通过图像分类进行交易

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：
《Trading via Image Classification》
---
作者：
Naftali Cohen, Tucker Balch, and Manuela Veloso
---
最新提交年份：
2020
---
英文摘要：
  The art of systematic financial trading evolved with an array of approaches, ranging from simple strategies to complex algorithms all relying, primary, on aspects of time-series analysis. Recently, after visiting the trading floor of a leading financial institution, we noticed that traders always execute their trade orders while observing images of financial time-series on their screens. In this work, we built upon the success in image recognition and examine the value in transforming the traditional time-series analysis to that of image classification. We create a large sample of financial time-series images encoded as candlestick (Box and Whisker) charts and label the samples following three algebraically-defined binary trade strategies. Using the images, we train over a dozen machine-learning classification models and find that the algorithms are very efficient in recovering the complicated, multiscale label-generating rules when the data is represented visually. We suggest that the transformation of continuous numeric time-series classification problem to a vision problem is useful for recovering signals typical of technical analysis.
---
中文摘要：
系统金融交易的艺术随着一系列方法的发展而演变，从简单的策略到复杂的算法，所有这些都主要依赖于时间序列分析的各个方面。最近，在参观了一家领先金融机构的交易大厅后，我们注意到，交易员总是在屏幕上观察金融时间序列图像的同时执行交易订单。在这项工作中，我们以图像识别的成功为基础，研究了将传统的时间序列分析转换为图像分类的价值。我们创建了一个大样本的金融时间序列图像，这些图像编码为烛台（盒子和胡须）图，并按照三种代数定义的二进制交易策略标记样本。利用这些图像，我们训练了十几个机器学习分类模型，发现当数据以视觉方式表示时，这些算法在恢复复杂的多尺度标签生成规则方面非常有效。我们认为，将连续数字时间序列分类问题转化为视觉问题有助于恢复技术分析的典型信号。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computer Vision and Pattern Recognition        计算机视觉与模式识别
分类描述：Covers image processing, computer vision, pattern recognition, and scene understanding. Roughly includes material in ACM Subject Classes I.2.10, I.4, and I.5.
涵盖图像处理、计算机视觉、模式识别和场景理解。大致包括ACM课程I.2.10、I.4和I.5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
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Trading_via_Image_Classification.pdf (2.02 MB)

2022-6-24 11:02:58 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：Quantitative Applications large sample Transforming time-series

通过图像分类进行交易Naftali Cohen*J、 P.Morgan AI ResearchNew York，NYnaftali。cohen@jpmchase.comTucker巴尔奇。P、 摩根AI ResearchNew York，NYtucker。balch@jpmchase.comManuelaVelosoJ。P、 摩根AI ResearchNew York，NYmanuela。veloso@jpmchase.comABSTRACTapproaches，从简单的策略到复杂的算法，都主要依赖于时间序列分析的各个方面（例如，Murways在执行交易订单的同时观察财务。。2015; Zeiler和Fergus，2014年；Wang等人，2017年；Koch等人，2015年；LeCun等人，2015），并研究了将传统时间序列分析转换为图像分类的价值阳离子。我们创建了金融时间序列图像编码为candlethree代数dened二元贸易战略（Murphy，1999）。可视化表示数据时，复杂的多尺度标签生成规则。我们建议将连续数值时间序列的变换视觉问题的阳离子问题对于恢复技术分析的典型信号非常有用。关键词nance，图像，监督分类cationACM参考格式：Naftali Cohen、Tucker Balch和Manuela Veloso。2020年，通过ImageClassi进行交易阳离子。在2020年10月15日至16日于美国纽约举行的ACM金融业人工智能国际会议（ICAIF’20）上。

ACM，美国纽约州纽约市，6页。https://doi.org/10.1145/3383455.34225441介绍交易者金融市场执行股票、共同基金、债券和期权等金融工具。他们在阅读新闻报道和接听电话的同时执行命令。同时，他们观察时间序列数据图表，这些图表显示了证券和领先市场的历史价值财务指数（见2015年。课堂使用是免费的，前提是不为专业人士制作或分发副本或commercial advantage，且副本上附有本通知和首页。必须尊重ACMM以外的其他人拥有的本作品组件的版权。允许信用提取。要以其他方式复制或重新发布、在服务器上发布或重新分发到列表，需要事先指定c许可和/或afee。从请求权限permissions@acm.org.ICAIF2020年10月15日至16日，美国纽约州纽约市(c)2020计算机械协会。ACM ISBN 978-1-4503-7584-9/20/10$15https://doi.org/10.1145/3383455.3422544buy或出售特定证券（Murphy，1999）。传统算法将时间序列数据处理为数字数据列表，旨在检测趋势、周期、相关性等模式（例如，De Prado，2018；Tsay，2005）。如果图案识别，则然后，分析员可以构建一个算法，该算法将使用检测到的模式（例如，Wilks，2011）来预测手头序列的预期未来值（即，使用指数平滑模型等进行预测）。他们的海图观测几乎是ects他们最先进的模型提供的建议（与J.P。

