基于卷积神经网络的外汇走势预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Predict Forex Trend via Convolutional Neural Networks》
---
作者：
Yun-Cheng Tsai, Jun-Hao Chen, Jun-Jie Wang
---
最新提交年份：
2018
---
英文摘要：
  Deep learning is an effective approach to solving image recognition problems. People draw intuitive conclusions from trading charts; this study uses the characteristics of deep learning to train computers in imitating this kind of intuition in the context of trading charts. The three steps involved are as follows: 1. Before training, we pre-process the input data from quantitative data to images. 2. We use a convolutional neural network (CNN), a type of deep learning, to train our trading model. 3. We evaluate the model\'s performance in terms of the accuracy of classification. A trading model is obtained with this approach to help devise trading strategies. The main application is designed to help clients automatically obtain personalized trading strategies.
---
中文摘要：
深度学习是解决图像识别问题的有效方法。人们从交易图表中得出直观的结论；本研究利用深度学习的特点，训练计算机在交易图表的背景下模仿这种直觉。涉及的三个步骤如下：1。在训练之前，我们将输入的数据从定量数据预处理为图像。我们使用一种深度学习的卷积神经网络（CNN）来训练我们的交易模型。3、我们从分类的准确性方面评估了模型的性能。用这种方法得到了一个交易模型，以帮助设计交易策略。主应用程序旨在帮助客户自动获得个性化的交易策略。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--

---
PDF下载：
--> Predict_Forex_Trend_via_Convolutional_Neural_Networks.pdf (1.96 MB)

2022-6-2 21:53:42 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：神经网络 神经网 Applications Quantitative Mathematical

利用卷积神经网络预测外汇走势*陈俊浩，王俊杰通识教育中心2，3台湾国立大学计算机科学与信息工程系1，2台湾国立台北大学，台北10617，台湾国立台北大学，台北市23741，台湾深度学习是解决图像识别问题的有效途径。人们从交易图表中得出直观的结论；本研究利用深度学习的特点，训练计算机在交易图表的背景下模仿这种直觉。涉及的三个步骤如下：1。在训练之前，我们将输入的数据从定量数据预处理为图像。我们使用一种深度学习的卷积神经网络（CNN）来训练我们的交易模型。3、我们根据分类的准确性评估模型的性能。用这种方法得到了一个交易模型，以帮助设计交易策略。Main应用程序旨在帮助客户自动获得个性化的交易策略。关键词：深度学习、卷积神经网络（CNN）、几何布朗运动（GBM）、外汇（FX）、交易策略。1简介人类是视觉动物；眼睛是所有感觉器官中最紧凑的结构，人脑的视觉智能内容丰富。运动、行为和思维活动使用视觉感官数据作为其最大的信息来源。

我们越灵活，越有天赋，我们就越依赖视觉智能。一般企业和决策者在分析后想要的不是数据本身，而是价值。因此，重要的是数据分析要直观；这样，财务数据的可视化更容易被接受：他们可以“看到故事”，从而更容易解释数据。*作者部分得到了台湾科技部106-3114-E-001-005的资助。通信地址；电子邮件：pecutsai@ntu.edu.twAlthough可视化分析可以帮助决策者，许多用于预测货币走势的传统统计或机器学习方法都使用定量模型。这些方法不考虑可视化。我们试图充分利用可视化的优势，全面提高智能分析的效率。例如，大多数交易者使用图表来分析和预测货币运动趋势，这带来了明显的经济效益。然而，在这种可视化中，分析是艺术性的。我们打算教机器像人脑一样实现可视化；然后，我们希望使用该机器直观地分析巨大的财务数据。卷积神经网络（CNN）广泛应用于模式和图像识别问题。在这些应用中，使用CNN可以获得最佳的校正检测率（CDR）。例如，CNN通过修改后的国家标准与技术研究所（MNIST）手写数字数据库实现了99.77%的CDR，通过纽约大学物体识别基准（NORB）3D物体数据集实现了97.47%的CDR，通过5600多幅物体图像实现了97.6%的CDR。

