Attention 기반 Temporal Fusion Transformer(ADE-TFT)를 통해 BTC, ETH 등 암호화폐 가격을 예측하고, 예측 변수 및 시계열 패턴의 해석 가능성을 제시하여 예측 성능과 설명력을 동시에 개선했다.
논문 요약
- 논문 제목: Interpretable Multi‑Horizon Time Series Forecasting of Cryptocurrencies by Leveraging Temporal Fusion Transformer
- 저자: Farooq Arslan, Irfan Uddin M., Adnan Muhammad, Alarood Ala Abdulsalam, Alsolami Eesa, Habibullah Safa
- 게재 학술지: Heliyon, Vol. 10, Issue 22
- 발행 연도: 2024
- 핵심 요약: 주요 암호화폐(BTC, ETH)의 가격을 ADE-TFT(Attention-based Temporal Fusion Transformer) 모델로 예측하고, 예측 결과에 영향을 미치는 주요 변수와 시계열 패턴을 해석 가능하도록 제시했다. 이는 암호화폐 예측 모델의 성능과 설명력을 동시에 충족시킨다.
해결하려는 문제
본 연구는 암호화폐 시장의 예측 정확도 향상뿐만 아니라, 예측 결과에 대한 해석 가능성(Interpretability) 부족 문제를 해결하고자 했다. 기존 딥러닝 모델들은 높은 예측 성능을 보이지만, 어떤 요인들이 예측에 중요한 영향을 미쳤는지 설명하기 어려워 실질적인 의사결정에 적용하기 어렵다는 한계가 있었다.
연구 모형
본 연구는 **Temporal Fusion Transformer(TFT)**를 기반으로 Attention 메커니즘을 강화한 ADE-TFT 모델을 제안한다. ADE-TFT는 시계열 데이터의 장기 의존성을 효과적으로 학습하는 TFT의 강점에, 예측에 기여한 변수들의 중요도를 시각화하고 해석할 수 있는 Explainable AI(XAI) 메커니즘을 추가했다. 이 모델은 과거 시계열 데이터와 다양한 기술지표를 입력으로 받아 암호화폐 가격을 예측하며, 동시에 각 입력 변수가 예측 결과에 미치는 영향력을 명확하게 보여준다.
데이터 설명
- 출처: BTC, ETH 등 주요 암호화폐의 OHLCV(Open, High, Low, Close, Close, Volume) 데이터와 다양한 기술지표 시계열 데이터를 사용했다.
- 수집 방법: 일일 시계열 데이터를 기반으로 데이터를 수집하고 전처리했다.
- 데이터 변수 설명:
- 주요 암호화폐 OHLCV: 비트코인(BTC), 이더리움(ETH) 등 주요 암호화폐의 일일 시가, 고가, 저가, 종가, 거래량 데이터.
- 기술지표: RSI(Relative Strength Index), MACD(Moving Average Convergence Divergence)와 같은 전통적인 기술 분석 지표와 감정 분석(Sentiment Analysis) 지표가 포함되었다. 이러한 지표들은 시장의 심리 및 모멘텀을 반영하여 예측 모델의 성능을 향상시키는 데 기여한다.
데이터 분석
본 연구는 주요 암호화폐의 시계열 데이터를 사용하여 ADE-TFT 모델을 훈련하고 검증했다. 모델의 예측 성능은 기존 TFT 모델과 비교 분석되었으며, 특히 Attention 메커니즘을 통해 예측에 기여하는 변수들의 중요도를 시각화하여 모델의 해석 가능성을 평가했다.
핵심 결과
본 연구의 핵심 결과는 ADE-TFT 모델이 기존 TFT 모델 대비 예측 성능을 향상시켰을 뿐만 아니라, 예측에 중요한 영향을 미치는 변수들의 중요도를 명확하게 드러내어 해석성을 확보했다는 점이다. Attention 기반 구조를 통해 예측 결과를 사용자에게 설명 가능하도록 개선하여, ‘왜 이런 예측이 나왔는가’를 이해할 수 있게 했다.
시사점
본 연구는 암호화폐 가격 예측에 있어 딥러닝 모델의 예측 성능과 해석 가능성을 동시에 확보하는 것의 중요성을 시사한다. ADE-TFT와 같은 Explainable AI(XAI) 기술이 적용된 모델은 단순한 예측을 넘어, 그 예측의 근거를 사용자에게 제공함으로써 금융 시장의 복잡한 의사결정 과정에서 신뢰도를 높이고 리스크 관리에 기여할 수 있다. 이는 암호화폐 사용자 예측에 있어 ‘왜 이런 예측이 나왔는가’를 설명할 수 있게 되어, 고객 설득 및 리스크 관리에 큰 기여 가능성을 제시한다.
인사이트
AI 빅데이터 마케터 관점에서 본 논문의 ADE-TFT(Attention-based Temporal Fusion Transformer) 모델과 그 **해석 가능성(Explainable AI)**은 WEB3 CRM에 매우 중요한 시사점을 던진다. 제 연구 목표인 듄 애널리틱스에서 수집한 USDC 스테이블 코인 트랜잭션 데이터를 활용한 고객 분류 모델 개발 시, 단순히 고객을 분류하는 것을 넘어 **’왜 이 고객이 특정 세그먼트에 속하는지’**를 설명할 수 있게 해준다. 🧠 예를 들어, 특정 고객이 ‘고가치 충성 고객’으로 분류되었다면, ADE-TFT의 Attention 가중치를 통해 해당 고객의 어떤 USDC 트랜잭션 패턴(예: 꾸준한 대규모 예치, 특정 DeFi 프로토콜과의 지속적인 상호작용)이 이러한 분류에 가장 큰 영향을 미쳤는지를 시각적으로 보여줄 수 있다.
이는 퍼포먼스 마케팅 전략 수립 시 타겟 고객에게 명확한 근거 기반의 메시지를 전달하고, 고객이 마케팅 활동에 대한 신뢰도와 이해도를 높이는 데 결정적인 역할을 한다. 또한, 고객 이탈 예측 모델을 개발했을 때, 어떤 온체인 행동(예: 특정 DApp 사용 중단, 소액 트랜잭션의 급감)이 이탈 징후로 나타나는지 설명 가능하게 함으로써, 마케터가 선제적인 고객 리텐션 전략을 세우는 데 실질적인 도움을 줄 수 있다.
WEB3 환경에서는 블록체인의 투명성으로 인해 데이터 접근이 용이하지만, 그 데이터의 복잡한 패턴과 사용자 행동의 동기를 이해하기는 어렵다. ADE-TFT와 같은 해석 가능한 딥러닝 모델은 이러한 간극을 메워주며, 마케터가 단순한 데이터 분석가를 넘어 **’블록체인 행동 심리학자’**로서 고객을 심층적으로 이해하고, 더욱 정교하고 설득력 있는 개인화된 CRM 전략을 실행하는 데 필수적인 도구가 될 것이다.