使用深度学习神经网络和烛台图表示

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：
《Using Deep Learning Neural Networks and Candlestick Chart Representation
  to Predict Stock Market》
---
作者：
Rosdyana Mangir Irawan Kusuma, Trang-Thi Ho, Wei-Chun Kao, Yu-Yen Ou
  and Kai-Lung Hua
---
最新提交年份：
2019
---
英文摘要：
  Stock market prediction is still a challenging problem because there are many factors effect to the stock market price such as company news and performance, industry performance, investor sentiment, social media sentiment and economic factors. This work explores the predictability in the stock market using Deep Convolutional Network and candlestick charts. The outcome is utilized to design a decision support framework that can be used by traders to provide suggested indications of future stock price direction. We perform this work using various types of neural networks like convolutional neural network, residual network and visual geometry group network. From stock market historical data, we converted it to candlestick charts. Finally, these candlestick charts will be feed as input for training a Convolutional Neural Network model. This Convolutional Neural Network model will help us to analyze the patterns inside the candlestick chart and predict the future movements of stock market. The effectiveness of our method is evaluated in stock market prediction with a promising results 92.2% and 92.1% accuracy for Taiwan and Indonesian stock market dataset respectively. The constructed model have been implemented as a web-based system freely available at http://140.138.155.216/deepcandle/ for predicting stock market using candlestick chart and deep learning neural networks.
---
中文摘要：
股市预测仍然是一个具有挑战性的问题，因为影响股市价格的因素很多，如公司新闻和业绩、行业业绩、投资者情绪、社交媒体情绪和经济因素。这项工作利用深度卷积网络和烛台图探索了股票市场的可预测性。该结果用于设计决策支持框架，交易员可以使用该框架提供未来股价方向的建议指示。我们使用各种类型的神经网络，如卷积神经网络、残差网络和视觉几何群网络来完成这项工作。根据股市历史数据，我们将其转换为烛台图。最后，这些烛台图将作为训练卷积神经网络模型的输入。这种卷积神经网络模型将帮助我们分析烛台图中的模式，并预测股票市场的未来走势。我们的方法在股市预测中的有效性得到了评估，对台湾和印尼股市数据集的预测准确率分别为92.2%和92.1%。构建的模型已实现为基于web的系统，可在http://140.138.155.216/deepcandle/用于使用烛台图和深度学习神经网络预测股市。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Using_Deep_Learning_Neural_Networks_and_Candlestick_Chart_Representation_to_Pred.pdf (475.1 KB)

2022-6-14 09:22:31 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 深度学习 神经网 Applications Quantitative

使用深度学习神经网络和烛台KChart表示预测股市Rosdyana Mangir Irawan Kusuma、Trang Thi Ho、Wei Chun Kao、Yu Yenou和Kai Lung Hua元智大学计算机科学与工程系、台湾中华民国国立台湾科技大学计算机科学与工程系、，台湾全知云技术摘要股市预测仍然是一个具有挑战性的问题，因为影响股市价格的因素很多，如公司新闻和业绩、行业业绩、投资者情绪、社交媒体情绪和经济因素。这项工作利用深度卷积网络和烛台图探索了股票市场的可预测性。Outcome用于设计一个决策支持框架，交易员可以使用该框架提供未来股价方向的建议指示。我们使用各种类型的神经网络，如卷积神经网络、残差网络和视觉代数群网络来完成这项工作。根据股市历史数据，我们将其转换为烛台。最后，这些烛台图将作为训练卷积神经网络模型的输入。这种卷积神经网络模型将帮助我们分析烛台图中的模式，并预测股市的未来走势。我们的方法在股市预测中的有效性得到了评估，对台湾和印尼股市数据集的预测准确率分别为92.2%和92.1%。

所构建的模型已实现为一个基于web的免费系统http://140.138.155.216/deepcandle/用于使用烛台图和深度学习神经网络预测股市。关键词：股市预测，卷积神经网络，残差网络，烛台图。股票市场是与现代人类生活分不开的。投资股票市场是全世界人民都在做的一件很自然的事情。他们设定了自己的收入，通过投资股票市场来创造更多的利润，以此来碰碰运气。交易员更有可能购买未来价值有望上涨的股票。另一方面，交易者可能会避免购买价值预计未来会下跌的股票。因此，准确预测股市价格走势，以实现资本收益最大化和损失最小化，是当务之急。此外，股市预测仍然是一个具有挑战性的问题，因为影响股市价格的因素很多，如公司新闻和业绩、行业业绩、投资者情绪、社交媒体情绪和经济因素。根据Fama的有效市场假说，投资者不可能通过购买被低估的股票或以过高的价格出售股票来获得优势[9]。因此，投资者只有一种方法可以获得更高的利润，那就是通过偶然或购买风险更高的投资。随着当前技术的进步，机器学习在当今人类生活的各个方面取得了突破，深度神经网络在许多研究领域显示出了巨大的潜力。

