基于卷积神经网络的外汇走势预测

在实验中，我们使用了25%的数据进行验证。图21：实验1的训练过程。图22：实验1的训练过程。图23：实验1的训练过程。图24：标签1的实验2。图25：带标签的实验2-图26：标签为0的实验2。25%用于测试。在第70个时期，准确率提高到82%。没有出现过度设置的问题，这可以通过丢失培训数据和验证数据来解释。图27：实验3的训练过程。培训数据和测试数据的混淆矩阵如图28和29所示。从结果中，我们可以看出，每个类别的准确性都不会受到过度设置问题的显著影响。测试数据的准确性仅略低于训练数据。图28：训练数据的混淆矩阵。将图像缩放到价格和移动平均的最大值和最小值的实验结果如下所示。图30-32显示了MA策略分类的图像。图33图29：测试数据的混淆矩阵。描述培训过程。图34和35显示了训练和测试数据的混淆矩阵。这个案例的结果达到了82%的准确率，这比早期的准确率更好。图30：带有标签1的缩放的实验2.4.8实验3我们还模拟了开盘价和收盘价，并用MA5、MA10和MA20线绘制它们。我们每15天创建一个图像，接下来的5天作为保存日。如果第20天的开盘价高于第15天的收盘价至少2%，那么我们将在第15天买入，在第20天卖出。

如果第20天的开盘价低于第15天的收盘价至少1%，那么我们将在第15天卖出，在第20天买入。图31显示了三种标记图像：使用标签缩放的实验2-图32：标签为0的缩放实验2。图33：实验2的缩放训练过程。图34：具有缩放的训练数据的混淆矩阵。图35：具有缩放的测试数据的混淆矩阵。如图36-38所示。图36：实验3使用标签1打开、关闭、MA5、MA10和MA20。在这种情况下，我们的策略也可以区分图像。我们预计分类的准确性会很好；结果证明了这一点。在图39中，该模型在第30个历元的准确率为87%，并且每个类的准确率也优于实验2。我们还检查了卷积层之后的可视化。前两个卷积层与演示图像后的输出如图40和41所示；我们可以清楚地看到，前两层的内核可以捕捉线条的形状。在这幅图中，即购买行为，卷积模型可以清楚地捕捉到增长趋势的模式。5结论在工作流程1中，无论是简单的还是复杂的CNN架构都没有产生预期的性能。主要原因是缺乏每个卷积模型的数据。试图使用额外的、较旧的历史数据只会引入额外的噪声，并进一步误导卷积模型。

因此，我们将研究范围缩小到模拟世界，模拟世界是通过应用真实世界数据校准的GBM生成的。在工作流2中，前两个实验（实验1和实验2）与后两个实验（实验3和实验4）的主要区别在于所采用的策略。在FirstFigure 37中：实验3使用带标签的open、close、MA5、MA10和MA20-1.两个实验中，不同标签的趋势不明显，而在最后两个实验中，人眼可以清楚地看到趋势。因此，卷积模型在最后两种策略中表现出更好的性能，尤其是在买卖行为中。我们得出的结论是，如果策略足够清晰，使图像明显可辨，那么CNN模型可以预测金融资产的价格；默认的AlexNet模型也足以进行预测。我们打算在未来研究其他因素；例如，将卷积模型与其他体系结构（如LSTM）相结合。时间序列模型的架构可以帮助卷积模型从像素图像捕获更多信息。图38：实验3使用标签为0的open、close、MA5、MA10和MA20。图39：实验3的训练过程。图40：第一个卷积层与演示图像的可视化。图41：第二个卷积层与演示图像的可视化。参考文献1。S、 布朗。具有随机风险过程的企业的最优投资政策：指数效用和最小化破产概率。运筹学数学，20（4）：937–9581995.2。五十、 Di Persio和O.Honchar。人工神经网络用于预测股票市场价格变动。

《国际经济与管理系统杂志》，1:158–1622016.3。K、 福岛和三宅一生。Neocognitron：视觉模式识别机制的自组织神经网络模型。《神经网络中的竞争与合作》，第267-285页。斯普林格，1982.4。S、 E.什里夫。金融随机微积分II：连续时间模型。斯普林格，纽约，2004年5月。H、 Wang、B.Raj和E.P.Xing。论深度学习的起源。arXiv预印本arXiv:1702.078002017。