R로 코인 가격예측 모델 만들기

gillime (51) in kr • 7 years ago

내용이 정말 공대생스러운 점 미리 사과드립니다.

R로 코인 가격예측 모델 만들기

이번에는 코드통계로 분석하는 간단한 회귀분석으로 시작하는 모델을 만들어본다.
데이터분석을 통한 주가 시세예측 프로그램이야 시중에도 서적들이 많이 출간되었는데,
만약 가상화폐의 기본적인 내재가치가 마케팅적인 측면, 사업적인 측면이 아닌 (대다수이겠지만) 결국 코드베이스로 작동한다면, 코드가 얼마나 해당 가상화폐의 시세에 기여하는지를 살펴보고 이를 통해 적당한 시세를 제시해볼수도 있고 생각보다 다른것보다 저평가되거나 고평가된 코인들을 찾아볼수있지 않을까 싶다. 물론 헛생각일수 있다.

글의 목적은 하나 더있는데, 실제로 듬성듬성한 데이터를 가지고 전처리를 어떻게 할것인지 탐구해보기 위해서다.

무엇이 가격에 영향을 주는가?

사실 인기는 별로 없지만, 그래도 노가다를 해서 만든 코인 개발 통계를 아래와 같이 참고하면,

투자할때 꼭 먼저 체크해야하는 각종 코인 개발 내역
https://steemit.com/coinkorea/@gillime/50

데이터를 참고했다. 사실 별로 예뻐보이지 않아 인기있는 글은 아니다.

다시 말해보자면 개발과 관련해서 얻을수 있는 정보로는

커밋횟수
Star갯수
코드기여자
참조횟수
사용언어
시가총액

이 된다. 사실 정확히 하려면, 내부알고리즘까지 뜯어보고 이에대한 점수를 매겨야 하는데, 이를 하나하나 들여다보고 비교해볼수없으니 어쩔수 없이 많이 개발이 되었으면 좋은 코드라고 가정할수 있지않을까? 라고 혼자 찐따같이 되내겨 보며

직접 한땀한땀 불금을 바쳐 만든 데이터를 표로 한번 긁어와본다.

코인이룸	원천	커밋횟수	Star 갯수	코드기여자	참조횟수	사용언어	시총
비트코인		15,804	24,011	459	13,869	C++	2763
리플		11,560	2,075	57	575	C++	1245
이더리움		9,196	11,009	211	3,366	C++	993
비트코인 캐시	N, 비트코인		400			C++	425
에이다		12,714	1,305	50	174	Haskell	272
뉴이코노미무브먼트		571	179	4	51	Java	147
트론		165	372	12	75	Java	147
라이트코인	N, 비트코인	69	2,512		100	C++	137
스텔라		3,772	863	36	233	C++	127
아이오타		1,361	664	20	192	C++	110
대시	N, 비트코인		813			C++	97
네오		347	1,426	17	446	C#	65
이오스		1,944	2,656	53	544	WebAssembly	63
모네로		5,297	2,108	135	872	C++	62
비트코인골드	N, 비트코인		475		243	C++	49
퀀텀	N, 비트코인		562		111	C++	49
라이블록스		2,387	981	17	189	C++	47
이더리움클래식	N, 이더리움	4,697	1,647	32	224	JavaScript	37
아이콘		43	88	8	32	Python	28
비트커넥트	N, 비트코인	30	90	1	102	C++	25
버지	N, 비트코인	882	1,008	35	283	C	24
비트쉐어		1,827	533	34	359	C++	20
오미세고		243	80	7	24	Go	20
아더	N, NXT	조사필요	조사필요	조사필요	조사필요	Java	19
스테이터스		2,079	1,714	102	411	Clojure	19
제트캐시	N, 비트코인		3,263		895	C++	18
바이트코인		88	305	5	조사필요	C++	18
시아코인		8,220	2,058	43	277	Go	16
스팀		2,165	812	34	337	C++	16
포퓰러스		2	8	1	5	Solidity	16
스트라티스		1,427	289	33	124	C#	15
웨이브		6,297	366	30	120	Scala	13
바이낸스코인	X						13
도지코인	N, 비트코인		1,591		663	C++	12
디지바이트	N, 비트코인		167		73	C++	11
VeChain	X						11
코모도	N, ZCASH		47			C++	10
XPCoin	N, 비트코인	55	43	5	19	C++	10
Hshare	N, 비트코인	17	86	1	24	C++	10
덴트	X						9
골렘		4,857	1,986	25	192	Python	8
어거		4,045	314	22	65	TypeScript	8
드래곤체인		243	439	11	102	Python	8
베리타시움	N, 비트코인J	38	4	1	8	JavaScript	8
디크리드	N, 비트코인Go		237			Go	7
아크		937	155	33	99	Javascript	7
에쏘스	X						7
펀페어	X						7
레드코인	N, 라이트코인		213			C++	6
PIVX	N, 비트코인		182			C++	6
팩텀		9,492	106	52	29	Go	6
솔트	X						6
베이직 어텐션	X						6
KuCoin Shares	X						6
쿼시	X						6
Nxt		조사필요	조사필요	조사필요	조사필요	Java	5
모나코인	N, 라이트코인		187			C++	5
일렉트로니움	N, 모네로		159			C++	5
비트코인다크	N, 비트코인		17	9	22	C	5
0x		2,499	243	11	42	TypeScript	5
바이트볼		904	79	10	43	Javascript	5
넥서스		255	55	14	38	C++	5
리퀘스트 네트워크		115	98	2	6	TypeScript	5
파워레저	X						5
아이온	X						5
텐엑스	X						5
버트코인	N, 비트코인		236			C++	3
스토리지		380	227	26	68	JavaScript	3
비트베이	X						3
아인슈타니움	N, 라이트코인		30			C++	2
리피오크레딧네트워크		27	10	3	6	Solidity	2
모나코인	X						2
싱귤러DTV	X						2
그로스톨코인	N, 비트코인		9			C++	1
머큐리		7	2	1	0	HTML???	1
코파운드잇	X						1
복셀	X						1

