基于Deep的股市图像预测全球股市

相似文件 换一批

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：
《Global Stock Market Prediction Based on Stock Chart Images Using Deep
  Q-Network》
---
作者：
Jinho Lee, Raehyun Kim, Yookyung Koh, and Jaewoo Kang
---
最新提交年份：
2019
---
英文摘要：
  We applied Deep Q-Network with a Convolutional Neural Network function approximator, which takes stock chart images as input, for making global stock market predictions. Our model not only yields profit in the stock market of the country where it was trained but generally yields profit in global stock markets. We trained our model only in the US market and tested it in 31 different countries over 12 years. The portfolios constructed based on our model\'s output generally yield about 0.1 to 1.0 percent return per transaction prior to transaction costs in 31 countries. The results show that there are some patterns on stock chart image, that tend to predict the same future stock price movements across global stock markets. Moreover, the results show that future stock prices can be predicted even if the training and testing procedures are done in different countries. Training procedure could be done in relatively large and liquid markets (e.g., USA) and tested in small markets. This result demonstrates that artificial intelligence based stock price forecasting models can be used in relatively small markets (emerging countries) even though they do not have a sufficient amount of data for training.
---
中文摘要：
我们使用深度Q网络和卷积神经网络函数逼近器，以股票图表图像为输入，进行全球股市预测。我们的模型不仅在培训所在国的股票市场上产生利润，而且通常在全球股票市场上产生利润。我们仅在美国市场培训了我们的模型，并在12年内在31个不同的国家进行了测试。在31个国家，基于我们模型的产出构建的投资组合通常在交易成本之前，每笔交易的收益率约为0.1%至1.0%。结果表明，在股票图表图像上存在一些模式，这些模式倾向于预测全球股票市场上相同的未来股价走势。此外，结果表明，即使培训和测试程序在不同的国家进行，也可以预测未来的股票价格。培训程序可在相对较大且流动性较强的市场（如美国）进行，并可在小型市场进行测试。这一结果表明，基于人工智能的股票价格预测模型可以用于相对较小的市场（新兴国家），即使它们没有足够的数据进行培训。
---
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：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：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
--

---
PDF下载：
--> Global_Stock_Market_Prediction_Based_on_Stock_Chart_Images_Using_Deep_Q-Network.pdf (504.09 KB)

2022-6-23 20:21:16 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：deep 全球股市 Dee Applications Quantitative

基于股票图表图像的全球股市预测使用深度Q网络Jinho Lee、Raehyun Kim、Yookyung Koh和Jaewoo Kang，摘要我们使用深度Q网络和卷积神经网络函数近似器，以股票图表图像为输入，进行全球股市预测。我们的模型不仅在接受培训的国家的股票市场中产生收益，而且通常在全球股票市场中产生收益。我们只在美国市场培训了我们的模型，并在12年内在31个不同的国家进行了测试。基于我们模型的产出构建的投资组合通常在31个国家的交易成本之前，每笔交易产生约0.1%至1.0%的回报。结果表明，在股票图表图像上存在一些模式，这些模式倾向于预测全球股票市场上相同的未来股价走势。此外，结果表明，即使培训和测试程序在不同的国家进行，也可以预测未来的股票价格。培训程序可在相对较大且流动性较强的市场（如美国）进行，并可在小型市场进行测试。这一结果表明，基于人工智能的股价预测模型可以用于相对较小的市场（新兴国家），即使它们没有足够的培训数据。指数术语：人工智能、神经网络（NN）、强化学习（RL）、股市预测。一、 预测未来股票价格一直是一个有争议的研究课题。在“有效资本市场[1]”一文中，尤金·法马（EugeneFama）认为，股市效率很高，价格总是充分反映所有可用信息。他还坚持认为，技术分析或基本面分析（或任何分析）不会给投资者带来任何一致的高于平均水平的收益。

另一方面，来自不同领域的大量研究表明，股票市场并不总是有效的，至少可以部分预测[2]，[3]。金融经济学的一些经典著作发现并分析了许多与有效市场假说（EMH）[4]、[5]不一致的异常现象。其他一些研究利用技术分析（即对过去股价和成交量的研究）来预测未来股价，并证明其可行性[6]。在计算机科学领域，许多研究分析了网络数据，如社交网络服务（SNS）消息[7]、新闻文章[8]或搜索引擎查询[9]。一些研究发现，来自SNSplatforms和搜索查询频率数据的投资者情绪为预测未来股价提供了有用的信息。预测计算机科学领域未来股价的另一种方法是构建基于人工智能的模型，该模型使用机器学习技术，如韩国首尔韩国大学计算机科学与工程系的所有作者（电子邮件：jinholee@korea.ac.kr; raehyun@korea.ac.kr; ykko603@korea.ac.kr; kangj@korea.ac.kr)联系人：kangj@korea.ac.krNeural网络（NN）[10]或强化学习（RL）[11]。NN和RL是目前最常用的机器学习方法之一。神经网络用于检测原始输入数据中的非线性模式。自然语言处理、图像分类和语音识别等领域的许多最新方法都基于卷积神经网络（CNN）或递归神经网络（RNN）模型。RL的目标是训练agent在给定当前状态下选择最优动作。但与监督学习不同的是，监督学习会给模型提供精确的答案，而RL agent会在训练过程中最大化累积。

