암호화폐 거래 분석은 높은 예측 성능을 달성하지만 거래 행태에 대한 해석 가능성이 제한적인 블랙박스 기계학습 모델에 의존하는 경우가 많다. 본 논문은 기초 지표, 특성 개관, 맥락적 해석의 3단계 프레임워크를 통해 실제 비트코인 거래 그래프를 분석하는 대규모 언어 모델(LLM)의 능력을 조사한다. 토큰 제약을 해결하기 위해 간결하고 사람이 읽을 수 있는 그래프 표현인 LLM4TG와 연결성을 강화한 그래프 샘플링 알고리즘인 CETraS를 제안한다. 5개의 LLM에 대한 실험에서 노드 수준 정보 추출은 대부분의 지표에서 98.50% 이상의 정확도를 달성하였고, 의미 있는 그래프 특성은 최대 95.00%의 응답에서 식별되었다. 라벨이 지정된 예시가 제한적인 주소 분류에서는 원시 그래프를 사용할 때 top-1 정확도가 50.49%에 도달하였고, 설계된 특징을 사용할 때 top-3 정확도가 72.43%에 도달하였다. 이러한 결과는 거래 그래프 분석에서 LLM의 잠재력을 보여주는 동시에, 전역 그래프 추론, 정밀한 주소 분류, 설명 신뢰성의 한계를 드러낸다.
변동성 예측은 전반적인 수준과 일일 변동이 하류 의사결정에 영향을 미치므로 금융 리스크 관리에서 핵심적인 역할을 한다. 대부분의 연구는 학습 손실을 고정한 채 예측 모델을 비교한다. 그러나 손실은 서로 다른 오차를 강조하고 미래 변동성의 서로 다른 속성을 목표로 할 수 있어, 원시 비교는 지속적인 예측 수준 차이와 일일 예측 변동의 차이를 한데 섞을 수 있다. 이로 인해 손실 선택의 중요성이 주로 목표로 하는 예측 수준에서 비롯되는지, 아니면 수준 조정 이후에도 남는 차이에서 비롯되는지는 해결되지 않은 채로 남는다. 우리는 주요 암호화폐에 걸쳐 일곱 가지 손실과 다섯 가지 모델을 비교하여 이 공백을 다룬다. 검증 기반 정렬은 통계 점수와 1일 VaR(Value-at-Risk)로 원시 및 정렬된 예측을 평가하기 전에 예측 수준을 조정한다. 정렬 이전에는 손실 간 한계 점수 변동이 더 크다. 정렬 이후에는 전체 다섯 모델 비교에서 모델 선택이 변동의 더 큰 원인이 되며, VaR 위반율의 손실 간 차이는 상당히 좁아진다. 우리의 기여는 원시 비교에서 손실이 그렇게 영향력 있게 보일 수 있는 이유와 예측 수준과 하류 리스크를 명시적으로 고려할 때 이러한 해석이 어떻게 달라지는지를 보여 주는 손실 및 모델 선택에 대한 종합적 평가이다.
비트코인이 탈중앙화 디지털 자산 및 투자 도구로서 점점 더 널리 사용됨에 따라, 그 시장 행동을 이해하려는 관심이 크게 높아졌다. 본 연구는 온체인(on-chain) 및 금융 데이터와 소셜 미디어 게시물을 결합하여 비트코인 시장 감성을 분석하는 새로운 접근법을 제시한다. 가격 예측을 목표로 하는 모델과 달리, 본 연구는 블록체인 거래, 비트코인 역사적 가격 데이터, 일별 Twitter 감성 분류를 사용하여 시장 감성을 설명하는 데 초점을 둔다. 해당 방법은 감성 추세를 온체인 및 금융 지표와 병합하고, 상세한 시장 분석을 위해 이를 정규화(normalization)하여 데이터셋으로 구성한다. 교차 검증(cross-validation)을 통해 여러 머신러닝 모델을 테스트한 결과, Gradient Boosting(XGBoost)이 감성 분류에 가장 신뢰할 수 있는 모델로 확인되었으며, 평균 F1-score는 약 0.84를 달성했다. SHAP(SHapley Additive exPlanations)은 모델 해석 가능성을 위한 게임 이론 기반 방법으로, 온체인 특징이 모델 예측에 기여하는 정도를 정량화하는 데 사용되어 투명성을 높였다. 결과는 이 데이터 조합이 의미 있는 예측 신호와 통찰을 제공함을 보여주며, 데이터 기반 암호화폐 분석과 심층 학습을 통한 향후 개선을 뒷받침한다.