온체인 및 기술 지표를 활용하여 다중 암호화폐의 거래 전략을 위한 Temporal Fusion Transformer(TFT) 기반 예측 모델을 제안하고 검증한 연구 논문이다. 본 연구는 암호화폐 시장의 예측 정확도와 매매 성과를 향상시키는 데 기여한다.
논문 요약
- 논문 제목: Temporal Fusion Transformer‑Based Trading Strategy for Multi‑Crypto Assets Using On‑Chain and Technical Indicators
- 저자: Ming Che Lee
- 게재 학술지: Systems, Vol. 13, Issue 6
- 발행 연도: 2025
- 핵심 요약: 본 연구는 BTC, ETH, USDT, XRP, BNB 등 주요 암호화폐의 시계열을 TFT 기반 프레임워크로 예측하고, 예측 결과를 매매 시그널로 변환하여 전략 검증을 수행했다. 다양한 온체인 및 기술 지표를 통합하여 예측 모델의 성능을 향상시키는 데 중점을 두었다.
해결하려는 문제
본 연구는 암호화폐 시장의 높은 변동성과 예측의 어려움을 해결하고자 했다. 기존의 예측 모델들이 암호화폐 시장의 복잡성을 완전히 반영하지 못하는 한계를 극복하고, 더욱 정확하고 안정적인 거래 전략을 수립하는 데 기여하고자 했다.
연구 모형
본 연구는 시계열 예측에 특화된 딥러닝 모델인 Temporal Fusion Transformer(TFT)를 기반으로 연구 모형을 구축했다. TFT는 다양한 시계열 데이터와 정적 메타데이터를 통합하여 장기 의존성을 학습하고, 해석 가능한 예측을 제공하는 데 강점이 있다. 이 모델은 암호화폐의 과거 가격 데이터와 다양한 온체인 및 기술 지표를 입력으로 활용하여 미래 가격을 예측하고, 이를 통해 매매 시그널을 생성하는 방식으로 작동한다.
데이터 설명
- 출처: 5개 주요 암호화폐(BTC, ETH, USDT, XRP, BNB)의 OHLCV(Open, High, Low, Close, Volume) 및 다양한 온체인 지표와 기술 지표를 통합하여 사용했다.
- 수집 방법: 명시적인 수집 방법은 제시되지 않았으나, 암호화폐 거래소 및 온체인 데이터 제공 플랫폼에서 일일 데이터를 수집하여 통합한 것으로 추정된다.
- 데이터 변수 설명:
- OHLCV: 각 코인별 일일 시가, 고가, 저가, 종가, 거래량 데이터.
- 온체인 지표: TVL (Total Value Locked), SOPR (Spent Output Profit Ratio), AA (Active Addresses), ENF (Exchange Net Flow), HODL (Holding On for Dear Life) Wave 등 블록체인 네트워크 내부에서 발생하는 활동을 나타내는 지표들.
- 기술 지표: Fear & Greed Index (공포 및 탐욕 지수), RSI (Relative Strength Index), MACD (Moving Average Convergence Divergence) 등 전통적인 금융 시장 분석에 사용되는 지표들.
데이터 분석
본 연구는 통합된 시계열 데이터를 사용하여 Temporal Fusion Transformer(TFT) 모델을 훈련하고, 이를 통해 암호화폐 가격을 예측했다. 모델의 성능은 LSTM, GRU, SVR, XGBoost와 같은 다른 머신러닝 모델들과 비교 분석했다.
핵심 결과
본 연구의 핵심 결과는 Temporal Fusion Transformer(TFT) 모델이 암호화폐 가격 예측 정확도 및 매매 성과에서 기존 모델 대비 우수함을 입증했다는 점이다. 특히, Sharpe Ratio와 누적 수익률 측정에서 뛰어난 성능을 보였다.
시사점
본 연구는 다양한 시계열 데이터를 결합한 예측 기반 거래 전략 수립의 가능성을 시사한다. 온체인 및 기술 지표의 통합이 암호화폐 시장 예측 모델의 성능을 향상시키는 데 중요한 역할을 한다는 점을 보여주었다. 이는 향후 암호화폐 시장 분석 및 투자 전략 수립에 있어 데이터 활용의 중요성을 강조한다.
인사이트
WEB3 환경에서는 기존 WEB2 CRM에서 중요하게 다루던 고객의 행동 데이터를 온체인 데이터 형태로 파악할 수 있다. 본 연구에서 사용된 온체인 지표(TVL, SOPR, AA 등)는 특정 암호화폐의 ‘사용성’, ‘수익성’, ‘활성도’와 같은 고객 행동 지표로 해석될 수 있다. 이러한 지표들은 WEB3 CRM의 **고객 분류(Customer Segmentation)**에 직접적으로 활용될 수 있다. 예를 들어, 높은 AA를 보이는 지갑은 활성 사용자 그룹으로, 높은 SOPR을 보이는 지갑은 이익 실현 그룹으로 분류하여 타겟 마케팅 전략을 수립할 수 있다.
또한, 본 논문은 시계열 예측에 중점을 두었지만, 이러한 시계열 데이터의 변화 추이는 고객의 생애 주기(Customer Life Cycle) 변화를 감지하는 데도 활용될 수 있다. 특정 온체인 지표의 급격한 변화는 고객 이탈 징후나 충성도 변화를 나타낼 수 있으며, 이를 통해 이탈 방지 마케팅이나 로열티 프로그램을 설계할 수 있다.
**딥러닝 기반의 예측 모델(TFT)**은 단순히 가격 예측을 넘어 고객의 미래 행동을 예측하는 데도 응용될 수 있다. 예를 들어, 특정 고객 그룹이 미래에 특정 DeFi 프로토콜을 이용할 확률, NFT를 구매할 확률 등을 예측하여 개인화된 마케팅 메시지를 제공하는 데 활용할 수 있다. 이는 WEB3 환경에서의 퍼포먼스 마케팅 효율성을 극대화할 수 있는 잠재력을 가진다. 결국, 본 연구에서 사용된 데이터 통합 및 딥러닝 모델링 접근 방식은 WEB3 CRM에서 고객 분류 및 타겟 마케팅을 위한 강력한 방법론적 기반을 제공한다.