在这项研究中，我们应用不同类型的机器学习算法来提高我们使用卷积神经网络、残差网络、虚拟几何群网络、k-最近邻和随机森林进行股票市场预测的性能结果。机器学习中的数据集格式可能不同。许多类型的数据集格式，如文本序列、图像、音频、视频，从1D（一维）到3D（三维），都可以应用于机器学习。例如，图像不仅用作图像分类的输入，还用作预测条件的输入。我们以GoogleDeepMind在Alpha Go中的研究为例[4]。最近，他们成功地在研究领域获得了很多关注。通过使用图像作为他们的输入，其中图像表示围棋棋盘，随后该图像数据集用于预测围棋游戏中对手的下一步。另一种情况是，从股票市场的历史数据转换为音频波长，使用深度卷积波网络架构可以应用于预测股票市场的运动[2]。我们在这项工作中提出的方法是使用台湾和印尼股市的代表烛台图来预测价格变动。我们利用三个交易时段来分析这些时段与股市走势之间的相关性。我们建议的烛台图将表示有无每日成交量股票数据的时间序列。本文的实验对烛台图进行了两种图像尺寸（50维和20维）的实验，分析了不同图像尺寸下隐藏模式的相关性。此后，我们的数据集将作为输入，用于几种学习算法，如传统机器学习的randomforest和k-最近邻，以及现代机器学习的CNN、残差网络和VGG网络。

目的是分析周期时间、图像大小、特征集等参数与股市走势的相关性，以判断股市在第二天是上涨还是下跌。2相关工作许多研究人员已经开始开发股票市场预测的计算工具。1990年，Schneburg使用随机选择的德国股票市场的数据进行了一项研究，然后将反向传播方法用于他们的机器学习架构【13】。据我们所知，股票市场数据包括开盘价格数据、收盘价格数据、高价数据、低价数据和每日交易量。此外，为了利用股票市场的历史时间序列数据，股票市场预测领域的一些研究人员开始渗透情绪分析方法来预测和分析股票市场的走势。J、 Bollen报道了情绪分析方法，他从著名的微博网站Twitter上获取数据，预测道琼斯工业平均指数（DJIA）的股市走势。关于股市预测的研究较多；他们不仅通过使用历史时间序列数据的元素来使用输入数据，还通过将数据处理成其他不同形式来使用输入数据。（Borovykh，Bohte et al.）试图使用深卷积波网结构方法，使用S&P500和CBOE的数据进行分析和预测【2】。在他们的研究中，我们还发现了一些使用烛台图表的相关作品。（do Prado，Ferneda et al.2013）使用烛台图，通过使用16个烛台模式来学习巴西股市中包含的模式【3】。（Tsai和Quan 2014）利用烛台图结合七种不同的基于小波的纹理来分析烛台KChart【15】。而（Hu，Hu et al。

2017年）使用烛台图构建股市投资决策系统。他们使用卷积编码器学习烛台图中包含的模式【5】，而（Patel，Shah et al.2015）使用股票交易数据中的十个技术参数作为输入数据，并比较四种预测模型，即人工神经网络（ANN）、支持向量机（SVM）、随机森林和nave Bayes【11】。传统的随机森林等机器学习方法已被应用于股市预测，取得了良好的效果。（Khaidem，Saha et al.2016）将随机森林与技术指标相结合，如相对强度指数（RSI），表现出良好的性能【7】。添加更多的功能集可以是丰富数据集和增强分类结果的方法之一。据（Zhang，Zhang et al.2018）所述，输入数据不仅来自历史股票交易数据，还可以将来自社交媒体的金融新闻和用户情绪关联起来，预测股票市场的走势【16】。与大多数现有研究只考虑股票交易数据、新闻事件或实体的模型不同，我们提出的方法利用烛台图表图像的表示来分析和预测股票市场的运动，并将现代神经网络与传统神经网络进行比较。3数据集3.1数据采集以正确的格式获取正确的数据在机器学习中非常重要，因为它将帮助我们的学习系统走上正确的道路并取得良好的效果。我们在两个不同的股票市场，即台湾和印尼，对我们的模型进行了培训和评估。