许多研究已经实现了基于神经网络的体系结构[12]–[15]或RL[16]技术。这些研究表明，在各种输入变量中，这种基于人工智能的模型能够有效捕捉与未来回报相关的复杂非线性模式。但之前的大多数工作主要集中在构建一个高绩效模型，该模型仅针对单个国家的有限数量的证券或综合指数进行优化，使用各种输入变量，如价格、交易量、技术和其他财务指标。这些工作都没有将他们的模型应用于全球股市。然而，在这项工作中，我们主要侧重于学习通常不仅在单个国家而且在全球股市产生效益的模式，使用显示过去每日收盘价和成交量的股票图表图像作为输入。例如，假设我们的模型从单个国家的培训数据中学习到一些独特的模式，这些模式表明股票价格将急剧上涨。然后，我们需要证明，这些独特的模式不仅在训练我们的模型的国家的股票市场上，而且在许多其他国家的股票市场上，一致地表明了相同的未来股价走势（股价将上涨）。有趣的是，正如我们的实验结果所示，不同国家和文化的人在某些价格/数量模式下的投资活动往往相似，这使得该模式更加稳健和可靠。此外，这些模式的存在有助于根据发达市场（如美国）的充足数据训练一些基于人工智能的股票价格预测模型，并将其应用于相对较小的国家，这些国家没有足够的数据来训练此类复杂模型。

据我们所知，之前没有进行过任何研究来解决这个问题。我们采用了深度Q网络（DQN）[17]的框架，解决了使用Q学习的高度非线性函数逼近器引起的不稳定性问题[18]。它使用以下两种方法来稳定训练过程：经验回放和参数冻结。我们在培训过程中使用相同的方法。我们的模型将单个公司的图表图像作为输入，并在每天的多头、中性或空头中选择一个动作。它根据自己的行为和公司随后的价格变化获得积极或消极的奖励。我们的模型经过训练，可以在给定的图表图像中选择将产生最大累积回报的操作。与使用监督学习相比，使用Q学习（RL的一类）来训练我们的模型具有一些优势。首先，像所有其他RL一样，我们的模型使用奖励进行训练。由于我们正在处理股票价格预测问题，为行动分配二进制标签（如TRUE或False）是不够的。例如，如果一个模型决定采取长期行动，则希望后续价格变动10%时获得10.0%的奖励，后续价格变动1.5%时获得1.5%的奖励。对于这两种情况，仅接收True并不能区分这两种情况。其次，RL使用累积向上（而不仅仅是即时奖励）来培训代理。在大多数股票价格预测问题中，监督学习模型都经过训练，可以根据当前时间步的信息预测下一个时间步的价格（或价格变化）。在无监督学习中，人们可以使用不同的时间单位，如月或日，来进行更长或更短的预测，但很难考虑下一个时间步之后的时间步。

但是RL可以通过使用不仅下一个时间步而且所有后续时间步的信息来最大化累积回报，从而有效地解决这个问题。最后，在Q-学习中，经过训练的模型可以利用行动值，这是相应行动的预期累积回报。因此，当培训完成时，我们的模型不仅知道要采取哪些行动，而且可以预测行动将产生的效益，这使我们能够区分强模式和弱模式。我们在全球股市上进行了大量实验。对于这项工作，只有五年（2001年1月至2005年12月）的美国个人股票数据用于培训，我们的模型在培训期后的12年（2006年1月至2017年12月）内在31个国家进行了测试。结果表明，我们的模型一般比大多数国家的平均市场回报率高。换言之，我们的模型可以在股票图表中检测到模式，这不仅在我们的模型培训的国家产生了优势，而且在其他大多数国家也产生了优势。此外，研究结果表明，与以往大多数研究不同，基于人工智能的股价预测模型不需要在同一市场或国家进行培训和测试。例如，可以使用美国市场数据为西班牙或台湾训练神经网络模型。这可能有助于基于人工智能的股票价格预测模型在新兴市场中得到更广泛的应用，其中一些新兴市场不完善，且训练模型的数据量不足。结果表明，尽管我们的模型在美国接受过培训，但通常在其他国家也会产生可观的收益。据我们所知，我们的基于人工智能的模型仅在一个国家接受过培训，是第一个在全球股市上获得大量测试结果的模型。二、背景A。

