BitcoinPricePrediction

👥 Team Members

김재원	신동우	홍성인

Claude 3.7 Sonnet

주요 기능

• 데이터 통합: OHLCV(시가, 고가, 저가, 종가, 거래량) 데이터와 공포 & 탐욕 지수 및 시가총액 지표 결합
• 기술적 지표: RSI, MACD, 볼린저 밴드 등 15개 이상의 기술적 지표 계산
• 하이브리드 딥러닝: 최적의 시계열 예측을 위해 GRU와 LSTM 네트워크 결합
• 하이퍼파라미터 최적화: 최적의 모델 구성을 위한 단계적 튜닝 구현
• 종합적 평가: 기본 RMSE를 넘어선 다양한 지표를 활용한 모델 평가
• 방향성 예측: 절대 값뿐만 아니라 가격 움직임 방향 정확도에 중점
• 시각화: 모델 성능 및 예측 분석을 위한 광범위한 시각화 도구 제공

프로젝트 구조

• 데이터 처리: 데이터 로드, 전처리 및 특성 엔지니어링을 위한 함수
• 모델 구축: 하이브리드 GRU+LSTM 아키텍처 정의
• 훈련 & 튜닝: 훈련 및 하이퍼파라미터 최적화 구현
• 평가: 종합적인 평가 지표 및 시각화 도구
• 예측: 미래 가격 예측을 위한 함수

데이터 파이프라인

1. 데이터 수집:

   • Yahoo Finance에서 비트코인 가격 역사 데이터
   • alternative.me API에서 공포 & 탐욕 지수
   • 유통 공급량 기반 시가총액 추정

2. 특성 엔지니어링:

   • 기술적 지표(RSI, MACD, 볼린저 밴드 등)
   • 시간적 특성(요일, 월, 분기)
   • 가격 모멘텀 특성(1일, 7일, 30일 수익률)
   • 변동성 지표(30일 표준편차)

3. 데이터 전처리:

   • 누락된 값 처리
   • 이상치 처리
   • MinMaxScaler를 사용한 특성 스케일링
   • 시계열 모델을 위한 시퀀스 생성

모델 아키텍처

하이브리드 딥러닝 모델

• GRU 계층: 효율적인 계산으로 단기 패턴 포착
• LSTM 계층: 가격 데이터의 장기 의존성 모델링
• 배치 정규화: 훈련 안정성과 수렴성 개선
• 드롭아웃 계층: 과적합 방지
• 완전 연결 계층: 최종 회귀 출력

하이퍼파라미터 튜닝

1. 초기 탐색: 주요 아키텍처 결정에 대한 빠른 평가
2. 미세 조정: 최상의 초기 구성 주변에 대한 세부 검색

튜닝된 주요 하이퍼파라미터

• GRU 유닛: 32, 64, 128
• LSTM 유닛: 64, 128, 256
• 드롭아웃 비율: 0.2, 0.3, 0.4
• 학습률: 0.001, 0.0005, 0.0001
• 배치 크기: 16, 32, 64
• 옵티마이저: Adam, RMSprop

평가 지표

1. 기본 정확도 지표:

   • RMSE (Root Mean Squared Error)
   • MAE (Mean Absolute Error)
   • MAPE (Mean Absolute Percentage Error)
   • R² (결정 계수)

2. 방향성 정확도:

   • 전체 방향 정확도(상승/하락 움직임)
   • 상승 움직임 정확도
   • 하락 움직임 정확도

3. 고급 지표:

   • Theil의 U 통계량(단순 예측과 비교)
   • 복합 점수 시스템(여러 지표에 걸쳐 0-5 척도)

시각화

1. 시계열 플롯:

   • 실제 vs. 예측 가격
   • 시간 경과에 따른 잔차 분석

2. 산점도 분석:

   • 실제 vs. 예측 산점도와 회귀선
   • 변동성 vs. 오차 상관관계

3. 오차 분석:

   • 잔차 분포 히스토그램
   • 잔차의 자기상관 함수 플롯

4. 미래 예측:

   • 과거 가격 및 미래 예측 시각화
   • 불확실성 범위(선택적)

필요 라이브러리

• Python 3.8+
• TensorFlow 2.x
• pandas
• numpy
• matplotlib
• seaborn
• scikit-learn
• yfinance
• ta (기술 분석 라이브러리)
• statsmodels

ChatGPT

주요 기능

• 데이터 통합:
• 기술적 지표:
• 하이브리드 딥러닝:
• 하이퍼파라미터 최적화:
• 종합적 평가:
• 방향성 예측:
• 시각화:

프로젝트 구조

• 데이터 처리:
• 모델 구축:
• 훈련 & 튜닝:
• 평가:
• 예측:

데이터 파이프라인

1. 데이터 수집:
2. 특성 엔지니어링:
3. 데이터 전처리:

모델 아키텍처

하이퍼파라미터 튜닝

평가 지표

시각화

필요 라이브러리

DeepSeek

주요 기능

• 데이터 통합:
• 기술적 지표:
• 하이브리드 딥러닝:
• 하이퍼파라미터 최적화:
• 종합적 평가:
• 방향성 예측:
• 시각화:

프로젝트 구조

• 데이터 처리:
• 모델 구축:
• 훈련 & 튜닝:
• 평가:
• 예측:

데이터 파이프라인

1. 데이터 수집:
2. 특성 엔지니어링:
3. 데이터 전처리:

모델 아키텍처

하이퍼파라미터 튜닝

평가 지표

시각화

필요 라이브러리

Gemini

주요 기능

• 데이터 통합:
• 기술적 지표:
• 하이브리드 딥러닝:
• 하이퍼파라미터 최적화:
• 종합적 평가:
• 방향성 예측:
• 시각화:

프로젝트 구조

• 데이터 처리:
• 모델 구축:
• 훈련 & 튜닝:
• 평가:
• 예측:

데이터 파이프라인

1. 데이터 수집:
2. 특성 엔지니어링:
3. 데이터 전처리:

모델 아키텍처

하이퍼파라미터 튜닝

평가 지표

시각화

필요 라이브러리