使用深度学习神经网络和烛台图表示

此外，延迟学习是一种学习方法，旨在存储训练数据，并允许在系统发出查询请求（等待测试）时使用训练数据。应用于KNN的相似性度量，目的是将每个新案例与以前保存的可用案例（训练数据）进行比较。KNN利用标记数据采用监督学习方法，该算法的学习模型可用于分类和回归预测问题。我们还将skicit learn python库用于KNN分类器。此外，我们在KNN中使用KD树算法，使用scikit learnlibrary中的默认参数进行预测。4.3绩效评估通过测量敏感性（真阳性率或召回率）、特异性（真阴性率）、准确性和马修相关系数（MCC），有一些绩效评估的统计指标来评估所有分类结果。通常，TP为真阳性或正确识别，FP为假阳性或错误识别，TN为真阴性或正确拒绝，FN为假阴性或错误拒绝。

公式如下：灵敏度=T PT P+F N（1）特异性=T NT N+F P（2）精度=T P+T NT P+F P+T N+F N（3）MCC=T P×T N- F P×F Np（T P+F P）（T P+F N）（T N+F P）（T N+F N）（4）5个实验结果和本节中的讨论，我们根据一些传统和现代的机器学习算法（随机森林、kNN、残差网络、VGG、CNN）进行分类，然后与三种最先进的方法比较，评估我们的最佳分类算法的性能【7、11、16】5.1台湾50强数据的分类表3：台湾50强每个交易日的最佳分类汇总结果和图像尺寸。分类周期维度敏感性特异性准确度MCCCNN 5 50 83.2 83.8 83.5 0.67CNN 10 50 88.6 87.3 88.0 758CNN 20 50 91.6 91.3 91.5 0.827CNN 5 20 83.9 82.7 83.3 0.666随机森林10 20 87.0 88.3 87.6 0.751CNN 20 90.8 90.2 90.6 0.808CNN 5 50 83.6 85.1 84.4 0 687CNN 10 50 89.2 88.1 88.7 0.773CNN 20 93.3 90.7 92.2 0.84CNN 5 20 84.8 83.0 83.9 0.678CNN 10 20 88.0 88.2 88.10.761CNN 20 20 81.7 91.4 91.0 0 0.817从所有关于台湾50的实验中，我们总结出了不同交易日期间有无成交量指标和图像维度结果的总结结果。表3显示，在20个交易日内，使用50维图像和成交量指示器的CNN优于其他类型，准确率为91.5%。此外，在没有台湾50指数成交量指标的情况下，美国有线电视新闻网在20个交易日内以50个维度的表现优于其他维度，准确率为92.2%。

从这两个实验的结果来看，对于台湾50数据集，使用交易日周期较长且无成交量指标的CNNmodel的方法可以获得最好的结果。5.2印尼10分类数据集4：印尼10的汇总结果，以及每个交易日和图像维度的最佳分类。分类周期尺寸灵敏度规格精度McCrenet50 50 80.7 85.4 83.1 0.661ResNet50 10 50 88.6 88.4 88.5 0.77CNN 20 50 90.0 90.1 90.0 0 0.798ResNet50 5 20 78.8 82.3 80.6 0.612CNN 10 20 83.3 85.4 84.3 0.686CNN 20 89.1 84.1 0.738ResNet50 50 50 50 79.1 87.9 83.3 0.671CNN 10 50 87.5 86.6 87.1 0.74CNN 20 50 92.1 92.1 92.1 0.837CNN 5 20 83.4 82.4 82.9 0.658CNN 10 20 85.4 85.685.5 0.708VGG16 20 20 91.5 89.7 90.7 0.808从印尼10数据集的所有实验结果中，我们分别得出表4中有和没有体积指标的汇总结果。结果表明，使用成交量指示器的50维20个交易日CNN方法显示出最佳结果，准确率为90.0%。而CNN方法在20个交易日内，使用20维图像，不使用体积指示器，效果更佳，准确率为92.1%。

