مجموعههای ConvNet آستانهای: شبکههای عصبی برای پیشبینی فنی

بسیاری از روش های مدرن در پیش بینی مالی به تکنیک ها متکی است، یک اصطلاح چتر برای چندین اکتشافی که از تشخیص الگوی بصری در نمودارهای قیمت استفاده می کند. علیرغم فراگیر بودن آن در رسانه های مالی، قابلیت اطمینان سیگنال های آن همچنان یک شکل بحث برانگیز و بسیار ذهنی از «دانش دامنه» است. ما ارزش پیش بینی الگوها را در سری های زمانی مالی بررسی می کنیم و تکنیک های یادگیری ماشین و پردازش سیگنال را برای ۲۲ سال داده های سهام ایالات متحده به کار می بریم. با قالب بندی مجدد تحلیل تکنیکی به عنوان یک لایه استخراج ویژگی از پیش تعیین شده ضعیف، در یک شبکه عصبی عمیق، نشان می دهیم که فیلترهای کانولوشنال بهتری را می توان مستقیماً از داده ها آموخت و نمایش های بصری ویژگی های شناسایی شده را ارائه داد. ما متوجه شدیم که مجموعه ای از شبکه های عصبی کانولوشنال سطحی و آستانه ای بهینه سازی شده روی وضوح های مختلف به عملکرد پیشرفته ای در این حوزه دست می یابند، و در عین حال که برخی از قابلیت تفسیرپذیری خود را حفظ می کنند، از روش های فنی بهتر عمل می کنند.

روی یک دست نوشته کار می کنید؟

معرفی

در رسانه های مالی، توجه گسترده ای به مطالعه نمودارها و الگوهای بصری می شود. این شکل از تجزیه و تحلیل مالی که به عنوان تحلیل تکنیکی یا نموداری شناخته می شود، برای تولید پیش بینی ها صرفاً به داده های تاریخی قیمت و حجم متکی است، با این فرض که الگوهای گرافیکی خاص اطلاعات پیش بینی کننده ای را برای نوسانات قیمت دارایی های آتی نگه می دارند [1]. تحقیقات اولیه در مورد الگوریتم های ژنتیک که صرفاً از داده های فنی ابداع شده اند (به عنوان مثال، تحلیل های بنیادی یا احساسات) نتایج امیدوارکننده ای را نشان می دهند، و این دیدگاه را حفظ می کنند که می تواند محتوایی در این عمل وجود داشته باشد [2، 3].

محبوبیت روزافزون شبکه های عصبی در دهه گذشته، به دلیل پیشرفت در قدرت پردازش محاسباتی و در دسترس بودن داده ها، علاقه به کاربرد آنها در حوزه مالی را تجدید کرد. کراوس و همکاران[4] از پرسپترون های چندلایه (MLPs) برای یافتن الگوهایی در بازده روزانه شاخص بورس S& P500 استفاده کرد. دیکسون و همکاران[5] همچنین اثربخشی شبکه های عصبی را بر داده های روزانه نشان داد، و از MLPها برای طبقه بندی بازده کالا و معاملات آتی FX در فواصل 5 دقیقه ای مجزا استفاده کرد. معماری های متشکل از 4 لایه پنهان متراکم برای تولید نسبت های شارپ سالانه بیش از 2. 0 در بیشترین عملکرد خود کافی بودند. در هر نمونه، الگوها در سری های زمانی بازده به جای خود فرآیند قیمت جستجو می شدند.

یافته های اصلی توسط Lo et al.[6] به جای آن ، از تصویری که از نمودارهای خط قیمت بسته شدن سهام بیرون می آید ، با تکیه بر رگرسیون هسته برای صاف کردن روند قیمت و امکان تشخیص الگوهای تجاری برجسته استفاده می شود. یک نمایش بصری به همان اندازه مشترک از تاریخ قیمت در امور مالی ، شمعدان است. CandleSticks قیمت افتتاح ، قیمت بسته شدن ، حداکثر قیمت و حداقل قیمت را در یک بازه زمانی گسسته رمزگذاری می کند ، که از نظر بصری توسط یک نوار عمودی با خطوط گسترش یافته در هر دو انتها نشان داده شده است. به اندازه نمودارهای خط ، تحلیلگران فنی معتقدند که توالی های خاص شمعدان ها به طور قابل اعتماد حرکات قریب الوقوع قیمت را پیش بینی می کنند. طیف گسترده ای از این الگوهای معمولاً برای [7] مشاهده می شود ، هر یک از آنها دارای نگارگرام خاص خود و نام رنگارنگ مرتبط ("چکش معکوس" ، "کودک متروکه" و غیره).

اگرچه شبکه های عصبی مکرر-و به ویژه مدل های حافظه کوتاه مدت بلند مدت (LSTM) [8]-محبوب ترین انتخاب برای یادگیری عمیق در داده های سری زمانی بوده است [9،10،11] ، نتایج امیدواراستفاده از شبکه های عصبی حلقوی در داده های مالی. شبکه های عصبی غالباً به عنوان جعبه های سیاه شناخته می شوند و استقرار آنها را در حوزه هایی که در آن تفسیر می شود محدود می کند. شبکه های عصبی Convolutional با استخراج ویژگی های قابل تفسیر محلی در لایه های اولیه خود ، تا حدی بر این غلبه می کنند. علاوه بر این ، تحقیقات اخیر نشان می دهد که این مدل ها توانایی تعمیم نه فقط در طول زمان بلکه در بین دارایی ها را نیز دارند ، و ویژگی های جهانی رفتار بازار سهام را شناسایی می کنند [12 ، 13].