정말 간단하게 위의 표에있는 몇가지 요소들이 가격에 영향을 미친다고 생각해볼수있다.

일단 무작정 R을 설치해본다.

R 설치

왜 R을 썼는가?

그냥

간단한 회귀분석은 당연히 엑셀을 쓰면 그래프와 함께 클릭질 몇번이면 끝난다. 대부분 골머리를 썩게되는 전처리 과정도 사실 엑셀로 하면 쉽다. 그렇지만 엑셀의 단점은 기계학습의 종류인 분류, 군집화, 신경망등을 쉽게 쉽게 쓸수는 없는 단점은 있다. 물론 사실 엑셀도 굳이 플러그인을 깔면 되긴한다. ~~하지만 코딩을 통한 짜릿함은 기분이 좋다.~~

R프로그램 다운로드 http://cran.nexr.com/
R studio 다운로드 https://www.rstudio.com/

분석을 하려고 지금까지 유난을 떨었다. 그냥 다 잊으면 된다.

이제, R이 해당하는 저 파일을 열려면 excel파일 혹은 CSV로 변환된 파일을 열어야 한다. 현재 경로를 확인한다.

경로 확인

> getwd()
"C:/Users/username/Documents"

위의 테이블파일을 복사해서 엑셀에서 csv로 저장하는 편이 제일 나을것이다.
경로를 알아내고 난 다음에는, 위 경로에다가 저장해놓으면 된다.

> data <- read.csv("data.csv")
> str(data)
data.frame': 77 obs. of 9 variables:
X : Factor w/ 76 levels "0x","Hshare",..: 39 23 62 40 59 12 72 20 45 52 ...
원천 : Factor w/ 10 levels "","N, NXT","N, ZCASH",..: 1 1 1 6 1 1 1 6 1 1 ...
커밋횟수 : Factor w/ 42 levels "","1,361 ","1,427 ",..: 9 6 38 1 8 31 10 33 20 2 ...
Star.갯수 : Factor w/ 60 levels "","1,008 ","1,305 ",..: 29 21 11 39 3 16 37 23 54 47 ...
코드기여자: Factor w/ 34 levels "","1 ","10 ",..: 25 30 12 1 27 23 6 1 22 11 ...
참조횟수 : Factor w/ 44 levels "","0 ","100 ",..: 8 33 21 1 9 31 39 3 15 12 ...
사용 : Factor w/ 16 levels "","C","C#","C++",..: 4 4 4 4 7 9 9 4 4 4 ...
특이점 : Factor w/ 17 levels "",".","?","??",..: 1 1 1 1 1 1 1 1 1 1 ...
시총 : int 2763 1245 993 425 272 147 147 137 127 110 ...