摩根的金融专家杰森·亨特、约书亚·杨格对数字序列进行了Alixoperations。图1：专业交易员的典型工作站。信贷：光农业/Shutterstock。通用域名格式。代数de后的三个已知标签生成规则nedtrade。使用有监督的classi阳离子法（例如，Bishop，2006；.ICAIF\'20，2020年10月15-16日，美国纽约州纽约市，Cohen.，et al.labels）。2相关工作和主要贡献建议rst使用小波局部变换或傅立叶变换全局变换数据，然后比较变换空间中的变化模式（例如，Wilks，2011）。其他meth（如Bagnall等人，2017年）。计算机视觉算法对classi的威力阳离子（Park等人，《复发图的使用》（Souza等人，2014；Silva等人，2013；Hatami.on transforming将财务数据转换为图像，以对烛台模式进行分类（Tsai等人，2019年）。在本文中，我们仅考察图像对于识别技术分析中典型的贸易机会的价值。本文的主要研究成果如下：（1）研究了rst的贡献是将量子方法的不相关领域相互联系起来。（2） 第二个贡献是我们的理解，在实践中，只使用视觉表示（例如，交换用户直接从智能手机进行交易）。在这些平台中，用户仅根据视觉表示来决定和执行交易。因此，检查视觉表示作为模型输入的有用性是合理的。（3）视觉时间序列分类阳离子为eective并处理realdata。

很大一部分ARI社交智能研究和/或作为预测工具。3数据和方法在其资本化覆盖绝大多数美国股票市场期间，为标准普尔500指数作出贡献的所有公司（例如，Berk等人，2013年）。图2：将连续时间序列转换为图像。交易是连续进行的（通常在交易时间内）。然而，我们使用离散形式的连续数据，只考虑每价格的起始值、最大值、最小值和结束值，而胡须标记低值和高值（即dailymin和max）。每个盒子的颜色显示了开盘价高于或低于当日收盘价；如果>而如果打开<关闭，则框为通过关注2019年2月19日和2019年2月28日的AAPL股票行情，以白色显示多头进程。左栏显示交易时间内1分钟的连续交易数据，右栏详细说明披露过程。请注意，左上角的时间序列经历了一个正趋势，结果显示为白色烛台，而左下角的时间序列数据经历了一个负趋势，结果显示为黑色烛台。我们比较了三个著名的二元指标（Murphy，1999），通过图像分类ICAIF交易，2020年10月15日至16日，美国纽约州纽约市ned如下：oBB交叉：给定时间序列的布林格带（BB）反映了股票的固有波动性，而过滤价格行动中的噪音。交易员使用价格带作为围绕价格趋势的贸易活动的界限（Murphy，1999）。因此，购买机会。这里，使用频带计算频带。图3显示了2018年AAPL股票的买入信号机会示例。在纯黑色中，可以看到移动平均线的上方和下方。

BB crossingalgorithm表示，当价格线（黑色实线）越过下虚线上方时，会启动购买信号。在这个由红色三角形标记的图中，可以识别出八个这样的购买机会。图3：根据BollingerBands交叉规则标记时间序列数据MACD交叉：移动平均收敛-背离（MACD）是一种趋势跟踪动量指标，用于比较资产的短期和长期指数移动平均值（EMA）之间的关系（Colby和Meyers，1988）。日均线。当MACD下降到负值时，表示为正值，表示有上升势头。Tradersnal是dened在信号线穿过上方时触发。oRSI交叉：相对强弱指数（RSI）是一个振荡指标，总结了资产近期价格的大小。这在南希（例如，Colby和Meyers，增量增加到增量减少的EMA在0到100之间：它随着每日损失的数量和规模的增加而增加。交易员使用RSI作为另一个超买或超卖状态的指示。超买状态可能表示RSI=30的值。图3显示了三个正面标记的图像，对应于env的此时间序列的负面标记图像私奔活动，以同样的方式，持续数天，没有购买信号。还要注意的是，这些图像与贸易活动紧密相连，不包含标签，这是我们在本研究中应用的预处理过程。4结果监督分类根据BB、RSI和MACD算法标记的时间序列图像的阳离子预测。数据集是平衡的，从2010年到2017年底，每类perbuy触发器包含5000个样本。然后，为每个股票代码随机选择10个购买触发器，并创建相应的图像。