与其他检测算法相比，CNN不仅具有最好的性能，而且在将物体分类为细颗粒类别（如特定品种的狗或鸟类）的情况下也优于人类。选择CNN模型预测汇率变动的两个主要原因如下：1。CNN模型擅长检测图像中的模式，如线条。我们希望这个属性也可以用来检测交易图表的趋势。2、CNN可以检测人类无法轻松找到的图像之间的关系；神经网络的结构可以帮助检测特征之间的复杂关系。CNN是一种基于图形的模型，不同于定量模型。人们不需要单独使用定量模型来考虑影响货币运动的所有可能特征。与定量模型相比，CNN模型包含许多类似于人类眼睛的过滤器，可以提取图像的特征。随着卷积层的深入，CNNmodel也可以从图像中提取更详细的特征，就像人类可视化一样。预测货币走势是一个时间序列问题。许多人都在寻找圣杯预测，但事实上它并不存在。我们无法预测现实世界中的未来；然而，我们可以定义小世界来评估我们的预测方法。为了实现这一想法，我们使用几何布朗运动（GBM）对货币运动进行建模。我们认为，这些价格至少大致符合我们可以从历史数据和价格知识中得出的现实世界规则的子集。涉及的三个步骤如下：1。在训练前，将训练数据从定量数据预处理为图像。我们的输入图像包括价格、移动平均值5、移动平均值10和移动平均值20信息。2.

利用CNN培训我们的交易模式。3、根据分类的准确性评估模型。当我们控制我们的小世界时，我们使用CNN模型将每周货币走势分类，方法是将价格序列分为三组：上涨趋势组、下跌趋势组和非走势组。本文的结构如下。下一节将对文献进行回顾。第3节，我们介绍了我们的方法。然后，第4节对我们研究中使用的实证数据进行了描述。第5节给出了我们的研究结论。2初步我们使用基于图形的模型来训练预测模型，而不是使用常见的量化方法，如递归神经网络（RNN）。换言之，我们想要模拟人们的想法，而不是基于规则的决策，因为人们可以清楚地陈述这些决策。使用CNN预测金融资产价格的研究有限；大多数研究人员更喜欢基于定量的模型。然而，仍有一些研究者试图对其进行研究。Di Persio等人[2]试图比较不同的人工神经网络（ANN）方法来预测基于分类的模型中的股市指数。他们比较了三种常见的神经网络模型，即多层感知器（MLP）、CNN和长-短期记忆（LSTM）。他们发现，一种基于小波和CNN组合的新型架构在外汇汇率方面的准确率达到83%，比RNN高出4%。与我们的工作不同，Di Persio等人[2]通过使用一维协商层和一维池层设计了他们的CNN架构。

一维卷积层只考虑价格数据，这意味着该卷积层仍然捕获定量信息。与我们的工作类似，AshwinSiripurapu使用卷积网络通过一系列时间序列像素图像预测股票价格的变动。模型的输入图像是30分钟时间窗口内的价格高低图。模型的输入图形保存在RGB颜色空间中，以突出显示股票价格的不同线条。Siripurapu使用了三种输入图像。对于第一个输入，他只使用高价格和低价格，对于第二个输入，他将数量数据与高价格和低价格一起添加。对于thirdone，他使用了标准普尔500指数篮子中前十大公司份额的相关特征表示。在实验中，Siripurapu使用了两种不同的传统网络架构，称为完整模型和简化模型。整个模型有五对卷积ReLU池层，并进一步连接到一个完全连接的层。简化模型减少了前两对中的联营公司。虽然对于样本外R平方的性能不超过0，但它仍然为我们提供了许多使用像素图像作为CNN模型输入数据的想法。人们喜欢在查看交易图表时进行直觉思考；他们中的许多人无法清楚地解释如何做出决策以及如何取得更好的绩效。我们通过使用像素图像作为输入，使计算机能够从中重新定义特征，从而关注这一方向。然而，除了学习，我们还想教计算机模拟，从而预测人们在交易图表上交易时的行为；也就是说，制作一个可以学习人们交易策略的模型。定义时间t时金融资产的价格。

股票价格slog-normal扩散过程的风险中和版本isdSt=r Stdt+σStdWt，（1）其中r是无风险利率，σ是金融资产的恒定波动价格过程，随机变量WT是标准布朗运动[1]。据说Stis遵循几何布朗运动（GBM）过程，因为它满足上述随机微分方程（SDE）。对于初始值S，方程式（1）具有解析解：St=Sexpr-σt+σWt。根据方程（1），它有以下离散解[4]：Xt=Xt-1+r-σt+σ√t Bt，（2）其中Xt≡ ln（St）是原木价格，t型≡ T/n是时间间隔[0，T]中的时间步长，分为n个子间隔，Bt~ N（0，1）是i.i.d.正态随机变量，σ是年化常数波动率。CNN是近年来最好的基于图形的模型之一。许多新的CNN架构很快就出现了，但最原始的架构是由K·福岛在1980年提出的。K、 福岛提出了一个名为Neocognitron的模型，通常被认为是在计算方面激发CNN灵感的模型。Neocognitron是一种设计用于模拟人类视觉皮层的神经网络。它由两种类型的层组成，称为特征提取层和结构化连接层。特征提取层（feature extractorlayers，也称为S层）模拟初级视觉皮层中的细胞，帮助人类进行特征提取。结构化连接层，也称为C层，模拟视觉皮层高级通路中的复杂细胞，为模型提供其移位不变性。受Neocognitron和反向传播概念的启发，LeCun等人于1990年提出了最经典的现代神经网络LeNet。

