ChatGPT로 암호화폐 가격 예측하기

안녕하세요. 카카오뱅크 기술기획팀 William입니다. 저는 머신러닝을 이용한 데이터 분석, 그중에서도 인공지능 기술을 금융시장분석에 적용하는 분야에 관심을 갖고 있습니다. 지난 3월 “ChatGPT로 주식 가격 예측하기”란 글을 통해 LLM을 이용하여 신문기사를 분석하고 이 정보를 바탕으로 주식시장에서 높은 수익을 얻을 수 있다는 주제의 연구 논문을 소개해 드렸는데요. 이번에는 암호화폐시장에서 LLM의 활용가치를 알아보려 합니다.

암호화폐의 역사

암호화폐의 태동기

암호화폐 역사는 약 15년정도에 불과하지만, 그 짧은 기간 동안 엄청나게 빠른 속도로 세상을 바꾸었습니다. 최초의 암호화폐인 비트코인은 2008년 10월, 사토시 나카모토(Satoshi Nakamoto)라는 익명의 인물이 발표한 “Bitcoin: A Peer-to-Peer Electronic Cash System”이란 논문을 통해 세상에 소개되었으며, 2009년 1월 3일에 비트코인 네트워크의 첫 번째 블록(제네시스 블록) 채굴을 시작으로 발행되었습니다.

비트코인의 실용적 가치는 2010년 5월 22일에 구체화되었습니다. 라스즐로 핸예츠(Laszlo Hanyecz)라는 미국 플로리다주의 프로그래머가 1만 비트코인으로 15달러 상당의 피자 두 판을 구매한 사건이 있었는데, 이는 비트코인으로 실물 거래가 이뤄진 첫 사례로 기록되었습니다. 이 사건은 비트코인 커뮤니티에서 크게 환영받았고, 그날은 ‘비트코인 피자 데이🍕‘로 명명되어 오늘날에도 기념하고 있습니다.

암호화폐 거래소의 등장

암호화폐인 비트코인이 탄생하자, 뒤이어 이를 거래하기 위한 암호화폐 거래소가 등장했습니다. 최초의 암호화폐 거래소인 bitcoinmarket.com이 2010년 3월에 등장했고, 2010년 7월에는 Mt.Gox가 서비스를 시작한 이후, 암호화폐시장은 급성장했습니다. 초기에는 기술발전, 디지털화 추세, 탈중앙화에 대한 수요 증가가 주된 성장요인이었고, 최근에는 대체투자자산으로서의 매력이 부각되면서 기관투자자의 참여가 확대되고, 알트코인 및 스테이블코인 등이 새롭게 등장하면서 암호화폐시장이 급성장하고 있습니다.

투자자산으로의 성장

자산배분(asset allocation) 관점으로 보면, 비록 암호화폐가 높은 가격 변동성을 보이지만, 다른 전통적인 자산들과는 낮은 상관 관계를 보이기 때문에, 전통적인 자산에 대한 위험분산 역할을 할 수 있습니다. 즉, 분산 투자를 통해 투자포트폴리오의 위험을 낮추고 투자 성과를 향상시킬 수 있습니다. 이런 투자매력 덕분에 암호화폐가 자산배분의 수단 중 하나로 부각되면서 최근들어 다양한 기관투자자들이 암호화폐시장에 참여하게 되었고 암호화폐를 기초자산으로 하는 ETF가 미국증권시장에 상장되기도 했습니다.

기관 투자자들의 참여로 인해 암호화폐 시장이 더욱 성숙해지면서, 암호화폐 투자에 대한 관심이 높아지고 있습니다. 특히, 최근에 비트코인 등 대표적인 암호화폐의 가격이 급등하면서 암호화폐의 가격 예측이나 가치평가도 많은 관심을 받는 주제가 되었습니다. 아래 [그림 1]과 [그림 2]는 Federal Reserve Economic Data에서 ‘비트코인(CBBTCUSD)’ 가격을 검색한 기록입니다.