불러온 데이터의 구조다. 머리가 굉장이 아프다.

Star와 시총 상관관계 내보기

몸풀기로 star갯수로 한번 찾아본다.

해당하는 star갯수를 가져와서
> data_star <- data[c('코인이름', 'Star.갯수', '시총')]
> colnames(data_star) <- c("name", "star", 'cap')

이를 숫자로 변환하고
> data_star[,2] <- as.integer(gsub(",","",data_star[,2]))

의미없는 숫자 제거.
> data_star <- data_star[complete.cases(data_star),]

내림차순으로 정렬해서
> sorted_data_star <- data_star[order(-data_star$star),]

최종 결과를 쉽게(?) 뽑아낼수 있다.

머릿속에는 왜 엑셀을 쓰지 이딴 R을 쓰는가에 대한 생각이 지나가고 있을것이다. 하지만 그렇다고 해서 우리는 간지를 포기할수는 없다. 회사에서 일을 하다가 R을 돌리면 지나가는 부장님이 한마디 하면서 '오 절믄사람이 업무 혁신을 하네?' 할것이고 엑셀을 돌리면 그냥 엑셀노가다를 하고있구나, 라고 생각할것이다. 다만 프로그래머가 쓰고있으면 코딩은 안하고 나댄다고 생각할수도 있을 것같다.

그래프 그려주기

이를 star와 시총의 관계를 보여주는 그래프로 보여줄 수 있다. ggplot2를 이용해본다.
왜냐구? 제일 예쁘다고 하니까.

> library(ggplot2)
> ggplot(data = sorted_data_star, aes(x = star, y = cap)) + geom_point(aes(size=3,colour=sorted_data_star$name)) + geom_text(label=sorted_data_star$name) + geom_smooth()

으아니! 비트코인, 리플, 이더리움 삼대장들이 영향력이 너무 크다. 잡(?) 코인들이 댕췌 보이지가 않는다. 일단 상관계수를 한번 내본다.

> cor(sorted_data_star$star, sorted_data_star$cap)
0.9078217

-1과 1사이에 상관계수는 항상 위치하는데, 1에 가까울수록 정말 강한 상관관계를 가지고 있는것이다. 그렇다고 해서 별을 많이 받으면 과연 가격이 높아지나? 아니다. 가격높은 코인을 보고 도대체 소스는 으뜨케 만들었어? 하고 찾아온 킬리만자로 표범들이 많다는 설명이 더 타당성있게 일단은 들린다. 또한, 데이터는 비트코인이나 이더리움의 영향을 너무 많이 받고있다.

조금은 식상한 비트코인, 리플, 이더리움은 아웃라이어로 취급해버리고 시총이 50조 이하의 관심을 못(?)받는 우리 조그마한 코인들에게 좀더 관심을 쏟아보자.

아 참고로 예전부터 열심히 우리 부모님들이 땀흘려 이룬 우리나라의 성장을 이끈 기업중 하나인 현대자동차(한국 시총3위)는 시총이 39조고, 우지한이 코를 파다 '에잇 수틀렸는데? 복사 붙여넣기나 해볼까?' 하고 만든 비트코인캐시의 시총은 42조(코인 시총 4위)다. 무슨세상에 살고있는건지 잘 모르겠지만 어쨌든 계속 한다.

이제, 상위 세개를 빼고 다시한번 그래프를 그려본다.

s2 <- sorted_data_star[-c(1,2,7)]
ggplot(data = s2, aes(x = star, y = cap)) + geom_point(aes(size=3,colour=s2$name)) + geom_text(label=s2$name) +geom_smooth()

아니 이게 뭐시당가.. 별로 생각하던대로 나오진 않았다.
그도그런게, 깃허브 스타를 몇개를 받았는지와 시총이 큰 상관관계를 가질거라는 예상과는 다르게 별로 의미는 없어보이긴한다. 상관관계는 다음과 같다

> cor(s2$star, s2$cap)
0.1925724

상관이 없다.

