基于股票柱状图图像时间序列与深度卷积神经网络的金融交易模型
机器学习
2019-03-13 v1 机器学习
摘要
尽管计算智能技术已广泛用于金融交易系统，但几乎所有已开发的模型都使用时间序列数据进行价格预测或识别买卖点。然而，在本研究中我们决定直接使用二维股票柱状图图像，而不引入任何与标的股票相关的额外时间序列。我们提出了一种新颖的算法交易模型CNN-BI（基于柱状图像的卷积神经网络），使用二维卷积神经网络。我们为道琼斯30只成分股生成了30天柱状图滑动窗口的二维图像，并为我们的算法交易模型训练了一个深度卷积神经网络（CNN）模型。我们分别在2007-2012年和2012-2017年测试了我们的模型，以代表不同的市场条件。结果表明，该模型能够跑赢买入持有策略，尤其在无趋势或熊市中。由于这是一项初步研究，且可能是采用此种非常规方法的首次尝试之一，仍有改进空间。总体而言，结果令人鼓舞，该模型可作为集成交易模型的一部分与不同策略结合使用。
引用
@article{arxiv.1903.04610,
title = {Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks},
author = {Omer Berat Sezer and Ahmet Murat Ozbayoglu},
journal= {arXiv preprint arXiv:1903.04610},
year = {2019}
}
备注
accepted to be published in Intelligent Automation and Soft Computing journal