먼저 [그림 1]에서 보듯이, 비트코인의 가격은 급등락을 거듭하면서도 상당히 가파른 상승곡선을 그렸습니다. 구체적으로 보면, 2015년 1월 1일에 430 달러에 불과했던 가격은 1년 후 2배로 상승하였고, 2년 후에는 30배의 놀라운 상승률을 보였습니다. 그리고 가장 최근 시점인 2024년 4월 17일에는 61,267달러를 기록하였습니다. 이런 놀라운 가격상승 덕분에 암호화폐로 엄청난 부자가 된 사람들, 대표적으로 이더리움의 공동 설립자인 비탈릭 부테린(Vitalik Buterin), 세계 최대 암호화폐 거래소인 바이낸스의 설립자인 창펑 자오(Changpeng Zhao) 등의 얘기가 종종 들려오기도 합니다.

[그림 2]는 비트코인의 1개월간 가격 변화율의 시계열입니다. 한 달에 10% 이상 변동하는 경우가 대부분이고, 40% 이상 변동하는 경우도 자주 나타날 정도로 가격 변동성이 큽니다. 이처럼 암호화폐 시장은 변동성이 높기로 유명합니다. 그 이유는 암호화폐가 다른 일반적인 자산과는 달리 미래 현금흐름을 만들어내지는 않기 때문에 이를 기반으로 평가하는 자산가치평가 방법들을 적용할 수 없기 때문입니다. 즉, 명확한 가치평가방법이 없다 보니 투자자마다 생각하는 적정 가치가 제각각 다를 수밖에 없고, 결과적으로 가치에 대한 컨센서스가 시장에서 형성되기 어렵습니다. 그래서 다른 금융시장에 비하여 암호화폐 가격은 기술발전, 규제 변화, 투자자의 심리 변화, 언론의 홍보효과 등 시장 외부적인 요인에 의한 영향을 더 크게 받습니다. 그렇기에 암호화폐가격을 예측하기 위해서는 이런 시장 외부적인 요인들에 대한 분석이 필수적입니다.

ChatGPT를 이용한 암호화폐 가격 예측

이제 본격적으로 카카오뱅크가 ‘생성형 인공지능의 금융분야 활용’이라는 관점에서 수행한 연구 중, Chat GPT를 이용한 뉴스기사의 감성분석 결과가 암호화폐의 가격예측에 도움을 줄 수 있는지를 연구한 내용을 소개하고자 합니다.

1. 분석 데이터 수집 및 전처리

(1) 암호화폐 거래 데이터

암호화폐 가격 데이터와 뉴스 데이터는 한국과 글로벌 시장을 구분하여 수집했습니다. 먼저 글로벌 시장 암호화폐 거래 데이터의 경우, Liu et al. (2022)¹ 에서 사용했던 것처럼 세계 200여 암호화폐 거래소를 커버하는 CoinMarketCap에서 제공하는 데이터를 수집했습니다. 한국 시장의 경우, 2017년에 설립되어 2023년 10월 기준으로 한국 암호화폐 거래량의 80% 이상을 차지하는 거래소인 업비트(Upbit)의 데이터를 기반으로 했습니다. 수집된 샘플 데이터의 기간은 2017년 12월 1일부터 2023년 8월 28일까지입니다.

(2) 뉴스 데이터

한국 뉴스 데이터의 경우, 한국에서 발행되는 뉴스의 대부분을 제공하는 네이버 뉴스를 이용했습니다. 샘플 기간 동안 본문을 포함한 뉴스 기사의 수는 313,042건이며, 이를 대상으로 감성 분석을 진행했습니다.