我们收集了50家公司的表1：数据集的时间段，分为培训、测试和独立数据。股票数据培训数据测试数据独立数据开始结束结束结束结束结束结束结束结束结束结束结束结束TW50 2000/01 2016/12/31 2017/01 2018/06/14 2017/01 2018/06/14 ID10 2000/01 2016/12/31 2017/01 2018/06/14 2017/01 2018/06/14台湾股票市场和印尼10家公司股票市场基于其作为两国顶级股票市场的增长技术分析。在此数据收集中，我们使用Yahoo！提供的应用程序接口（API）服务！财务部获取每个股票市场的历史时间序列数据。从下表1中设置的时段来看，我们当然会得到一些交易日时段，从周一到周五是交易日时段。基于数据训练和数据测试的预定时间对数据进行分离很重要，而一些研究会因数据置乱而出错；这当然是致命的，因为我们使用的数据是时间序列。3.2数据预处理从历史时间序列数据中，我们使用Matplotlib库将其转换为烛台图[6]。为了分析不同时段与股市走势的相关性，我们将用于创建烛台图的数据划分为三个时段，即5个交易日数据、10个交易日数据和20个交易日数据。除了时段外，我们还将烛台图分为有音量指示器和无音量指示器。在烛台图中添加体积指示器是我们发现丰富烛台图信息和预测结果之间相关性的方法之一。4方法学我们提出的方法的体系结构如图1所示。首先，我们使用Yahoo！从股市历史数据中收集数据！财务API。

之后，我们应用滑动窗口技术生成周期数据，然后使用计算机图形技术生成烛台图图像。最后，我们将烛台图作为输入输入输入到一些深度学习神经网络模型中，以找到股市预测的最佳模型，并且输出将是二进制类，以指示股票价格在不久的将来会上涨或下跌。4.1烛台图烛台图是一种用于描述某个时期价格变动的财务图。烛台图被命名为日本烛台图，由日本大米贸易商MunehisaHooma开发【10】。每个烛台通常显示一天的交易数据，因此月表可能会将20个交易日显示为20个烛台。烛台图类似于折线图和条形图的组合。虽然每个栏都显示了交易日信息的四个重要组成部分，如开盘，但图1：我们的方法设计。图2：在不同时间段和大小的无音量指示器的拟议烛台图。收盘时，价格高低不一。烛台通常由上阴影、下阴影和实体三部分组成。如果开盘价高于收盘价，那么实体将以红色填充。否则，实体将填充绿色。上下阴影表示特定时间段内的高价格和低价格范围。然而，并非所有的烛台都有阴影。烛台图是在证券交易所做出决策的视觉辅助工具。根据烛台图，交易者将更容易理解高点和低点以及开盘和收盘之间的关系。因此，交易者可以识别特定时间范围内的股市趋势【8】。

当收盘大于开盘时，烛台被称为看涨烛台。否则，它被称为bearish烛台。图2和图3分别描述了不同时期、不同大小、不同体积和不同体积的烛台图。图3：建议的烛台图，带有不同时段时间和大小的音量指示器。4.2学习算法在这项工作中，我们将使用一些基于卷积神经网络的深度学习网络（DLN）对股市预测进行分类。除了DLN之外，我们还应用了一些传统的机器学习（ML）算法来与DLN进行比较。传统的机器学习算法有随机森林算法和K近邻算法。4.2.1卷积神经网络表2：我们提出的CNN架构。卷积神经网络（CNN）是一种前馈人工神经网络，包括输入层、输出层和一个或多个隐藏层。CNN的隐藏层通常由池层、卷积层和全连接层组成。它类似于由一组具有可学习权重和偏差的神经元组成的普通神经网络（NN）。不同之处在于卷积层对输入使用卷积运算，然后将结果传输到下一层。此操作允许使用更少的参数更有效地实现转发功能。如表2所示，我们的CNN模型体系结构由4层卷积2d、4层最大池2d和3个退出组成。4.2.2残差网络这是一种人工神经网络，由He于2015年开发【4】。它使用跳过连接或快捷方式跳过某些层。残差网络体系结构的关键是残差块，它允许信息直接通过。因此，减少或移除反向传播的错误信号。

这样可以训练具有数百层的更深层次的网络。这种深度的大幅提升导致了显著的绩效成就。4.2.3 VGG网络VGG网络体系结构由Simonyan和Zisserman引入【14】。它被命名为DVGG，因为该体系结构来自牛津VGG集团。该网络的特点是简单，仅使用3x3个卷积层，层叠在一起，深度不断增加。减少卷大小由最大池处理。两个完全连接的层，每个层有4096个节点，然后是softmax分类器。16和19代表网络中的权重层数量。不幸的是，VGGNet有两个主要缺点。首先，训练速度慢得令人痛苦，其次，网络体系结构本身的权重相当大。4.2.4随机森林随机森林分类器是一种由许多决策树组成的分类器，采用了随机决策森林技术，通过使用多种学习算法（集成学习）优先考虑预测性能。一般来说，决策树是数据搜索技术中使用的一种学习方法。将“装袋”思想或所谓的“引导聚合”（减少方差）与训练集中特征的随机选择（分类和回归树）相结合所使用的方法。随机森林算法和决策树算法的区别在于，在随机森林中，查找根节点和分割特征节点的过程将随机运行。我们应用了一个名为skicit learn的机器学习python库中的随机森林算法。4.2.5 K-最近邻K-最近邻（KNN）是一种基于惰性学习和基于实例（IBk）学习算法的分类器（基于模型评估方法或交叉验证选择基于K的值）。