Μέθοδοι Νευρωνικών Δικτύων Γράφων για πρόβλεψη τιμής του Bitcoin βασισμένες στους γράφους συναλλαγών του Blockchain

Abstract

Υπάρχει πληθώρα δημοσιεύσεων σχετικά με τη πρόβλεψη του δημοφιλέστερου κρυπτονομίσματος αυτή τη στιγμή στην αγορά, του Bitcoin. Οι υπάρχουσες μελέτες χρησιμοποιούν διάφορα κοινωνικά, οικονομικά και τεχνικά χαρακτηριστικά μέσω συμβατικών μεθόδων μηχανικής μάθησης. Η κύρια ερευνητική συνεισφορά και ο σκοπός της παρούσας εργασίας είναι να εισάγει για πρώτη φορά στην βιβλιογραφία μια νέα μέθοδο πρόβλεψης της τιμής του Bitcoin χρησιμοποιώντας Νευρωνικά Δίκτυα Γράφων (GNN) με εισόδους τους γράφους συναλλαγών του Blockchain του Bitcoin. Αποδεικνύουμε ότι εκμεταλλευόμενα τη συνδεσιμότητα του δικτύου συναλλαγών καθώς και τα δομικά χαρακτηριστικά του, τα GNN είναι ιδανικά για να αναγνωρίζουν τοπολογικά μοτίβα τα οποία σε συνδυασμό με την παρελθοντική τιμή του BTC συμβάλλουν καθοριστικά στην πρόβλεψη της τιμής του. Κατασκευάζουμε διάφορες παραλλαγές του γράφου συναλλαγών του Bitcoin και προσδίδουμε επιπρόσθετες εξωτερικές πληροφορίες στους κόμβους του, έτσι ώστε να επεξεργάζονται με γραφοκεντρικό τρόπο, επιτυγχάνοντας ακόμα καλύτερες αποδόσεις για τις μακροχρόνιες προβλέψεις. Εξετάζουμε διάφορα σενάρια γράφων και βασικές αρχιτεκτονικές για τα GNN. Μελετούμε την απόδοση των μοντέλων στο πρόβλημα παλινδρόμησης για την ακριβή πρόβλεψη της τιμής του BTC για μία και έξι ώρες μπροστά. Γίνεται σύγκριση με τις μέχρι τώρα μεθόδους της βιβλιογραφίας και προκύπτει ότι η μέθοδος μας υπερτερεί έναντι των περισσότερων. Μέσω της δουλειάς μας ανοίγεται η δυνατότητα έρευνας σε ένα νέο συναρπαστικό πεδίο, τη πρόβλεψη τιμής με τη χρήση των state-of-the-art GNNs στους γράφους συναλλαγών, με πιο προχωρημένες τεχνικές που θα βγάλουν ακόμα καλύτερα αποτελέσματα και θα εφαρμοστούν όχι μόνο στο Bitcoin αλλά και σε άλλα διάσημα κρυπτονομίσματα. There is a plethora of publications about the price prediction of the most popular cryptocurrency currently on the market, Bitcoin. Existing studies use a variety of socioeconomic and technical factors through conventional machine learning methods. The main research contribution and purpose of this paper is to introduce for the first time in the literature, a new method for Bitcoin price prediction, which uses Graph Neural Networks (GNN) that take as inputs the transaction graphs of the Bitcoins Blockchain. We demonstrate that by exploiting the connectivity of the transaction network as well as its structural features, GNNs are ideally suited to identify topological patterns which, combined with the past price of BTC, are instrumental in predicting its future price. We construct several variants of the Bitcoin transaction graphs and assign additional external information to its nodes so that they are processed in a graph-centric manner, achieving even better performance for long-term predictions. We consider several graph scenarios and basic architectures for GNNs. We study the performance of the models in the regression problem to accurately forecast the price of BTC for one and six hours ahead. We compare the existing methods in the literature with ours and find that our method outperforms most of them. Through our work we open up the possibility of research in an exciting new field, price prediction using state-of-the-art GNNs, with more advanced techniques that will yield even better results and will be applied not only to Bitcoin but also to other famous cryptocurrencies.