[論文レビュー] Encoding Candlesticks as Images for Patterns Classification Using Convolutional Neural Networks

Junhao Chen, Yun‐Cheng Tsai|arXiv (Cornell University)|Jan 16, 2019

Image Processing and 3D Reconstruction参考文献 14被引用数 14

ひとこと要約

本稿では、為替市場のローソク足チャートから得られる金融時系列データを、グラミアン・アンガル・フィールド（GAF）に符号化し、畳み込みニューラルネットワーク（CNN）を用いた画像分類に応用する新規手法GAF-CNNを提案する。本手法は、実際のEUR/USD為替レートデータ上での8つの主要なローソク足パターンの識別において平均90.7%の正確性を達成し、LSTMモデルを上回る性能を示し、微細なパターン差異の識別においても優れた性能を発揮した。

ABSTRACT

Candlestick charts display the high, low, opening, and closing prices in a specific period. Candlestick patterns emerge because human actions and reactions are patterned and continuously replicate. These patterns capture information on the candles. According to Thomas Bulkowski's Encyclopedia of Candlestick Charts, there are 103 candlestick patterns. Traders use these patterns to determine when to enter and exit. Candlestick pattern classification approaches take the hard work out of visually identifying these patterns. To highlight its capabilities, we propose a two-steps approach to recognize candlestick patterns automatically. The first step uses the Gramian Angular Field (GAF) to encode the time series as different types of images. The second step uses the Convolutional Neural Network (CNN) with the GAF images to learn eight critical kinds of candlestick patterns. In this paper, we call the approach GAF-CNN. In the experiments, our method can identify the eight types of candlestick patterns with 90.7% average accuracy automatically in real-world data, outperforming the LSTM model.

研究の動機と目的

• 金融時系列データにおけるローソク足パターンの自動認識を実現し、トレーダーの主観的判断への依存を低減すること。
• 時系列データをCNNに適した画像表現に変換することで、主要なローソク足パターンの分類精度を向上させること。
• GAF-CNNフレームワークの有効性を、シミュレーションデータおよび実世界の金融データの両方で評価すること。
• LSTMなどの既存モデルと比較して、GAF-CNNが微細なローソク足パターンの識別においてどの程度優れた性能を示すかを検証すること。
• 画像ベースのディープラーニングを金融分野のテクニカル分析に応用する可能性と頑健性を実証すること。

提案手法

• 本手法は、グラミアン・アンガル・フィールド（GAF）を用いて、1次元のOHLCまたはCULR時系列データを、時間的依存関係を保持する2次元の行列形式に変換する。
• GAF変換は、時系列データの値を極座標にマップし、ペアワイズの角度差分を計算することで実行され、対称的な行列表現が得られる。
• 得られたGAF画像は、各層に16個のカーネルを備えた2層の畳み込み層と、128ニューロンの全結合層を備えたCNNに供給され、分類が行われる。
• モデルはバックプロパゲーションを用いてエンドツーエンドで学習され、CNNがGAF符号化画像から空間的な特徴階層を学習できる能力を活用する。
• OHLC（始値、高値、安値、終値）とCULR（終値、上影線、下影線、実体）の2種類の特徴セットを評価したが、CULRが優れた性能を示した。
• 本フレームワークは、幾何ブラウン運動を用いて生成した合成データおよび2010年から2018年までの1分足EUR/USD実データの両方で検証された。

実験結果

リサーチクエスチョン

• RQ1 GAF符号化時系列データは、CNNの入力として効果的に機能し、ローソク足パターンの高精度分類が可能か？
• RQ2 LSTMモデルと比較して、GAF-CNNモデルのローソク足パターン認識性能はどの程度優れているか？
• RQ3 特徴表現の選択（OHLC対CULR）が分類精度に顕著な影響を及ぼすか？
• RQ4 ノイズが多く、動的なパターンを含む実世界の金融データに対しても、GAF-CNNモデルはどの程度頑健か？
• RQ5 視覚的に類似したローソク足パターンの微細な差異を、モデルはどの程度明確に識別できるか？

主な発見

• GAF-CNNモデルは、実際のEUR/USD 1分足データ上での平均分類精度が90.7%に達し、LSTMベースラインを上回った。
• シミュレーションデータにおいて、CULR特徴セット（終値、上影線、下影線、実体）はOHLCセットよりも高い精度（92.42%）を示した。
• クラス0（逆転やレアパターンと想定される）は、より高い偽陽性率を示し、分類がやや慎重である傾向にあった。
• わずかな誤分類が見られたものの、主なパターンタイプの再現率は高く維持されており、実用性が裏付けられた。
• モデルはGAF符号化画像から微細な視覚的特徴を効果的に抽出し、類似したローソク足パターンの識別を可能にした。
• 時系列データをGAF画像に変換するためのオープンソース実装「Series2GAF」が提供されており、再現性と拡張性が向上した。