🚀 Bitcoin Price Prediction Project

📌 프로젝트 개요

본 프로젝트는 비트코인의 다음 시점(한 시간 뒤)에서의 가격 등락을 예측하는 모델을 개발하는 것을 목표로 했습니다. 시계열 데이터 분석, 머신러닝 모델링, 금융 데이터 처리 등 다양한 기술을 실제 문제에 적용하여 비트코인의 가격 변동성을 예측하는 것이 주요 과제였습니다.

주어진 네트워크 데이터와 시장 데이터를 바탕으로 이전 시점 대비 비트코인 가격의 등락률을 다음 네 가지 범주로 예측합니다.

• 📉 -0.5% 미만
• 📉 -0.5% 이상 0% 미만
• 📈 0% 이상 0.5% 미만
• 📈 0.5% 이상

📊 프로젝트 데이터

본 프로젝트에서 사용된 데이터는 크립토퀀트에서 제공한 블록체인의 온체인 데이터입니다. 이 데이터는 네트워크 데이터와 시장 데이터로 구성되어 있으며, 총 107개의 특성 데이터 파일이 포함되어 있습니다. 각 파일은 시간 간격, 카테고리, 엔드포인트, 거래소/심볼 정보를 포함하고 있습니다.

• 학습 데이터: 2023년 1월 1일부터 12월 31일까지의 시간별 데이터 (총 8,760개)
• 평가 데이터: 2024년 1월 1일부터 4월 26일까지의 시간별 데이터 (총 2,792개)

🗂️ 파일 구조

.
├── README.md
├── config
│   ├── ensemble_submission_1.yaml
│   └── ensemble_submission_2.yaml
├── data
│   ├── lgb_under3_count_features.csv
├── results
│   ├── JE_pred.csv
│   ├── ensemble_submission_1.csv
│   ├── ensemble_submission_2.csv
│   ├── hj_pred1.csv
│   ├── hj_pred2.csv
│   ├── jw_pred1.csv
│   ├── jw_pred2.csv
│   ├── sm_pred.csv
│   └── sy_pred.csv
└── src
    ├── ensemble.py
    └── models
        ├── catboost-model.py
        ├── catboost-model2.py
        ├── final_JE.py
        ├── jw_pred1.py
        ├── jw_pred2.py
        ├── lgb-model.py
        └── lgb.py

폴더 및 파일 설명

• config 폴더
  ensemble_submission_1.yaml, ensemble_submission_2.yaml 파일들은 ensemble.py를 실행할 때 사용하는 YAML 파일입니다. 앙상블하고 싶은 CSV 파일과 각 모델에 할당할 가중치가 적혀 있습니다.

• data 폴더
  lgb_under3_count_features.csv는 데이터 전처리 과정에서 사용된 CSV 파일로, 특정 모델에 필요한 특징 값을 포함하고 있습니다.

• results 폴더
  이 폴더에는 각 모델이 예측한 결과 파일들이 저장됩니다. 각 CSV 파일은 모델별로 다르게 생성되며, 이를 바탕으로 최종 앙상블 결과를 도출합니다.

  • ensemble_submission_1.csv, ensemble_submission_2.csv, JE_pred.csv, hj_pred1.csv, hj_pred2.csv, jw_pred1.csv, jw_pred2.csv, sm_pred.csv, sy_pred.csv: 각 모델의 예측 결과가 저장된 파일들입니다.

• src 폴더
  이 폴더에는 프로젝트의 핵심 Python 코드가 포함되어 있습니다.

  • ensemble.py: 여러 모델의 예측 결과를 soft voting 방식으로 앙상블해주는 코드입니다. YAML 파일을 읽어와 가중치와 함께 예측을 진행합니다.

  • models 폴더: 각종 머신러닝 모델들이 구현된 파일들이 들어 있습니다.

    • catboost-model.py: CatBoost를 바탕으로 만든 모델입니다. 세부 내용은 #2 PR에서 확인할 수 있습니다.

    • final_JE.py: XGBoost를 바탕으로 만든 모델입니다. 자세한 내용은 #3 PR을 참고하세요.

    • jw_pred1.py: XGBoost 기반 모델로, 자세한 내용은 #6 PR에서 확인할 수 있습니다.

    • lgb-model.py: LightGBM을 사용한 모델로, 세부 사항은 #5 PR에서 확인 가능합니다.

    • lgb.py: LightGBM 기반의 또 다른 모델로, 추가 정보는 #7 PR에서 확인할 수 있습니다.

🛠️ 사용 방법

1. 개별 모델 실행:
   src/models 폴더에 존재하는 각 모델을 실행하면 예측 결과 파일(pred.csv)이 생성됩니다.

   python model_name.py
   

2. 앙상블(Ensemble) 실행:
   src/ensemble.py는 각 모델이 예측한 csv 파일을 읽어 soft voting 방식으로 앙상블을 진행합니다.

   앙상블 실행 시, config 폴더에 있는 YAML 파일을 입력으로 제공해야 하며, 해당 YAML 파일은 예측에 사용될 CSV 파일과 각 파일의 가중치를 정의합니다.

   python ensemble.py yaml_file_name.yaml
   

3. YAML 파일 예시:

   YAML 파일은 각 CSV 파일의 경로와 가중치 정보를 포함하고 있습니다. 아래는 YAML 파일의 예시입니다:

   csv_files:
   - path: "../results/hj_pred1.csv"
   weight: 1
   - path: "../results/jw_pred2.csv"
   weight: 1
   - path: "../results/sy_pred.csv"
   weight: 1
   - path: "../results/sm_pred.csv"
   weight: 1
   - path: "../results/JE_pred.csv"
   weight: 0.5

🎯 파이널 제출 내역

• 제출 파일: results/ensemble_submission_1.csv

• Private Accuracy Score: 0.4061

• 최종 순위: 6등

  제출 파일 생성 방법

  파이널로 제출한 파일은 ensemble.py 스크립트를 실행하여 생성할 수 있습니다.

  다음 명령어를 사용하여 ensemble_submission_1.csv 파일을 생성하세요:

  python ensemble.py ensemble_submission_1.yaml

😊 팀 구성원

성효제

백상민

김성윤

공지원

김주은

박승우