상세정보

암호화폐는 2017년 말부터 장단기적으로 큰 폭의 가격변동을 보여 투자자들에게 전례 없는 수익과 손실을 가져다 줌으로써 학계와 산업계에서 큰 관심을 불러일으키고 있으며, 이러한 관심은 큰 폭의 가격변동을 활용한 단기적 차익 실현에 초점이 맞춰져 있는 것으로 보인다. 트위터 데이터는 암호화폐 가격에 큰 영향을 미치는 정보 전달 수단으로 점점 더 많이 사용되고 있으며, 여러 학문적 연구에서 트위터 맥락에서 사회적 정서를 분석하여 암호화폐 가격 변동을 예측하려고 했다. 본 연구의 목적은 암호화폐의 가격 수익률과 상관관계가 있는 트윗의 속성을 분석하는 것이다. 우리는 이를 위해 Bitcoin과 4개 암호화폐 범주(Smart Contract Platform, De-Fi, NFT, Meme)에서 15개의 암호화폐를 선택하고 그와 연관된 트윗을 1년 6개월 동안 약 1억개 이상 수집하였다. 수집한 트윗은 감성 분석을 실시하고, 각 트윗을 4개의 범주(Markets, Business, Tech, Policy)로 분류한 후 수익률에 대한 예측력을 갖는지 실험하였다. 연구 결과 모든 범주의 트윗이 암호화폐 가격 수익률에 대한 예측력을 갖고 있고, 특히 정책 범주와 부정 감성이 상대적으로 큰 영향을 미치는 것을 발견하였다.

Cryptocurrency has attracted significant interest in academia and industry by bringing unprecedented profits and losses to investors since late 2017. This interest is focused on realizing short-term gains using large price fluctuations. Twitter data is increasingly used as a means of information delivery that significantly affects cryptocurrency prices. Various studies have attempted to predict cryptocurrency price fluctuations by analyzing social sentiment in the Twitter context. This study aims to analyze the properties of tweets that are correlated with the cryptocurrency return. We selected Bitcoin and 15 cryptocurrencies from four categories (Smart Contract Platform, De-Fi, NFT, and Meme) and collected more than 106 million tweets associated with them over a year and a half. The collected tweets were subjected to sentiment analysis. Each tweet was classified into four categories (Markets, Business, Tech, and Policy) and tested to see if it had predictive power. As a result of this study found that tweets in all categories have predictive power for cryptocurrency returns, and policy categories and negative sensitivity have a relatively strong influence.

ABSTRACT   i
초록   iii
TABLE OF CONTENTS   v
LIST OF TABLES   vii
LIST OF FIGURES   viii
1. INTRODUCTION   1
2. LITERATURE REVIEW   2
3. METHODOLOGY   5
 3.1 Data   6
 3.2 Sentiment Analysis   8
 3.3 Tweet Classification   10
 3.4 VAR Models   12
 3.5 Granger Causality Test and Impulse Response Functions   15
4. RESULTS   16
5. ROBUSTNESS CHECK   23
 5.1 Update of cryptocurrencies and extension of analysis period   23
 5.2 Analysis of hourly level   27
 5.3 The adequacy of categorization   29
 5.4 Other sentiment analysis algorithm   31
6. DISCUSSION   34
7. CONCLUSION   36
REFERENCES   38
APPENDICES   43
 A. Summary Statistics   43
 B. Results of Granger Causality Tests   46