卷积神经网络深度学习（简称NN）是目前应用最广泛的机器学习方法之一，专门用于对高度非线性模式进行分类。CNN是成功应用于图像分类问题的神经网络体系结构之一。许多最先进的图像分类模型都基于CNN架构。这类模型通常采用三种颜色通道的2D图像作为输入。此输入将通过多个隐藏层。通常，每个隐藏层由卷积层组成，然后是非线性层和池层。但在最后一个或两个隐藏层中，通常将完全连接的层与soft max函数一起使用。最终输出通常是一个对应于输入图像标签的单热向量。注意，在我们的工作中，我们使用CNN作为Q学习算法中的函数近似器。B、 Q-learningQ-learning是最常见的RL算法之一。基本上，所有RL算法的目标都是使代理能够学习最优策略，或者换句话说，培训代理，使其能够选择能够在给定状态下提供最大累积回报的操作。在Q-学习中，agent不直接学习最优策略；相反，管理者被训练来获得最佳行动值，即给定当前状态下每个行动的预期累积回报。因此，当完成训练时，代理的最优策略只是一个贪婪的策略，在此策略中，代理选择具有给定状态的最大动作值的动作。为了获得最佳动作值，代理应该使用Bellman方程迭代更新动作值。代理根据行为策略选择给定当前状态的操作，并观察奖励和下一个状态。通常在Q-learning中贪婪策略被用作一种行为策略，其中一个代理以概率选择一个随机操作 或者行动自如。C

深度Q-网络当状态表示简单时，证明了原始Q-学习算法收敛于最优行为。但与inDeep Q-Network（DQN）一样，如果当前状态非常复杂且无法以表格查找形式表示，则可以使用函数近似器有效地表示状态。函数近似器可以是将SRAW状态表示映射到动作的任何类型的函数。在我们的例子中，CNN被用作将状态表示（股票图表图像）映射到动作（长、中性或短）的函数近似器。但是，由于训练过程不稳定，天真地实现非线性函数逼近器（如NN）在实际应用中是无效的。DQN使用以下两种方法解决此问题：体验重播和参数冻结。经验重播是一种减少数据序列相关性的方法，它将最新的M经验（inputdata）存储在内存缓冲区中，并在每次迭代时从内存缓冲区中随机抽取批次，以采取梯度步骤。参数冻结方法暂时冻结targetFig。1、CNN如何在特定时间点（时间t）读取单个公司的输入图表，并输出两个向量ρ和η的概述。（a） CNN的架构。它由H个隐藏层组成。最后两个隐藏层是完全连接的层。（b） 时间为W×W图表图像和t+1时为W×W图表图像的示例。例如，如图所示，如果W等于8，我们的CNN将读取一个8×8的矩阵作为输入，其中所有元素都用0或1填充。用黑色填充的元素对应于1；否则，它们都是0。矩阵的上半部分表示成交价格的相对值，下半部分表示成交量。

图表中间的两行是空的（值为零），以帮助我们的CNN区分价格和数量。（c） 连续39天的序列图。在该图中，所有价格量数据均在39天内进行标准化，以便可视化。换句话说，对于价格数据，39天内的最高价格列在第一行，最低价格列在第三行；但是，这仅用于可视化目的。在我们的实际实验中，输入数据在W天内进行标准化（图表的水平大小），而不是在整个实验期间进行标准化。培训期间的参数。为了减少与目标的相关性，需要维护两组参数，并定期更新目标网络参数。三、 方法a。概述在本小节中，我们简要概述了函数逼近器CNN。图1说明了CNN如何读取和输出单个公司的动作值。术语“行动值”是指行动的预期累积回报。在早期训练阶段，这个动作值是无意义的（随机的），但当训练正确完成时，它表明相应动作将产生多大的效益。如图1所示，我们的有线电视新闻网在每个时间点t获取一幅逐W图表图像作为输入，它显示了过去几天单个公司的每日成交价格和成交量数据。在时间t，我们的CNN输出两个长度为3的向量：ρ和η。基于这些向量，决定在时间t采取的动作[长、中性、短]。同样，在时间t+1（或下一天），图1中的CNN在时间t+1读取股票图表图像，并决定在时间t+1采取何种行动。actionvalue向量ρ表示一个动作值，它是一个动作[长、中和、短]的预期累积回报。一个热向量η在同一指数中标记为1，其中ρ具有最大作用值；否则，将标记为0。

每个向量分别表示长、中性或短动作。因此，例如，如果我们的CNN在时间t采取短期行动，则时间t的ρ[3]值表示预期的累积回报。为简单起见，我们在本文中标准化了所有向量的索引，从一开始。总之，我们的CNN运作方式很简单。它在t时刻读取图表，并选择具有最大actionvalue的操作。在时间t+1时，它会根据行动时间t和价格从时间t到时间t+1的变化获得奖励。它在t+1时采取的行动与在t.B.Network ArchitectureFig时采取的行动相同。1（a）显示了CNN用作函数近似器的总体结构。我们的CNN将W×W图表图像作为输入，并输出两个长度为3的向量：动作值向量ρ和一个热向量η。向量的三个元素分别表示长、中性和短动作。ρ的每个元素对应于给定电流输入的动作的预期动作值。onehot向量η中只有一个元素标记为1，其中ρ的作用值最大；否则，将标记为0。我们的CNN的具体架构如下。我们的CNN采用32×32×1作为输入。输入只有一个通道，因为它不需要着色。我们的CNN有六个隐藏层。因此，H等于图1（a）中的6。前四个隐藏层是来自31个国家的可卷积IDATA统计数据。