시가총액 10조이하, 별이 천개 이하인 데이터만 구해보면 어떨까?

> s3 <- sorted_data_star[sorted_data_star$cap < 100 & sorted_data_star$star < 1000,]
> cor(s3$star, s3$cap)
0.6813768

이번에는 보조선을 곡선이 아닌 직선으로 놔뒀다. 은근히 되긴 되는데 마음속 깊이 찝찝함은 잊을수가 없다. 그래도 간단한 의미는 도출해볼수 있다. 뭐 어디 학회 나가서 말할만한 내용은 아니지만, 대충 무게감있는 알트코인의 경우 스타가 많을수록 시총과 어느정도는 상관관계가 있을수도 있다는 것이며, 직선아래에 있는 놈들은 개발자들이 표한 관심보다는 덜 시장가가 형성되어있고, 위에 위치한 놈들은 개발자의 애정보다도 시장가가 높게 형성된 놈이라는 결론이 나긴 나온다.

여러변수를 고려하기 위한 전처리

앞서 말했듯이, 구할수 있는 변수에는 몇가지가 있다. 지금까지는 스타라는 항목 하나만을 가지고 뭔가 열심히 그림을 색칠해 보았는데, 스타 수 말고도

커밋횟수가 얼마나 되는지,
얼마나 컨트리뷰터들이 있는지,
그리고 얼마나 reference가 많이 된 코드인지 등이 있다.

어떻게 보면 구글의 페이지 랭크와 비슷하다. 제일 많이 참조된 소스가 좋은 소스일수 있다는것. 물론 리플이 구글보다 훨씬 위대해서 그런지 어쩐지는 모르겠지만, 래리페이지와 세르게이는 리플 창시자보다 재산순위가 낮다.

이제는 여러 변수를 한번 고려해보자.

일단 처음 데이터셋인 data를 다시 꺼내들을 때가 왔다. 방망이 깎는 노인처럼 정성스레 한번 깎아보자. 변수명은 요즘에는 아무거나 빅데이터라고 가져다 붙이는게 유행이니 bigdata라고 해본다.

convertNum <- function(i) {
  bigdata[,i] <- as.integer(gsub(",","",bigdata[,i]))
}

convertNum(3);
convertNum(4);
convertNum(5);
convertNum(6);

멋진 코딩을 위해 function을 선언했다. 하지만 루프문을 만드는 노력따위는 하지않는다. 사실 불러올때 숫자에 쉼표가 있는 스트링이라 일단 주먹구구식으로 했다.

이제 당당하게 str함수를 불러보면 제대로 type변환이 이루어져있다.

str(bigdata);
 $ 코인이름  : Factor w/ 76 levels "0x","Hshare",..: 39 23 62 40 59 12 72 20 45 52 ...
 $ 원천      : Factor w/ 10 levels "","N, NXT","N, ZCASH",..: 1 1 1 6 1 1 1 6 1 1 ...
 $ 커밋횟수  : int  15804 11560 9196 NA 12714 571 165 69 3772 1361 ...
 $ Star.갯수 : int  24011 2075 11009 400 1305 179 372 2512 863 664 ...
 $ 코드기여자: int  459 57 211 NA 50 4 12 NA 36 20 ...
 $ 참조횟수  : int  13869 575 3366 NA 174 51 75 100 233 192 ...
 $ 사용      : Factor w/ 16 levels "","C","C#","C++",..: 4 4 4 4 7 9 9 4 4 4 ...
 $ 특이점    : Factor w/ 17 levels "",".","?","??",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ 시총      : int  2763 1245 993 425 272 147 147 137 127 110 ...

이제 하나만 하면 준비가 된다. NA를 없애야 하는것이다. 실제로 이 데이터에는 필요없는 데이터인 소스코드가 없는 코인, 그리고 너무나도 명백한 포크코인들이 있다. 이 포크코인들은 star만을 유추했기 때문에 위의 그래프에서는 보일지 몰라도 이번에는 제거해 버릴것이다. 코딩덕후는 코드를 만들지 않았으면 경외심이 사라진다.

bigdata <- bigdata[complete.cases(bigdata),]

구체적인 숫자는 말하고싶지 않지만 많은 양의 소스코드가 없던 코인들이 내 월급마냥 공허속으로 사라져버렸다. 하지만 N이 30은 넘으니 그럭저럭 있다고 치고 계속 해본다.

