加密货币监管预测的视觉图表表示：系统化深度学习研究
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
技术交易员长期依赖对蜡烛图的视觉分析来识别市场模式和预测价格走势。尽管深度学习在图像分类方面取得了显著成功，但其应用于金融图表图像的研究仍属未充分探索之列。本文提出一项系统化研究，比较不同视觉表征对加密货币监管预测的影响。我们评估了三种图像编码方法（原始蜡烛图、Gramian Angular Fields、以及多通道 GAF），五种图表组件配置，四种神经网络架构（CNN、ResNet18、EfficientNet-B0 和 Vision Transformer），以及 ImageNet 迁移学习的影响。通过在比特币、以太坊和 S&P 500 2018-2024 年的数据上进行八项受控实验，我们确定了视觉监管分类的最优配置。我们的结果表明，一个简单的 4 层 CNN 在原始蜡烛图上即可实现 0.892 的 AUC-ROC，超越更大规模的预训练模型。令人意外的是，更简单的数据表示（仅价格的蜡烛图、128x128 分辨率）在各项实验中一致优于更复杂的替代方案。我们提供基于 GradCAM 的可解释性分析，表明迁移学习尽管自然图像与金融图表之间存在领域差异，仍能提升 4-16% 的性能。
引用
@article{arxiv.2605.00875,
title = {Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study},
author = {Dustin M. Haggett},
journal= {arXiv preprint arXiv:2605.00875},
year = {2026}
}
备注
9 pages, 8 figures, 9 tables. Stevens Institute of Technology course project, Fall 2025