프롬프트 엔지니어링을 활용한 암호화폐 가격 등락 예측 연구
A Study on Cryptocurrency Price Movement Prediction Using Prompt Engineering
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 대형 언어 모델(Large Language Models, LLM)을 활용한 금융 시장 예측이 주목받는 가운데, 본 연구는 LLM을 활용하여 암호화폐 가격의방향성 예측을 수행하고, 수치 기반 매수 기법과 딥러닝 기반 매수 기법 대비 LLM 기반 접근의 성능을 정량적으로 비교하였다. 실험에 사용된데이터는 2023년 한 해 동안의 BTC, BNB, SOL, XRP 네 종목에 대한 시가(Open) 기준 시계열이며, 이를 기반으로 상승(Positive) 및 하락(Negative)을구분하는 이진 분류 문제로 정의하였다. 비교 대상으로는 수치 기반 매수 기법인 단순이동평균(SMA), 단기⋅장기 이동평균 교차(SLMA), 이동평균수렴⋅확산(MACD), 볼린저 밴드(BB)를 포함하였으며, 딥러닝 기반 기법으로는 장단기 메모리(LSTM), Informer, AutoFormer, TimesNet을 고려하였다. LLM 기반 접근에서는 phi-4, Llama3, Qwen3 시리즈 모델을 대상으로 Chain-of-Thought, Counterfactual Chain-of-Thought, RolePrompting 등 다양한 프롬프트 전략을 적용하여 평가하였다. 실험 결과, 수치 기반 기법의 최고 성능은 MACD 기준 F1 점수 51.22, 딥러닝 기반기법 중 최고 성능은 AutoFormer 기준 F1 점수 56.27 수준에 머물렀던 반면, 본 연구에서 제안하는 Counterfactual Chain-of-Thought (CCoT)와Role Prompting (RP)을 적용한 LLM 기반 방법은 F1 점수 69.03으로 크게 향상된 성능을 보였다. 특히 구조화된 추론 방식의 프롬프트가 예측성능 향상에 효과적이라는 점을 확인하였다. 본 연구는 변동성이 높은 암호화폐 시장에서도 LLM 기반 추론 전략이 전통적 수치 기반 접근과 딥러닝기반 접근을 능가할 수 있음을 실증적으로 보여주며, 향후 프롬프트를 이용한 고도화된 LLM 예측 시스템 연구 가능성을 제시한다.
Abstract
Recently, the application of Large Language Models (LLMs) in financial market forecasting has garnered significant attention. Thisstudy employs LLMs to predict the directional movement of cryptocurrency prices and quantitatively compares the performance ofLLM-based approaches with numerical and deep learning–based trading strategies. The dataset used in the experiments consists of dailyopen price time series for four cryptocurrencies—BTC, BNB, SOL, and XRP—collected throughout 2023, and the task is formulated asa binary classification problem distinguishing upward (Positive) and downward (Negative) movements. For comparison, we includednumerical trading strategies such as the Simple Moving Average (SMA), Short–Long Moving Average crossovers (SLMA), Moving AverageConvergence–Divergence (MACD), and Bollinger Bands (BB), as well as deep learning–based methods including Long Short-Term Memory(LSTM), Informer, AutoFormer, and TimesNet. On the LLM side, we evaluated models from the phi-4, Llama3, and Qwen3 families, applyingvarious prompting strategies such as Chain-of-Thought (CoT), Counterfactual Chain-of-Thought (CCoT), and Role Prompting (RP). Theexperimental results show that the best performance among numerical strategies was achieved by MACD with an F1 score of 51.22, whilethe best-performing deep learning method, AutoFormer, reached 56.27. In contrast, the proposed LLM-based approach, employingCounterfactual Chain-of-Thought (CCoT) and Role Prompting (RP), achieved a substantially higher F1 score of 69.03. This confirms thatstructured reasoning prompts are effective in enhancing predictive performance. Overall, this study empirically demonstrates thatLLM-based reasoning strategies can outperform both numerical and deep learning–based approaches in highly volatile cryptocurrencymarkets and highlights the potential for future research on advanced LLM forecasting systems through prompt engineering.