사용 데이터

코인 - Upbit의 OpenAPI + pyupbit 모듈
- 비트코인(1분봉)
- 이더리움(1분봉)
- 리플(1분봉)
그 외 주요 지수
- S&P 500 지수(1시간봉, 13시30분~19시 0분)
- Nasdaq 지수(1시간봉, 13시30분~19시 0분)
- 달러 인덱스(1시간봉, 24시간)
- 금 선물(1시간봉, 24시간)

→ 모든 데이터가 open: 시가 / high: 고가 / low: 저가 / close: 종가 / volume: 거래량 속성을 가짐

전처리

문제점: 데이터별 시간축이 모두 다름
- 업샘플링 → ffill, 선형보간 등 1분봉으로 처리
- 다운샘플링 → 1시간 단위로 통일
24시간 시장(코인, 선물)은 ffill을 일괄 적용
주식 시장은 거래량은 fillna(0) / 나머지는 ffill을 일괄 적용(종가가 다음날 시작가 이전까지 고정됨)

⇒ 총 90일, 129600개의 데이터, 38개의 column

훈련

목표

btc_close의 가격을 예측하기

feature 선택

상관관계 분석 → 대략적으로 각 자산(ETH, XRP, 금, 달러 인덱스, S&P500, Nasdaq)의 종가를 선정

SEQUENCE_LENGTH와 FUTURE_HORIZON 설정

데이터 종류	`SEQUENCE_LENGTH` (과거 데이터 길이)	`FUTURE_HORIZON` (미래 예측 시점)	전략 및 해설
1분봉	30, 60, 120, 180
(30분 ~ 3시간)	5, 10, 15, 30, 60
(5분 ~ 1시간)	단기 매매(스캘핑/데이트레이딩)에 적합. 비교적 짧은 과거 데이터로 가까운 미래의 가격 변동을 예측하여 빠른 매매를 노립니다.
1시간봉	24, 48, 72, 168
(1일 ~ 1주일)	4, 8, 12, 24
(4시간 ~ 1일)	스윙 트레이딩에 적합. 며칠간의 추세를 보고 앞으로 몇 시간 또는 하루 뒤의 방향성을 예측하여 포지션을 유지하는 전략에 사용됩니다.

1분봉 데이터 기준 SEQUENCE_LENGTH=120(2시간), FUTURE_HORIZON=30(30분 뒤 예측) 을 선택

모델 선택

LSTM

model = Sequential([
    Input(shape=(SEQUENCE_LENGTH, num_features)),
    LSTM(units=50, return_sequences=True),
    Dropout(0.2),
    LSTM(units=50, return_sequences=False),
    Dropout(0.2),
    Dense(units=25),
    Dense(units=1) 
])

Bidirectional LSTM

from tensorflow.keras.layers import Bidirectional

model = Sequential([
    Input(shape=(SEQUENCE_LENGTH, num_features)),
    Bidirectional(LSTM(units=50, return_sequences=True)),
    Dropout(0.2),
    Bidirectional(LSTM(units=50, return_sequences=False)),
    Dropout(0.2),
    Dense(units=25),
    Dense(units=1)
])