同样，我们随机选择10个结果，每个触发器生成10000张高分辨率图像。MACD也使用指数移动平均值，跨度（eecalgorithm比较三个时间尺度，包含26天的数据。计算标签所需的窗口大小（即BB交叉为4x20，MACD和RSI分别为4x26和4x27）。图4描述了ve di本研究中使用了不同的视觉设计。面板4a使用的OHLC数据如图2所示，而图20，2020年10月15日至16日，美国纽约州纽约市科恩等人。图4：相同时间序列数据的各种视觉表示。稍后讨论。在这项研究中，一个关键因素是如何在图像的右侧部分表达阈值以上的方向和交叉。因此，标签隐含地将时间的概念传递给静态图像。（4c），或在每个烛台（4d）上以水平线的形式覆盖上一个闭合值。最后，在面板4e中，我们增强了框架。请记住，所有三个标签生成规则都只考虑关闭值，但每个关闭值都在受其日常活动的影响在烛台的视觉化中。我们期望一个训练有素的模型在编码图像中过滤掉不必要的信息或发现新的特征关系，并识别标签生成规则。基于数据的离散形式。我们还有一个问题。我们通过改变输入最近邻、线性支持向量机、径向基支持向量机、深度神经网络、决策树的分辨率来检验这一点，同时改变输入空间的表示。图5：e在课堂上改变图像分辨率的ectthreelabel生成规则的阳离子精确度和精确度得分。BB、RSI和MACD算法。我们使用Lanczoslter fordownscaling，使用sinc过滤器和e有效减少混叠，同时保持清晰度。

为了评估模型的性能，我们使用了5倍交叉验证技术。这允许我们推断平均值的可变性。（图5中的垂直黑线显示了一个关于平均精度的对称标准偏差）。图约30x30像素分辨率。因此，使用30x30像素分辨率进行以下分析。对于三种标签生成规则，表示相同的输入数据，而对于MACD标签，表示大约为80%对MACD标记的数据进行科学分析，因为该标记规则是最复杂的，涉及多个时间尺度和平滑操作，所有操作都是一致的。值仅作为折线图，而各种OHLC表示，因为标签生成规则完全依赖于闭合表示，因此能够实现与AND RSI以及MACD算法相当的性能。该模型使用Adam优化器、二进制交叉熵损失函数编译，并以16个样本的批量大小运行50次迭代，仅使用闭合值与使用标签规则所基于的实际数值数据相当。通过图像分类ICAIF进行交易，2020年10月15日至16日，美国纽约州纽约市。图6：受监管的分类作为di功能的各种触发器的阳离子准确度（左图）和精密度（右图）得分不同的输入表示法。输入，通过线性改变条形宽度或合并之前的Closelabel生成规则，在图像中包含显式时间表示。精度评分结果显示在面板的右侧面板中。5讨论数据以各种方式直观地表示。我们即使是低分辨率的nd（参见图。

5） ，时间序列分类可以实现阳离子化。在空间上关联信息，有助于识别新模式，在某些情况下，与使用相同数据的原始表格形式相比，可以获得更好的性能。可视化数据和时间序列数据尤其重要，尤其是对于高维数据，分析员可能需要一些时间以及正确的图形设计，将包装。我们的研究表明，即使是非常复杂的多尺度脑操作，也可以通过将任务转移到计算机视觉问题来发现。本研究的一个关键问题是，是否可以在静态图像中检测到与时间相关的信号。更明确地说，如果时间轴是最近的，因此对模型来说比数据点更重要。但是，如果没有一个独立的顺序变量（例如，时间轴），我们如何传递这种信息呢？我们提出了两个Waysage标签来传递时间的概念；第二种方法使用序列特征增强图像。在整篇论文中，通过标签将时间依赖性结合起来。我们使用三种算法标记烛台图像，每种算法都计算一个与时间相关的OVE触发器，因为最后几个数据点总是发生。在图像右侧显示疑似局部最小值。通过图像增强显式地结合时间依赖性有两种方式考虑，即通过改变每个烛台上的值中框的宽度。然而，值得注意的是，与隐式标签方法相比，我们nd显式增广to be less e如图6所示。在这项研究中，我们混合了所有标准普尔500指数股票，并没有按每种算法进行聚类以计算其标签。隔离e对于不同的窗口大小，我们检查了结果发现，当窗口大小添加了不必要的信息时，性能会下降。

（在这种情况下，不准确度得分下降了几个百分点——未显示）。我们认为没有必要对总体积极的市场进行解释。结果非常相似（未显示）。图7：使用20天滚动窗口的时间序列预测。任务可以用作预测工具（例如，Hyndman和Athanasopoulos，2018）。在图7中，我们从样本中取出每日交易数据，这些数据是使用2010年至2020年10月15日至16日（2020年10月20日，美国纽约州纽约市，Cohen.等人）期间的数据计算得出的。每幅图像，我们预测标签将是什么。图7与图3相对应，但也包括蓝色三角形，显示预测的购买量，但即使错过的也非常接近，因为在较低的BB上几乎有交叉。最后，取决于使用更高的精度分数。6结论使用机器学习和深度神经网络的视觉对象识别和对象检测在最近取得了巨大的成功（例如，Krizhevsky et al.，2012；Zeiler and Fergus，2014；Szegedyet al.，2015；Koch et al.，2015；LeCun et al.，2015；Wang et al.，2017）。在本文中，我们跟踪这些研究，并检验将数值时间序列分析转换为图像分类的价值阳离子。我们专注于注意到humantraders总是在执行交易订单的同时观察屏幕上的财务时间序列（见图1）。