结果表明，对于印尼10数据集，使用交易日周期较长且无成交量指标的CNN模型的方法可以获得最好的结果。5.3独立测试结果表5：台湾50指数的汇总结果，以及每个交易日的最佳分类和图像维度。分类周期维度敏感性特异性准确度MCCCNN 5 50 83.2 83.8 83.5 0.67CNN 10 50 88.6 87.3 88.0 758CNN 20 50 91.6 91.3 91.5 0.827CNN 5 20 83.9 82.7 83.3 0.666随机森林10 20 87.0 88.3 87.6 0.751CNN 20 90.8 90.2 90.6 0.808CNN 5 50 83.6 85.1 84.4 0 687CNN 10 50 89.2 88.1 88.7 0.773CNN 20 93.3 90.7 92.2 0.84CNN 5 20 84.8 83.0 83.9 0.678CNN 10 20 88.0 88.2 88.10.761CNN 20 20 81.7 91.4 91.0 0 0.817表6：台湾50指数的汇总结果及其每个交易日和图像维度的最佳分类。分类周期维度敏感性特异性准确度MCCCNN 5 50 83.2 83.8 83.5 0.67CNN 10 50 88.6 87.3 88.0 758CNN 20 50 91.6 91.3 91.5 0.827CNN 5 20 83.9 82.7 83.3 0.666随机森林10 20 87.0 88.3 87.6 0.751CNN 20 90.8 90.2 90.6 0.808CNN 5 50 83.6 85.1 84.4 0 687CNN 10 50 89.2 88.1 88.7 0.773CNN 20 93.3 90.7 92.2 0.84CNN 5 20 84.8 83.0 83.9 0.678CNN 10 20 88.0 88.2 88.10.761CNN 20 20 81.7 91.4 91.0 0.817测量我们的模型结果不仅使用性能评估。我们还进行了独立测试，以验证我们提出的方法是合理的。在这个独立测试中，我们使用了来自每个国家的两个指数股票交易数据。Yuanta/P-shares Taiwan Top 50 ETF代表我们对台湾50指数的独立数据测试，而雅加达综合指数是我们对印度尼西亚10的独立数据集测试。这两份证券交易所数据均取自2017年1月1日至2018年6月14日。表5显示了我们分别使用音量指示器和不使用音量指示器对台湾50的独立测试结果。

表6分别显示了使用和未使用容积指示器的印度尼西亚10的独立测试结果。如表5和表6所示，我们的CNN以20个交易日为周期，50维图像在两个独立测试中都获得了最好的结果。5.4比较为了进一步评估我们的预测模型的有效性，我们还将我们的结果与其他相关工作进行了比较。第一个比较是我们提出的方法与Khaidem\'swork[7]之间的比较，他们使用了三个不同交易时段的不同股票市场数据集。三星（Samsung）、通用电气（General Electric）和苹果（Apple）是其分别有一个月、两个月和三个月交易期的股市数据。我们在他们的数据集中应用了我们提出的模型，以将我们的预测性能与他们的结果进行比较。三星、苹果和GE股票市场的比较结果分别如表7所示。基于这些比较结果，我们的性能结果优于Khaidem\'swork[7]的预测结果。表7：与Khaidem的比较结果。Khaidem，Saha等人。SamsungName交易期ACC精确召回特定城市HAIDEM 1个月86.8 88.1 87.0 0.865我们1个月87.5 88.0 87.0 0 891 HAIDEM 2个月90.6 91.0 92.5 0.88我们2个月94.2 94.0 94.0 862 HAIDEM 3个月93.9 92.4 95.0 0 0 0.926我们3个月94.5 94.0 95.0 0 882 HAIDEM，Saha等人。AppleKhaidem 1个月88.2 89.2 90.7 0.848我们1个月89.6 90.0 90.0 0 0.863我们2个月93.0 94.1 93.8 0.919我们2个月93.6 94.0 94.0 0 0.877 Khaidem 3个月94.5 94.5 96.1 0.923我们3个月95.6 96.0 96.1 0.885 Haidem，Saha等人。

GEKhaidem 1个月84.7 85.5 87.6 0.809我们1个月90.2 90.0 90.0 0.86Khaidem 2个月90.8 91.3 93.0 0 0.876我们2个月97.8 98.0 98.0 0 0.993海德姆3个月92.5 93.1 94.5 0.895我们3个月97.4 98.0 98.0 0 0 0.983表8：与Patel的比较结果。标准普尔BSE SENSEX NIFTY 50ACC F-Measure ACC F-MeasurePatel 89.84 0.9026 89.52 0.8935我们的97.2 0.97 93.4 0.93Reliance Industry InfosysPatel 92.22 0.9234 90.01 0.9017我们的93.9 0.94 93.9 0.94第二次比较是我们提出的方法与J.Patel的工作【11】。他们利用了来自印度证券交易所的四个不同的股票市场数据集。在此比较中，我们使用Nifty50、S7P BSE Sensex、Reliance Industry和Infosys stockmarket数据集跟踪了他们的数据集。准确度和F-测量用于其性能评估。表8所示的比较结果表明，我们提出的模型与S7P BSE Sensex、Reliance Industry、Nifty50和Infosys stockmarket数据集的准确率分别为97.2%、93.9%、93.4%和93.9%。这表明，我们提出的方法优于Patel工作[11]。表9：与Zhang的比较结果。香港-Zhang准确度MCCZhang 61.7 0.331我们的92.6 0.846最后一次比较是我们提出的方法与Zhang的方法之间的比较【16】。他们的数据集组成与我们相似。他们使用了13个香港股市，其中我们使用了50个台湾股市数据集和10个印尼股市数据集。他们的方法是将社交媒体的情绪分析和金融新闻相结合。如表9所示，我们提出的方法实现了92%，显著优于Zhang方法【16】。6结论和未来工作在本研究中，我们提出了一种新的股票市场预测方法，使用2个股票市场数据集，包括50个公司股票市场的台湾50个数据集和10个公司股票市场的印尼数据集。首先，我们采用滑动窗口技术生成周期数据。

