기술 요약: 암호화폐 레짐 예측을 위한 시각적 차트 표현

문제 정의

본 연구는 레짐 예측을 위한 금융 차트 이미지에 대한 딥러닝의 미탐구된 적용을 다룹니다. 기술적 트레이더들은 역사적으로 시장 움직임을 예측하기 위해 캔들스틱 패턴의 시각적 분석에 의존해 왔으나, 다양한 시각적 표현과 신경망 아키텍처가 이 작업에서 어떻게 수행되는지에 대한 체계적인 평가는 여전히 제한적입니다. 본 논문은 레짐 예측을 이진 이미지 분류 작업으로 정의합니다: $N$일간의 역사적 가격 데이터를 나타내는 차트 이미지가 주어졌을 때, 모델은 자산이 7 일 전방 기간 동안 2% 초과 수익률로 정의된 "강세" 레짐에 진입할지 아니면 "약세" 레짐에 진입할지 예측해야 합니다. 연구는 비트코인, 이더리움, S&P 500 데이터를 통해 이미지 인코딩, 차트 구성 요소, 모델 아키텍처, 그리고 전이 학습 전략에 대한 최적 구성을 규명하고자 합니다.

방법론

저자들은 2018 년부터 2024 년까지 8 가지 통제 실험을 수행했으며, 비트코인 (BTC-USD), 이더리움 (ETH-USD), S&P 500 ETF(SPY) 의 일별 OHLCV 데이터를 활용했습니다. 각 데이터셋은 500 개의 샘플로 구성되었으며, 미래 정보 편향을 방지하기 위해 시간순으로 70% 학습, 15% 검증, 15% 테스트로 분할되었습니다.

이미지 인코딩 및 구성 요소

세 가지 이미지 인코딩 방법이 비교되었습니다:

1. 원본 캔들스틱 차트: mplfinance를 통해 렌더링된 표준 시각화로서, 시가 (Open), 고가 (High), 저가 (Low), 종가 (Close) 가격을 인코딩합니다.
2. 그라미안 각장 (GAF): 시계열을 극좌표 행렬로 변환하는 수학적 인코딩 (합계 및 차이 변형).
3. 멀티채널 GAF: 시가, 범위, 종가 가격에 대한 별도의 GAF 행렬을 RGB 채널에 쌓아 올린 것.

가격 전용 캔들스틱부터 거래량 막대, 단순 이동평균 (SMA), 볼린저 밴드를 포함한 복잡한 오버레이에 이르기까지 다섯 가지 차트 구성 요소 구성이 평가되었습니다.

모델 아키텍처

네 가지 아키텍처가 테스트되었습니다:

• 단순 CNN: 약 422k 개의 파라미터를 가진 커스텀 4 층 합성곱 네트워크.
• ResNet18: 11.2M 개의 파라미터를 가진 표준 아키텍처.
• EfficientNet-B0: 4.0M 개의 파라미터를 가진 아키텍처.
• 비전 트랜스포머 (ViT-Tiny): 5.5M 개의 파라미터를 가진 어텐션 기반 모델.

실험은 이미지 해상도 (64×64, 128×128, 224×224), 룩백 윈도우 (14, 30, 60, 90 일), 그리고 ImageNet 전이 학습의 사용 여부를 다양화했습니다. 모델은 레짐 불균형을 처리하기 위해 클래스 가중치를 적용한 AdamW 를 사용하여 학습되었으며, 성능은 주로 임계값에 독립적인 판별 능력을 보장하기 위해 AUC-ROC 를 사용하여 평가되었습니다.

주요 기여

1. 인코딩의 체계적 비교: 금융 레짐 분류를 위한 원본 캔들스틱 차트와 수학적 인코딩 (GAF) 간의 첫 번째 포괄적 비교.
2. 시각적 구성 요소의 제거 분석: 차트 이미지에 기술적 지표 (거래량, SMA, 볼린저 밴드) 를 추가하는 것이 미치는 영향을 정량화한 연구.
3. 아키텍처 벤치마킹: 캔들스틱 차트 이미지에서 CNN 과 비전 트랜스포머를 직접 비교한 첫 번째 시도.
4. 전이 학습 분석: 금융 차트라는 특수한 도메인에서 ImageNet 사전 학습의 효과성 평가.
5. 해석 가능성: CNN 이 금융 차트에서 학습한 시각적 특징을 시각화하고 검증하기 위해 GradCAM 적용.
6. 오픈 소스: 재현성을 위한 코드, 학습된 모델, 실험 결과 제공.

실험 결과

이미지 인코딩

수학적 인코딩이 시간적 종속성을 더 잘 보존한다는 가설과 반대로, 원본 캔들스틱 차트가 GAF 변형보다 현저히 우수한 성능을 보였습니다. 원본 캔들스틱 접근법은 0.760 의 AUC-ROC 를 달성한 반면, GAF 합계 및 멀티채널 변형은 각각 0.310 과 0.252 로 무작위 추측보다 낮은 점수를 기록했습니다. 저자들은 수학적 변환이 CNN 특징 추출에 필수적인 공간적 패턴을 파괴할 수 있다고 제안합니다.