글로벌 뉴스 데이터의 경우에는 3가지 키워드(Bitcoin, Cryptocurrency, Virtual asset)를 최소 1개 이상 포함하는 뉴스 기사의 제목과 본문을 수집했습니다. 참고로, 뉴스 데이터를 연구 목적으로 사용하는 것에 대한 허가를 받기 위해 143개 뉴스 매체에 문의를 했고, 이 중 저작권 등의 이유로 부정적인 회신을 보내온 8개 뉴스 매체의 뉴스기사를 제외했습니다. 제외된 뉴스기사는 전체 기사 수의 4.89%에 불과하고, 통상적으로 인터넷에서 보도되는 뉴스기사들은 서로 유사한 경우가 많다는 점을 고려할 때, 해당 뉴스기사를 제외한 점이 우리 연구의 결과에 영향을 미칠 가능성은 낮습니다. 따라서 최종적으로 22개국 135개 뉴스 매체에서 작성한 354,631건의 뉴스 기사를 연구에 사용했습니다.

(3) 데이터 전처리

수집된 뉴스 데이터를 분석 목적에 맞게 가공하는 것을 ‘전처리 과정’이라고 합니다. 이 연구에서는 동일 날짜에 발행된 유사한 기사를 제거하는 것에 초점을 두었습니다. 유사한 뉴스기사들이 많은 경우, 이러한 기사들이 분석 결과를 불균형적으로 만들어서 감성분석이 편향될 수 있기 때문입니다. 구체적인 전처리 과정에서는 광고, 봇(bot)이 생성한 기사 등을 제거하고, sBERT 모형(sentence Bidirectional Encoder Representations from Transformers)을 사용하여 코사인(cosine) 거리 기반으로 유사한 뉴스 기사들을 제거했습니다. 참고로, sBERT는 유사성 평가와 클러스터링 작업에 있어서 기존의 BERT 모형보다 개선된 성능을 보이는데, 특히 텍스트의 의미적 유사성(Semantic Textual Similarity) 분석에 효과적입니다.

이러한 전처리 과정 후 한국과 글로벌 뉴스 데이터의 수는 각각 20,661개와 102,917개가 되었습니다. 전처리 과정에서 삭제된 한국 뉴스 기사의 비율은 90.4%이며, 이는 글로벌 뉴스 기사의 삭제 비율인 69%보다 훨씬 높았습니다. 그 이유는 한국 뉴스들이 단일 국가에서 만들어졌기 때문에 뉴스들 간의 동질성 지수가 글로벌 뉴스보다는 더 높았기 때문으로 보입니다.

(4) 프롬프트를 이용한 감성점수 추출

‘프롬프트’는 ChatGPT가 특정 작업을 수행하거나 질문에 답할 때 따라야 하는 가이드라인으로서, ChatGPT가 생성하는 결과를 좌우하는 결정적인 요인으로 작용합니다. 감성분석에 관한 이전 연구들이 텍스트의 긍정 또는 부정 여부를 판단하도록 하는 프롬프트를 사용했던 반면, 해당 연구에서는 ChatGPT가 텍스트의 긍부정 정도를 -1부터 1 사이의 실수값으로 정량화하도록 프롬프트를 만들었습니다.

또한 해당 연구는 OpenAI의 GPT-3.5-turbo-16k 모델을 사용하여 ‘뉴스 기사의 헤드라인과 본문을 모두 사용한 경우(HB)’, ‘헤드라인만 사용한 경우(H)’, ‘본문만 사용한 경우(B)‘와 같이 3가지로 텍스트 범위를 구분하여 감성을 추출했습니다. 참고로, 결과의 일관성을 보장하기 위해 모형의 무작위성의 정도를 결정하는 매개변수인 온도(temperature)는 0으로 설정하였습니다. 연구에 사용된 프롬프트는 다음과 같습니다.

2. 실증분석

(1) 감성 점수 분석

뉴스의 감성 점수에 관한 기초통계량들을 정리한 [표 1]을 보면, 분석 기간(2017년 12월 1일 ~ 2023년 8월 28일, 총 2,097일간) 동안 일일 감성 점수의 평균은 0보다 큰 것으로 나타났습니다. 이는 암호화폐에 관한 뉴스가 평균적으로 낙관적임을 의미합니다. 한편, 세계 뉴스의 감성 점수는 한국 뉴스보다 더 낙관적인데요. 글로벌 뉴스 기사의 헤드라인과 본문(HB)에서 추출한 감성 점수의 평균은 0.279인 반면, 한국 뉴스 기사의 평균 감성 점수는 0.108로 상대적으로 낮았습니다.

