金融交易系統的計算智能技術一直非常受歡迎。在過去的十年中,深度學習模型開始受到更多關注,尤其是在圖像處理社區中。在這項研究中,我們提出了一種新的算法交易模型CNN-TA,該模型使用基於圖像處理特性的二維卷積神經網絡。為了將金融時間序列轉換為二維圖像,我們使用了15個不同的技術指標,每個指標都有不同的參數選擇。每個指標實例生成15天的數據。結果,構建了15x15大小的二維圖像。根據原始時間序列的高峰和低谷,將每個圖像標記為買入、賣出或持有。結果表明,與長期的Buy & Hold策略和其他常見交易系統相比,在長期的樣本外期間,訓練的模型為股票和ETF提供了更好的結果
Introduction
基於計算智能模型的股市預測已成為股票交易系統的一部分,持續了數十年。與此同時,對於個人投資者和交易者而言,出現了更多的金融工具,例如ETF、期權和槓桿系統(如外匯)。因此,基於自主智能決策模型的交易系統在全球各個金融市場上受到越來越多的關注
近年來,基於深度學習的預測/分類模型開始在各種應用中表現出色,超越了傳統的計算智能方法,如支持向量機(SVM)。然而,圖像處理和基於視覺的問題佔據了這些深度學習模型優於其他技術的應用類型[2]。在文獻中,深度學習方法開始出現在金融研究中。有一些深度學習技術的實施,如循環神經網絡(RNN)[3]、卷積神經網絡(CNN)[4]和長短期記憶(LSTM)[5]。特別是在金融預測模型中應用深度神經網絡的情況非常有限
CNNs一直是最常見的深度學習模型[2]。與此同時,文獻中大多數CNN的實現是為了應對計算機視覺和圖像分析方面的挑戰。隨著CNN模型的成功實施,模型的錯誤率逐年下降。儘管AlexNet是最早提出的模型之一,但其成功率也只達到50-55%。近期的Inception(v3、v4)和ResNet(v50、v101、v152)算法的不同版本則取得了約75-80%的成功率[2]。現如今,幾乎所有計算機視覺研究人員都以某種方式在圖像分類問題中實施CNN
在這項研究中,我們提出了一種新方法,將一維金融時間序列轉換為類似於2D圖像的數據表示,以便能夠利用深度卷積神經網絡的強大能力進行算法交易系統。為了得到這樣的表示,我們使用15種不同的技術指標實例,每種指標都具有不同的參數設置,每個指標在15天的時間跨度內表示該列的值。同樣地,x軸由每行每個特定技術指標的15天數據時間序列組成。同時,行的排序方式使得類似的指標被聚集在一起,以滿足沿y軸的局部性要求。結果生成了15x15像素大小的圖像,並將其餵入深度卷積神經網絡。據我們所知,將金融技術分析時間序列數據表示為2D並將其作為2D圖像分類的輸入,即CNN-TA模型,用於金融交易系統是一種新的方法,因為這種方法不僅在任何交易系統中從未使用過,而且在我們提出的方式下,也沒有在任何金融預測模型中使用過。性能評估表明,這種方法在長時間內表現出色。與Buy & Hold、基於常見技術指標的模型、最廣泛使用的神經網絡模型(即MLP)和最先進的深度學習時間序列預測模型(即LSTM)相比,所提出的模型在短期和長期的樣本外期間表現優異。儘管這可能是使用這種非傳統技術的首次嘗試之一,但我們相信所提出的模型具有潛力。此外,參數優化和模型微調可能進一步提高性能。
2. Related Work
2.1. Time Series Data Analytics
KuoDong changed 2 years agoView mode Like 1 Bookmark