차트 구성 요소

단순함이 우월함이 입증되었습니다. 가격 전용 캔들스틱이 가장 높은 AUC-ROC(0.815) 를 기록했습니다. 거래량 막대, 이동평균, 또는 볼린저 밴드를 추가하는 것은 일관되게 성능을 저하시켰으며, "모든 지표" 구성은 0.704 로 하락했습니다. 이는 기술적 지표가 시각적 노이즈를 도입하거나 가격 데이터에 이미 내재된 중복 정보를 제공하기 때문일 수 있음을 시사합니다.

룩백 윈도우 및 해상도

• 룩백: 30 일 윈도우가 가장 좋은 성능 (0.734 AUC) 을 달성했으며, 더 짧은 (14 일) 그리고 더 긴 (60/90 일) 윈도우는 더 나쁜 성능을 보였습니다.
• 해상도: 128×128 픽셀 해상도가 0.892 의 최대 AUC-ROC 를 달성했습니다. 더 낮은 해상도 (64×64) 는 세밀한 패턴을 잃었고, 더 높은 해상도 (224×224) 는 노이즈를 도입하거나 사용 가능한 데이터보다 더 많은 데이터를 필요로 했습니다.

모델 아키텍처

단순한 4 층 CNN(약 422k 개의 파라미터)이 모든 더 크고 사전 학습된 모델보다 우수한 성능을 보였습니다. 이 모델은 0.831 의 AUC-ROC 를 달성하여 ResNet18(0.662), EfficientNet-B0(0.365), ViT-Tiny(0.570) 을 능가했습니다. 더 큰 모델들은 제한된 500 개 샘플 데이터셋에서 심각한 과적합을 보였으며, 이는 이 특정 도메인과 데이터 양에 있어 모델 복잡성이 해로울 수 있음을 시사합니다.

전이 학습

자연 이미지와 금융 차트 사이의 도메인 격차에도 불구하고, ImageNet 사전 학습은 일관되게 성능을 향상시켰습니다. ResNet18 의 경우 사전 학습이 AUC-ROC 를 4.1 퍼센트 포인트 증가시켰으며, EfficientNet-B0 의 경우 그 이득은 16.1 퍼센트 포인트였습니다. 이는 ImageNet 에서 학습된 저수준 특징 (가장자리, 질감) 이 차트 분석으로 효과적으로 전이됨을 나타냅니다.

크로스 자산 일반화

성능은 자산에 따라 크게 달라졌습니다. 비트코인은 가장 강한 예측 가능성 (0.734 AUC) 을 보인 반면, 이더리움 (0.492) 과 S&P 500(0.459) 은 무작위 추측 수준 또는 그 이하로 수행되었습니다. 저자들은 비트코인의 예측 가능성은 기술적 분석에 의존하는 소매 투자자의 지배로 인해 자기실현적 패턴이 생성되기 때문이라고 귀결합니다.

해석 가능성

GradCAM 시각화는 모델이 최근 가격 행동(차트의 오른쪽 부분) 과 큰 몸통을 가진 캔들(중요한 모멘텀) 에 초점을 맞춘다는 것을 확인시켜 주었습니다. 모델은 또한 색상 전환 (추세 반전) 에 주의를 기울여 학습된 특징을 확립된 기술적 분석 원칙과 일치시켰습니다.

중요성 및 주장

본 논문은 시각적 레짐 예측에서 **"단순함이 승리한다"**고 결론지었습니다. 식별된 최적 구성은 30 일 룩백과 128×128 해상도의 원본 가격 전용 캔들스틱 차트에서 학습된 단순한 CNN 입니다.

저자들이 도출한 주요 함의는 다음과 같습니다:

• 데이터 표현: 추상적인 수학적 인코딩보다 원본 시각화가 더 나은 예측 정보를 보존합니다.
• 특징 공학: 이미지에 기술적 지표를 추가하는 것은 역효과를 낳습니다. 시각적 혼란이 적을수록 모델 성능이 향상됩니다.
• 모델 선택: 데이터가 제한적일 때 실무자는 복잡한 모델이 쉽게 과적합되므로 대규모 사전 학습 아키텍처보다 단순한 모델을 우선시해야 합니다.
• 전이 학습: 상당한 도메인 격차가 있음에도 불구하고 ImageNet 사전 학습은 측정 가능한 성능 향상을 제공합니다.
• 시장 특수성: 시각적 패턴은 전통적 주식보다 암호화폐 시장 (특히 비트코인) 에서 더 예측력이 있으며, 이는 아마도 시장 미시구조와 참여자 행동 때문일 것입니다.

저자들은 이러한 발견이 시각적 트레이딩 시스템 설계에 대한 실용적인 지침을 제공하며, 엔지니어링 노력은 모델 복잡성을 증가시키기보다 데이터 품질과 문제 정의에 초점을 맞춰야 한다고 강조합니다. 그들은 결과가 더 큰 데이터셋에서는 달라질 수 있으며, 예측 가능한 패턴은 시장이 진화함에 따라 차익거래로 소멸될 수 있음을 경고합니다.