뉴스의 제목 또는 본문에서 추출한 감성 점수들은 서로 밀접하게 관련되어 있습니다. 왜냐하면, 뉴스 기사의 제목, 본문, 그리고 제목과 본문을 모두 사용하여 계산된 감성 점수들 간의 상관계수는 [표 1]의 오른쪽에 기록된 바와 같이 모두 0.6 이상으로 높게 나타났기 때문입니다. 그러나 글로벌 뉴스 감성과 한국 뉴스 감성 간의 상관관계는 0.3 정도로 상대적으로 낮은데, 이는 한국 뉴스와 글로벌 뉴스의 감성에는 차이가 있음을 의미합니다.

그리고, 일별 감성 점수의 자기상관계수(auto-correlation)는 0.2를 초과하므로, 낙관적이거나 비관적인 뉴스는 지속되는 경향이 있음을 알 수 있습니다. 즉, 낙관적(비관적)인 뉴스가 나온 경우에는 이후에도 낙관적(비관적)인 기사가 이어질 가능성이 높습니다.

(2) 암호화폐 뉴스와 시장 수익률 간의 상관관계

암호화폐에 관한 뉴스와 암호화폐 시장의 수익률 간의 상관관계를 분석하기 위해서 아래와 같은 회귀식을 이용했습니다.

위 식에서 $r_{{k,t}}$는 암호화폐 시장포트폴리오(Cryptocurrency Market Portfolio) 수익률이고, $S_t$ 는 ChatGPT로 분석한 $t$ 시점의 뉴스 감성을 의미합니다. 이 회귀분석은 독립변수와 종속변수가 $t$ 시점으로 동일한 동시점(contemporaneous) 분석입니다. 이 회귀분석 결과를 정리한 [표 2]에 의하면, 뉴스 감성에 대한 추정치의 $t$-통계량이 3.4~5.5로 상당히 크므로 이 추정치들은 통계적으로 유의하고, 결과적으로 한국 및 글로벌 시장에서 뉴스의 감성이 암호화폐 시장 수익률에 유의한 영향을 미친다는 것을 알 수 있습니다.

글로벌 시장에서 헤드라인과 본문을 모두 이용해서 추출한 감성(sent-HB) 또는 본문만 이용한 감성(sent-B)에 대한 추정계수는 헤드라인만을 이용한 감성(sent-H)에 대한 추정계수보다 그 값이 더 크고 통계적 유의성($t$-통계량)도 더 높습니다. 따라서, 본문의 감성이 암호화폐 수익률과 더 큰 연관성을 갖는다는 것을 알 수 있습니다. 이러한 결과는 비록 뉴스 헤드라인이 투자자의 주의나 관심에 대한 중요한 정보를 포함하고 있다 하더라도(Akyildirim et al. 2021²; Anamika and Subramaniam 2022³), 뉴스 헤드라인만 단독으로 이용하기보다는 기사 본문과 함께 추출한 감성이 암호화폐 시장을 더 잘 설명한다는 것을 의미합니다.

(3) 암호화폐 뉴스와 암호화폐 시장 수익률 간의 인과 관계

이제 그레인저 인과관계(Granger Causality) 검증을 이용해서 수익률과 뉴스 감성 사이의 인과관계를 분석합니다. ‘그레인저 인과관계 검증’이란, 변수가 움직이는 시점의 차이 즉, 선후 관계를 이용하여 인과관계를 추론하는 방법입니다. 이를 위해, 아래의 벡터 자기회귀(Vector-AutoregRessive, VAR) 모형을 사용합니다.

