프로젝트 내용

인공지능학과 석사 학위 논문으로 진행한 비트코인 수익률 예측 연구입니다. 단순한 모델 성능 개선이 아닌, 시장의 다양한 의미를 내포하는 지표들을 조합했을 때 예측 성능에 미치는 영향을 분석하는 데 초점을 맞추었습니다.

1. 프로젝트 개요

  • 성격: 인공지능 석사 학위 논문 연구
  • 기간: 2025.03 - 2025.11
  • 규모: 개인 연구 (1명)
  • 주요 목표: 가격 지표, 도미넌스, 기술적 지표, 심리 지표의 조합에 따른 수익률 예측 기여도 분석

2. 기술 스택 및 분석 기법

  • Language: Python
  • AI Model: LightGBM
  • Validation: Expand Walk-Forward Testing
  • Analysis: XAI (Explainable AI)

3. 핵심 연구 내용 및 결과

연구 설계 및 모델 선정

지표 조합에 따른 성능 차이를 명확히 비교하기 위해, 복잡한 딥러닝 모델보다는 시계열 데이터 처리에 빠르고 준수한 성능을 내는 LightGBM 알고리즘을 베이스라인으로 채택했습니다. 또한, 시계열 데이터의 특성을 반영하여 데이터 누수(Data Leakage)를 방지하기 위해 확장 워크 포워드(Expand Walk-Forward) 검증 기법을 도입하여 모델의 일반화 성능을 검증했습니다.

다중지표 조합 및 XAI 분석 결과

비트코인 가격(BTC Price), 비트코인 도미넌스(BTC.D), 기술적 지표(MACD, RSI 등), 공포/탐욕 지수(Fear & Greed Index)를 조합하여 실험했습니다.

  • 지표 기여도 파악: XAI(설명 가능한 AI)를 통해 모델의 의사결정을 해석한 결과, 전날의 Fear & Greed Index(공포/탐욕 지수)가 수익률 예측에 가장 큰 영향을 미치는 핵심 피처로 식별되었습니다.
  • 추세 포착: 시장의 방향성 및 단기 추세를 포착하는 데에는 MACD와 RSI 같은 전통적인 기술적 지표가 높은 예측 기여도를 보였습니다.

실전 트레이딩 시뮬레이션

연구된 예측 모델의 실효성을 검증하기 위해 세 가지 모의 트레이딩 전략(Long-Only, Long-Short, Sign-Only)을 백테스팅했습니다. 이 중 상승장에 베팅하는 Long-Only 전략을 기반으로 시뮬레이션을 진행한 결과, 복리 효과가 누적되어 약 2,700,000%의 모의 누적 수익률을 달성하며 제안한 지표 조합의 높은 시장 예측 유효성을 확인했습니다.

4. 학습 및 성찰

학술적 논리 전개와 연구 방법론

처음으로 학위 논문을 집필하며, 가설을 수립하고 실험 결과를 통해 이를 논리적으로 입증해 나가는 학술적 연구 방법론을 체득했습니다. 데이터를 기반으로 설득력 있는 글을 작성하는 역량을 길렀습니다.

Python 데이터 분석 생태계 활용

주로 C# 등을 활용한 애플리케이션 개발을 해오다 본 연구를 통해 처음으로 Python 기반의 프로젝트를 수행했습니다. 이를 통해 데이터 전처리부터 머신러닝 모델 학습, 평가에 이르는 Python 인공지능 생태계의 전반적인 활용 능력을 갖추게 되었습니다.