为了找出丰富的烛台图信息与股市预测绩效之间的相关性，我们利用计算机图形技术为股市数据生成烛台图图像。最后，利用CNN学习算法对股市进行预测。我们发现，使用长期交易日周期和CNN学习算法的模型在敏感性、特异性、准确性和MCC方面实现了最高的性能。证明了卷积神经网络可以在烛台图图像中发现隐藏的模式，从而预测特定股票市场未来的走势。在烛台图中添加体积等指标并不能真正帮助算法增加隐藏模式的查找。对比实验表明，与现有的其他方法相比，本文提出的方法对其他数据集的预测精度较高。Patel使用了Reliance Industries、Infosys Ltd、CNX Nifty和标准普尔孟买证券交易所BSE Sensex 10年的交易数据，准确率在89%-92%之间，而我们的准确率在93%-97%之间。利用三星、GE和苹果的三个交易数据，Khaidem方法的准确率在86%~94%之间，而我们的准确率在87%~97%之间。张先生在香港证券交易所使用了13家不同的公司，准确率为61%。同时，我们的方法的准确率达到了92%。对于未来的工作，我们希望扩展我们的工作，以便能够预测价格变动的百分比变化。为了方便实验科学家，我们开发了一个用户友好的Web服务器，用于使用我们的最终模型预测股市。可用位置：http://140.138.155.216/deepcandle/DeepCandle是一个用户可以轻松预测近期股市的系统。

用户只需输入目标日期，我们的模型就会对其进行处理，并返回目标日期股市走势的预测结果。所提供的web界面的构造使得用户可以轻松访问其功能并舒适地使用它，而无需深入了解计算。参考文献【1】J.Bollen、H.Mao和X.Zeng。推特情绪预测股市。《计算科学杂志》，2（1）：2011年1-8月。[2] A.Borovykh、S.Bohte和C.W.Oosterlee。扩展卷积神经网络时间序列预测。[3] H.A.DoPrado、E.Ferneda、L.C.Morais、A.J.Luiz和E.Matsura。烛台图分析对巴西股市的有效性。《ProMedia计算机科学》，22:1136–11452013。[4] K.He、X.Zhang、S.Ren和J.Sun。用于图像识别的深度残差学习。《IEEE计算机视觉和模式识别会议纪要》，第770–7782016页。[5] G.Hu，Y.Hu，K.Yang，Z.Yu，F.Sung，Z.Zhang，F.Xie，J.Liu，N.Robertson，T.Hospedales等。深度股票表征学习：从烛台图到投资决策。arXiv预印本arXiv:1709.038032017。[6] J.D.亨特。Matplotlib：二维图形环境。《科学与工程计算》，9（3）：90–952007。[7] L.Khaidem、S.Saha和S.R.Dey。使用随机森林预测股票市场价格的方向。arXiv预印本arXiv:1605.000032016。[8] 陆泰浩、萧永明和刘泰昌。专业烛台交易策略从新的角度证明了这一点。《金融经济学评论》，21（2）：63–682012。[9] 马尔基尔和法玛。有效资本市场：理论和实证工作回顾。《金融杂志》，25（2）：383–4171970。[10] G.L.莫里斯。烛台图表解释：股票和期货交易的永恒技术：股票和缝线交易的永恒技术。

麦格劳·希尔专业出版社，2006年。[11] J.Patel、S.Shah、P.Thakkar和K.Kotecha。使用趋势确定性数据准备和机器学习技术预测股票和股价指数变动。《专家系统与应用》，42（1）：259–2682015。[12] F.Pedregosa、G.Varoquaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg等，《Scikit learn：python中的机器学习》。机器学习研究杂志，12（10月）：2825–2830，2011年。[13] E.Schoneburg。利用神经网络预测股票价格：一份项目报告。神经计算，2（1）：17–27，1990年。[14] K.Simonyan和A.Zisserman。用于大规模图像识别的甚深卷积网络。arXiv预印本arXiv:1409.15562014。[15] 蔡志富和全志勇。通过在烛台上搜索相似性进行库存预测。《管理信息系统（TMIS）ACM交易》，5（2）：92014。[16] X.Zhang、Y.Zhang、S.Wang、Y.Yao、B.Fang和S.Y.Philip。通过异构信息融合改进股市预测。《基于知识的系统》，143:236–2472018。