이 식에서 $r_{{m,t}}$는 $t$ 시점의 암호화폐 시장 수익률, $l$은 lag(이전 기간)를 의미하며, $S_{{t-l}}$은 $l$기간 전에 보도된 뉴스 헤드라인과 본문으로부터 추출한 감성 데이터(sent-HB)를 의미합니다. [표 3.A]와 [표 3.B]의 오른쪽에 있는 그레인저 인과관계(Granger Causality) 검증 결과를 보면, “수익률이 뉴스 감성을 Granger Cause하지 않는다”는 귀무가설에 대한 P-value는 1% 미만에 불과하여 한국 및 글로벌 시장에서 모두 기각되는 것으로 나타났으므로, 암호화폐 수익률이 뉴스 감성에 ‘영향을 준다’는 결론을 얻을 수 있습니다.

반면, “뉴스 감성은 암호화폐 수익률을 Granger Cause하지 않는다”는 귀무가설은 기각할 수 없으므로, 뉴스감성은 암호화폐 수익률에 영향을 주지 않는다는 결론을 얻을 수 있습니다. 이러한 결과들은 예를 들어 암호화폐 수익률이 급등한다면 낙관적인 뉴스들이 만들어진다는 것을 암시합니다.

(4) 충격-반응 분석

충격-반응(impulse-response) 이란 VAR(벡터 자기회귀) 모형의 어떤 변수에 충격(변동)이 발생했을 때 시간의 흐름에 따라 다른 변수들이 어떻게 반응하는지를 VAR모형 추정계수를 이용해서 구하는 것입니다. 이를 통해서 변수간의 인과관계를 파악하고, 정책의 적용으로 인한 특정 변수의 변화와 파급효과를 확인할 수 있습니다. 해당 연구의 VAR 모형에 의해서 추정된 충격-반응(impulse-response) 결과는 [그림 3.A]와 [그림 3.B]에서 확인할 수 있습니다.

우선 [그림 3.A]의 우측 상단(Market_Return → Sent-HB) 그래프를 보면, 글로벌 시장에서는 신뢰구간(점선)에 0이 포함되는 시점이 7일 후 이므로, 최대 일주일 동안 암호화폐 수익률은 뉴스 감성에 영향을 미치는 것으로 나타났습니다. 반면에, [그림 3.A]의 좌측 하단(Sent-HB → Market_Return)에서는 신뢰구간이 모두 0을 포함하므로 뉴스 감성은 암호화폐 수익률에 영향을 주지 않는다고 볼 수 있습니다. 좌측 상단(Sent-HB → Sent-HB)은 시간이 경과하더라도 뉴스 감성은 지속된다는 것을 의미하고, 우측 하단(Market_Return → Market_Return)에서는 추정계수인 파란 선이 시간의 경과에 따라 그 부호가 반대로 바뀌는 경향이 있으므로 시장 수익률에는 음의 자기상관(negative autocorrelation)이 존재한다는 것을 의미합니다.

[그림 3.B]의 한국 시장에 대한 결과는 전반적으로 글로벌 시장의 결과와 유사합니다. 먼저, 오른쪽 위(Market_Return → Sent-HB) 그래프에서 추정계수인 파란색 실선이 글로벌 시장의 경우보다는 더 큰 값을 가지므로, 시장 수익률이 뉴스 감성에 미치는 영향은 한국 시장이 글로벌 시장보다 더 크다는 것을 알 수 있습니다.

이러한 결과는 암호화폐에 관한 뉴스의 감성을 형성하는 요인이 가격 변동이라는 것을 의미합니다. 일반적으로 전통적인 자산의 경우에는 내재가치에 관한 뉴스가 가격에 영향을 미치는 것으로 알려져 있지만, 이 연구의 결과는 암호화폐처럼 내재가치가 존재하지 않는 자산의 경우에는 가격의 변동이 뉴스의 감성을 만들어 낸다는 것을 의미합니다.