자 여기서는 기본적인 선형회귀식을 한번 돌려본다.

여기서 이용할만한 변수는 위에서도 언급된,

(독립변수)

커밋횟수
Star.갯수
코드기여자수
참조횟수

(종속변수)

시가총액

이다. 저 네개의 독립변수의 움직임을 통해 시가총액을 예측하는 모델을 만들어보는것이 목적이다.

model <- lm(시총 ~ 커밋횟수 + Star.갯수 + 코드기여자 + 참조횟수, data = bigdata)
summary(model)

잔차 통계량

Residuals 로 확인할수 있는데, Max와 Min을 통해 극단적인 이상치들이 있음을 확인할수는 있다. 일단 뭔가 수상한점이 있는데 넘어간다.

계수

커밋횟수와 참조횟수의 p-value 가 0.05로 낮은 편이다. 이보다 큰값인 스타갯수와 코드기여자는 별로 상관이 없을수도 있다는 생각도 있다.

잔차의 표준오차

작아야 하는데 크다. 일단 못본척 눈을 질끈 감고 넘어간다.

결정계수

모델로 설명이 되지않는 변동량을 알수 있는데, 여기서 adjusted r-squared 는 모델에 있는 변수도 고려해주기 때문에 0.8817을 일단 믿어보도록 한다. 결정계수가 1이라면 모델이 모든 현상을 설명할수 있다는 소리이다. 0.8817은 사실은 비트코인과 이더리움때문에 높게 나오고있는데, 일단 높으면 설명력이 높다고 할수있다.

F통계량

p-value가 굉장히 낮은것을 확인할수 있다. 일단 사실은 아웃라이어 (비트, 이더)가 영향을 너무나 많이 미치기 때문에 모델의 설명력이 높다고 나오긴 하는데 일단 여기서는 넘어간다.

실제 코인의 적정 시총 예측해보기

절대 완벽한 모델은 아니다. 직접 캡처하지는 않았지만, 잔차라는 무시무시한 놈이 찝찝함을 한가득 가져다주기 때문이다.

하지만 어쨌든 위의 모델에서 나오는 모델을 가지고 실제로 해당하는 소스의 통계치를 가지고 예측을 해볼수 있다. 사실, 위의 표를 만드는데 이상했던점이 대부분의 코인은 일하는지 어쩌는지도 잘 모르겠고 마케팅에만 혈안이 되어있고 시총만 뻥튀기 하는데 급급한데 어떤 코인은 뭔가 시총이 높지도 않은데 열일하는 코인이 있기는 했다는것이다. 아 물론 싸다는것은 아니다. F로 시작하는 코인인데 깃허브에 watch를 걸어놓으니 시도때도없이 밤낮주말에도 코딩하면서 일해라모드다. 뭘하는지는 다음 포스팅에 한번 적어볼 예정인데, 넣은돈은 없지만 어쨌든 뭔가 열심히 일하니 보기가 좋다. 야근을 지켜보는 옆부서 부장님 마음이 아닐까 싶다.

이 코인은 실제로, 커밋횟수, star갯수, 코드기여자, 참조횟수가
9,492 / 106 / 52 / 29 를 기록한다.

사실 기계학습에서 학습 데이터를 가지고 다시 재탕해서 그 데이터를 예측하는것은 기계에대한 실례다. 하지만, 글이 너무 질질 길어지고 있기 때문에 빠르게 predict함수를 통해 예측한다.