سهم این مقاله سه گانه است: اولا ، ما به طور دقیق عمل به نمودار شمعدان را ارزیابی می کنیم و شواهد کمی برای حمایت از آن پیدا می کنیم. ویژگی های مهندسی انسانی که توسط تجزیه و تحلیل فنی تجویز می شود ، طبقه بندی کننده هایی را تولید می کند که بر خلاف الگوهای مشخص شده از طریق یادگیری عمیق ، از حدس و گمان بهتر عمل می کنند. ثانیا ، ما نشان می دهیم که فیلترهای آموخته شده و آزمایش شده در 22 سال از داده های قیمت S& P500 در یک معماری CNN سود متوسطی را در دقت نسبت به هر دو روش فنی و گزینه های یادگیری ماشین ، از جمله MLP های پشتیبانی نشده توسط قابلیت استخراج ویژگی از یک لایه حلقوی به دست می آورند. ثالثاً ، ما نشان می دهیم كه دستاوردهای قابل توجهی در توانایی پیش بینی از طریق روشهای گروهی و آستانه بر اساس اعتماد به نفس مدل قابل دستیابی است.

در این مقاله ، از نظر کمی ، شایستگی های تجزیه و تحلیل فنی محور شمعدان را قبل از ارائه یک رویکرد بهبود یافته و داده محور به تشخیص الگوی مالی ارزیابی می کند. به طور رسمی ، ما الگوهای شمعدانی را به عنوان نوعی مهندسی ویژگی که توسط Chartists برای استخراج ویژگی های برجسته در نظر گرفته شده است ، تغییر می دهیم و طبقه بندی بازده های آینده را با وفاداری بالاتر از روند قیمت خام تسهیل می کند. پس از یک بررسی کوتاه در مورد شبکه های عصبی ، ما داده های مورد استفاده در طول مقاله (بخش 2) را تعریف می کنیم و با ارزیابی پیش بینی سازندهای شمعدانی (بخش 3) ، به دنبال جستجوی اکتشافی جدید و بهتر بصری برای امور مالی می پردازیم. تغذیه داده های شمعدان از طریق یک شبکه عصبی که شامل فیلترهای جداگانه برای هر الگوی فنی است ، ما بازده های روز بعد را با فیلترهای دلالت بر دکترین چارتیستی (فرقه. 4. 1-4. 2) طبقه بندی می کنیم و این رویکرد همبستگی متقابل را به عنوان یک پایه برای بهبود [14 انجام می دهیم.]. ما سپس دقت مدل را هنگامی مقایسه می کنیم که فیلترها از پیش تعیین شده نیستند بلکه در عوض توسط شبکه های عصبی حلقوی (CNN) در مرحله آموزش خود آموخته می شوند (بخش 4. 3) و یادگیری عمیق در برابر روشهای جایگزین که از هر دو امور مالی و یادگیری ماشین تهیه شده است (بخش 4. 4.). ما دقت CNN ها را از طریق افزودن آستانه و گروه بندی (بخش 4. 5) افزایش می دهیم و با دو پسوند عملا با ذهنیت به پایان می رسیم: عملکرد پشتی مدل (فرقه 4. 6) و تفسیر بصری از ویژگی های استخراج شده توسط CNN (فرقه 4. 7).

بررسی اجمالی

در طول یک دهه گذشته ، شبکه های عصبی به طرز چشمگیری محبوبیت زیادی پیدا کرده اند ، که ناشی از موفقیت یادگیری عمیق در طیف گسترده ای از کاربردهای عملی است. به طور رسمی ، شبکه های عصبی از طریق مجموعه ای از گره های محاسباتی غیرخطی ، به نام سلولهای عصبی ، در لایه های پنهان ، ورودی ها را به خروجی ها می دهند. ورودی ها و خروجی ها توسط بسیاری از لایه های مخفی بالقوه متصل می شوند و منجر به به اصطلاح معماری های عمیق یادگیری می شوند. شبکه های عصبی را می توان به عنوان یک گسترش فوق پارامتری از مدلهای رگرسیون خطی تعبیر کرد ، که در آن هر نورون یک ترکیب خطی وزنی از ورودی های خود را محاسبه می کند ، یک تحول غیرخطی را به مقدار جدید اعمال می کند و خروجی آن را به نورون های لایه بعدی منتقل می کند.

درک چند لایه

فواید تحول غیرخطی به ویژه با افزایش معماری ها در عمق برجسته می شود: بدون غیرخطی بودن ، لایه های اضافی هیچ مقدار افزایشی را به دست نمی آورند ، زیرا ترکیب های خطی ترکیبات خطی فقط ترکیب های خطی با وزنهای مختلف هستند. به عبارت دیگر ، چندین لایه پنهان بدون تحول غیرخطی معادل یک لایه پنهان با وزن مناسب انتخاب شده است. گنجاندن تحولات غیرخطی ، توابع فعال سازی نامیده شده ، بین لایه های پنهان به شبکه های عصبی اجازه می دهد تا نقشه های عملکردی پیچیده را بیاموزند. MLP ها این پتانسیل را با در نظر گرفتن چندین لایه بین ورودی و خروجی و اجازه دادن به هر لایه دارای نورون های زیادی (شکل 1). توابع فعال سازی به کار رفته معمولاً عملکرد مماس هیپربولیک ( tanh (o) ) ، عملکرد لجستیک ( sigma (o) ) و واحد خطی اصلاح شده (O) است.

یک Perceptron چند لایه با 2 لایه پنهان. هر نورون در یک لایه ترکیبی خطی از ورودی های خود را محاسبه می کند و به دنبال آن یک تحول غیرخطی است