(5) 뉴스 감성을 이용한 암호화폐 수익률 예측

뉴스의 감성 데이터를 $l$기간이 지난 후의 미래 암호화폐 수익률 예측에 활용할 수 있을지를 분석하기 위해 아래와 같이 과거의 뉴스 감성을 독립변수로 사용하는 회귀분석을 수행했습니다.

이 식에서 $r_{{CSMB, t-l}}$ 은 암호화폐 규모(Cryptocurrency Small Minus Big) 요인, 즉, 시가총액이 작은 암호화폐로 구성된 포트폴리오의 수익률에서 시가총액이 큰 암호화폐로 구성된 포트폴리오 수익률을 차감한 것이고, $r_{{CREV, t-l}}$ 은 수익률 반전(Cryptocurrency Return Reversal) 요인, 즉, 수익률이 높았던 암호화폐로 구성된 포트폴리오 수익률에서 수익률이 낮았던 암호화폐로 구성된 포트폴리오 수익률을 차감한 것을 의미합니다. 그리고, $S$와 $S^O$는 각각 해당 지역과 그 외 지역의 뉴스 감성을 의미합니다.

[표 4]의 결과에 의하면, lag가 1일, 2일, 3일일 때 감성점수의 $t$통계량 값이 유의하므로, 이는 한국 뉴스의 감성이 1일, 2일, 3일 후의 암호화폐 수익률에 영향을 미친다는 것을 의미합니다. 반면에, [표 5]에 의하면, 글로벌 시장에서는 뉴스 감성 점수가 암호화폐 수익률을 예측할 수 없는 것으로 나타났습니다.

추가적으로, [표 6]에서는 한국 뉴스 기사가 글로벌 암호화폐 가격에 미치는 영향과 글로벌 뉴스 기사가 한국 암호화폐 가격에 미치는 영향을 분석했습니다. [표 5]를 보면, 한국 뉴스 기사의 감성이 글로벌 암호화폐 가격을 예측할 수 있음을 보여줍니다. 이러한 결과는 비록 글로벌 암호화폐 시장이 글로벌 뉴스 정보를 효율적으로 반영하는 것처럼 보이지만, 실제로는 한국 뉴스 매체가 한국어로 작성되어서 글로벌 시장에서는 잘 알려지기 어렵다 보니, 한국의 암호화폐 관련 뉴스가 시간차를 두고 글로벌 암호화폐 가격에 반영된다는 것을 의미합니다.

3. 결론

이 연구에서는 최근 개발된 대규모 언어 모델(LLM)을 사용하여 암호화폐 가격과 관련 뉴스 기사 간의 관계를 감정분석을 통해 들여다보았습니다. 이를 위해 한국 및 글로벌 암호화폐 뉴스 기사를 크롤링한 후 전처리를 거쳐, ChatGPT를 활용하여 뉴스의 감성 점수를 산출하고, 이들을 암호화폐 시장 포트폴리오 수익률에 대한 분석에 사용합니다.

분석 결과를 요약하면 다음과 같습니다.

마무리하며

LLM이 뉴스 기사를 해석할 수 있고 뉴스의 맥락에 부합하는 감정을 추출할 수 있는 능력은 이 연구에서 분명히 확인되었지만, LLM을 특정 자산(암호화폐 혹은 주식)에 대해 특화된 모델로 미세 조정(fine tuning)시킨다면 좀 더 확고한 결과를 얻을 수 있을 것입니다. 또한, 이 연구에서 사용된 ChatGPT-3.5보다 더 최근에 등장한 다양한 LLM을 사용한 결과와 비교하는 연구도 의미가 있을 것입니다. 이러한 점들은 향후 또 다른 연구 과제가 될 수 있을 것으로 예상됩니다.

지금까지 연재된 두 편의 LLM을 활용한 자산 가격예측 글을 관심 있게 읽어주셔서 감사합니다. 다음에도 흥미롭고 유익한 주제로 찾아뵙겠습니다. 🙂