사실 위에서 예측한 계수를 가지고 z = 2x + 3y ... 와 같은 식을 세울수 있는데, 이러한 식을 통해 나오는 결과값은 predicts라는 함수로 쉽게 구할수 있다.

target <- data.frame(커밋횟수=9492, Star.갯수=106, 코드기여자=52, 참조횟수=29)
predict(model, newdata=target)
      1 
265.262

적정 시총은 265, 즉 26조 정도로 예측할수 있다. 발행량을 보면 8,745,102개 이므로, 26조를 대충 나눠보면 약 적정가격은 303.02 USD다. 현재 가격은 70.32 USD긴 하다. 아 물론 이글을 읽고 모두가 다 그 코인을 사러가지 않으면 좋겠다. 열심히 일해서 성과가 나오도록 지켜봐주자. 뭔가 실물로 잡히는 서비스는 없어보이기 때문이다.

실제로 모델로 이제 한번 얼마나 수치가 떨어져있나 보기위해 아래와같이 계산한다.

target <- bigdata
result <- predict(model, newdata=target)
result <- cbind(bigdata, result)
resultfinal <- result[,c("코인이름", "시총", "result")]
resultfinal[,4] <- resultfinal[,2] - resultfinal[,3]
colnames(resultfinal)[4] <- "평가차이"
str(resultfinal)
resultfinal <- resultfinal[order(resultfinal$평가차이),]
resultfinal

위에서부터 저평가된 코인이며, 밑으로갈수록 고평가되어있는 코인이다.

               코인이름 시총      result    평가차이
51                 팩텀    6  265.262015 -259.262015
28             시아코인   16  268.255280 -252.255280
14               모네로   62  279.391692 -217.391692
32               웨이브   13  182.568487 -169.568487
41                 골렘    8  150.553235 -142.553235
5                에이다  272  388.809313 -116.809313
18       이더리움클래식   37  151.066276 -114.066276
42                 어거    8  104.075990  -96.075990
25           스테이터스   19  102.375076  -83.375076
29                 스팀   16   92.466294  -76.466294
22             비트쉐어   20   85.816540  -65.816540
13               이오스   63  120.785074  -57.785074
60                   0x    5   52.693635  -47.693635
1              비트코인 2763 2806.321138  -43.321138
17           라이블록스   47   74.184359  -27.184359
21                 버지   24   43.903889  -19.903889
31           스트라티스   15   33.676570  -18.676570
46                 아크    7   14.387515   -7.387515
61             바이트볼    5    3.876654    1.123346
9                스텔라  127  124.183492    2.816508
12                 네오   65   55.116716    9.883284
68             스토리지    3   -7.976855   10.976855
43           드래곤체인    8   -6.418234   14.418234
62               넥서스    5  -16.903792   21.903792
71 리피오크레딧네트워크    2  -29.333317   31.333317
63    리퀘스트 네트워크    5  -26.630610   31.630610
75               머큐리    1  -30.965142   31.965142
38               XPCoin   10  -26.268624   36.268624
39               Hshare   10  -26.587725   36.587725
44           베리타시움    8  -28.656288   36.656288
20           비트커넥트   25  -12.960015   37.960015
23             오미세고   20  -19.646680   39.646680
30             포퓰러스   16  -30.270727   46.270727
19               아이콘   28  -24.432434   52.432434
10             아이오타  110   43.182031   66.817969
6    뉴이코노미무브먼트  147   -4.993874  151.993874
7                  트론  147  -13.392893  160.392893
3              이더리움  993  822.111165  170.888835
2                  리플 1245  421.374771  823.625229

그냥 끝내기는 아까우니, 뭔가 멋들어지게 그래프도 하나 그리면서 끝내주자

resultfinal$colour <- ifelse(resultfinal$평가차이 < 0, "steelblue", "firebrick1")
ggplot(resultfinal, aes(x = 코인이름,y = 평가차이))+ geom_bar(stat="identity", fill=resultfinal$colour) + coord_flip()

파란색은 아직 저평가된 코인이고, 빨간색은 고평가된 코인이다.

모델의 한계

비트코인과 이더리움, 리플이 일단 모델에 굉장한 영향을 끼치고 있다. 진단그래프를 통해 문제점을 확인할수 있는데 다음에 없애본다.
활용할수있는 데이터의 수집에 문제가 있다.
상관관계과 인과관계는 아니므로, 시가총액이 많고 유명해서 사람들이 참고를 많이 한건지, 좋은 코드를 사람들이 알아보고 가격이 높아졌는지 불분명하다.
시시각각으로 변하는 시가총액을 적용못함.