现代卷积结构的潜力可以在LeNet（1990）中看到，它由卷积层、子采样层和全连接层组成[5]。由于近年来提出了直线单元（ReLU）和退出的概念，Hinton和Alex Krizhevsky提出了一种新的基于卷积的模型AlexNet，该模型击败了之前的ImageNet挑战赛冠军，拥有超过1500万张标记的高分辨率图像和大约22000个类别。LeNet和AlexNet之间有三个主要区别：1。ReLU在AlexNet中用作激活功能。它引入了卷积后的非线性变换，这有助于计算机更精确地模拟人类视觉。ReLUis也是一个非饱和激活函数，计算速度比tanh和sigmoid单位快几倍。2、在AlexNet中引入了一种称为“退出”的新正则化技术，以避免使用更少的计算量进行过度填充。退出技术以特定的概率随机丢弃一些神经元，被丢弃的神经元不参与正向和反向计算。3、由于近年来的技术进步，AlexNet得到了比LeNet（1980）更高效的PU的支持。这意味着在培训过程中可以跟踪更大的数据集和更多的时代。随着AlexNet的成功，许多研究人员都积极参与这类研究，发明了具有更深结构和改进卷积的架构，如VGG和GoogleNet。这些发展不断改善计算机视觉领域的CNN。CNN最重要的两个组件是卷积层和池层。

卷积层实现卷积运算，通过计算输入图像矩阵与核矩阵的内积来提取图像特征；inputimage和内核矩阵的通道数必须相同。例如，如果输入图像是RGB颜色空间，则核矩阵的深度必须为三；否则，核矩阵无法捕获不同颜色空间之间的信息。图1：卷积运算。另一个重要组件是池层，也称为子采样层，它主要负责更简单的任务。池层仅保留卷积层之后的部分数据，这减少了卷积层提取的大型特征的数量，并使保留的特征更加明确。只有使用这两个组件，卷积模型才能用于模拟人类视觉。在实际应用中，CNN模型通常将卷积层和池层结合在一起。这是因为卷积层通常提取大量特征，而大多数特征可能是噪声，这可能导致模型学习方向错误。这就是所谓的模型过度拟合问题。图2：池操作。此外，完全连接的层通常在序列的末端连接。全连接层的功能是组织提取的特征，这些特征由协同进化和池化层处理。该层学习提取特征之间的相关性。虽然池层可以减少卷积后过度拟合的发生，但不适合在完全连接层之后使用。另一种广为人知的正则化技术称为ddrop out，旨在解决此问题。

退出技术随机丢弃一些具有特殊概率的神经元，被丢弃的神经元不参与正向和反向计算。这种想法直接限制了模型的学习；该模型只能根据每个历元中的剩余神经元更新其参数。图3：卷积神经网络的典型结构，也是经典的LeNetmodel。接下来，我们将介绍如何生成数据，以及如何在第一个工作流程中设计架构。我们向计算机提供的输入数据是从时间I到I+N的像素图像，其中索引I表示每个图像的开始，索引N表示我们希望计算机看到的历史数据的总长度。生成第一幅图像后，时间序列的开始将前进并继续生成新图像，直到创建了特定数量的图像，这意味着时间将从I和I+N移动到时间I+1和I+N+1，并继续，直到收集到M幅图像。然后，由于我们假设外汇中的模式性别歧视在增加和减少，我们通过时间I+N+1标记图像，时间I+N+1超出了每个生成图像的时间区域。图4详细描述了生成和标记数据的过程。图4：工作流1中创建和标记数据的过程。收集数据后，我们监督模型，因为它学习如何将图像分为三类：购买、出售和不采取任何行动。我们期望该模型能够预测未来哪种图像会上升或下降；换句话说，学习从时间I到I+N的数据，并预测I+N+1的结果。与CNN模型的典型图像识别问题不同，金融应用需要进行一些修改。