral (보합 예측): 큰 변화 없음 예상.

2.3. 데이터 불균형 해결 (Data Balancing)

• 문제: 데이터셋 내 클래스 간 불균형 (특히 중립 및 하락 예측 데이터 부족) 이 존재함.
• 해결책: **GPT 기반 문장 재구성 (Paraphrasing)**을 통해 소수 클래스의 데이터를 증강 (Augmentation) 하여 균형 잡힌 데이터셋을 구축했습니다.

2.4. 모델 평가

• 비교 대상 모델:
  • 전통적 머신러닝: 로지스틱 회귀, SVM, 랜덤 포레스트, XGBoost.
  • 딥러닝: CNN, BiLSTM (GloVe, FastText 임베딩 활용).
  • 트랜스포머 (Transformers): BERT, RoBERTa, DistilRoBERTa, XLM-RoBERTa 등.
• 평가 지표: 정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), Macro F1-Score (클래스 불균형 해결 시 주요 지표로 사용).

3. 주요 기여 (Key Contributions)

1. 새로운 분류 체계 도입: 암호화폐 트윗을 '상승/하락/보합/비예측'으로 세분화하는 새로운 '예측 문장 (Predictive Statement)' 분류 프레임워크를 제안했습니다.
2. 하이브리드 데이터셋 구축: 인간 주석과 GPT 기반 주석을 결합하고, GPT 생성 paraphrasing 을 통해 클래스 불균형을 해결한 고품질 데이터셋을 공개했습니다.
3. 감정 - 예측 분리 분석: SenticNet 을 활용하여, 동일한 감정 (예: 기쁨) 이 상승 예측과 하락 예측 (매수 기회로 인식) 에서 어떻게 다르게 나타나는지 규명했습니다.
4. 모델 성능 비교: 다양한 ML, DL, Transformer 모델의 성능을 체계적으로 비교하고, 데이터 균형화가 성능에 미치는 영향을 입증했습니다.

4. 실험 결과 (Results)

4.1. 데이터 균형화의 영향

• GPT 기반 데이터 증강을 통해 불균형 데이터를 균형화한 결과, 모든 모델의 Macro F1-Score 가 크게 향상되었습니다. 이는 소수 클래스 학습의 중요성을 보여줍니다.

4.2. 모델별 성능 비교

• Task 1 (이진 분류):
  • 트랜스포머 모델이 가장 우수: XLM-RoBERTa가 Macro F1-Score 0.7011로 가장 높은 성능을 보였습니다.
  • 전통적 모델 중에서는 SVM(RBF) 이 0.6825 로 2 위를 차지했습니다.
• Task 2 (다중 클래스 분류):
  • 전통적 머신러닝이 강세: Random Forest가 Macro F1-Score 0.6488로 가장 높은 성능을 기록했습니다.
  • 딥러닝 (CNN) 과 트랜스포머 (DistilRoBERTa) 도 각각 0.6154, 0.5936 으로 경쟁력 있는 성능을 보였으나, 미세한 의미 차이를 구분하는 데는 전통적 모델이 우세했습니다.
• 오류 분석: '중립 (Neutral)' 클래스는 높은 정밀도/재현율 (약 82-84%) 을 보였으나, '상승 (Incremental)'과 '하락 (Decremental)' 클래스는 의미적 유사성으로 인해 구분이 더 어려웠습니다.

4.3. 감정 분석 결과

• 상승 예측 (Incremental): '기쁨 (Delight and Joy)', '열정 (Enthusiasm)'과 강하게 연관됨.
• 하락 예측 (Decremental): '공포 (Fear)', '분노 (Rage)', '슬픔 (Grief)'과 주로 연관되나, 일부 하락 예측은 '기쁨' (저가 매수 기회) 과도 연관되어 있어 단순 감정 분석의 한계를 보여줌.

5. 의의 및 결론 (Significance & Conclusion)

• 의의: 본 연구는 암호화폐 시장에서의 투자자 심리를 단순한 '긍정/부정'을 넘어 **'방향성 있는 예측'**으로 해석할 수 있는 새로운 관점을 제시했습니다. 이는 투자 결정, 규제 당국의 시장 감시, 그리고 가격 예측 모델의 정확도 향상에 기여할 수 있습니다.
• 결론:
  • 이진 분류 (예측 여부 판단) 에는 트랜스포머 모델이,
  • 다중 클래스 분류 (상승/하락/보합 구분) 에는 **전통적 머신러닝 (Random Forest 등)**이 균형 잡힌 데이터에서 더 효과적임을 입증했습니다.
  • GPT 기반 데이터 증강은 클래스 불균형 문제를 해결하고 모델 성능을 극대화하는 핵심 요소였습니다.
• 한계 및 향후 과제: 현재는 영어 트윗 (X 플랫폼) 만을 대상으로 하며, 실시간 시장 데이터와의 연동은 이루어지지 않았습니다. 향후 다국어 확장 및 실시간 가격 변동과의 상관관계 분석이 필요하다고 제안했습니다.