[論文レビュー] Explainable Deep Convolutional Candlestick Learner

Junhao Chen, Samuel Yen-Chi Chen+2 more|arXiv (Cornell University)|Jan 8, 2020

Market Dynamics and Volatility参考文献 3被引用数 4

ひとこと要約

本稿では、局所探索に基づく adversarial 攻撃を用いて、Morning Star や Evening Star のようなローソク足パターンをどのように識別するかを明らかにする、説明可能な GASF-CNN モデルを提案する。この手法により、モデルが人間の認識に類似したローソク足パターンの理解を学習していることが示され、平均 64.36% の攻撃成功率を達成しており、金融ビジョン応用分野における解釈可能性と信頼性を裏付けている。

ABSTRACT

Candlesticks are graphical representations of price movements for a given period. The traders can discovery the trend of the asset by looking at the candlestick patterns. Although deep convolutional neural networks have achieved great success for recognizing the candlestick patterns, their reasoning hides inside a black box. The traders cannot make sure what the model has learned. In this contribution, we provide a framework which is to explain the reasoning of the learned model determining the specific candlestick patterns of time series. Based on the local search adversarial attacks, we show that the learned model perceives the pattern of the candlesticks in a way similar to the human trader.

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を高精度に識別する深層学習モデルの開発。
• 既存の深層学習モデルにおけるローソク足分析の解釈可能性の欠如に対処すること。
• 人間の視覚的推論を模倣することで、モデルがパターンをどのように識別するかを説明するフレームワークの提供。
• 入力からの重要な特徴を明らかにする adversarial 攻撃を用いて、モデルの解釈可能性を検証すること。
• 金融取引システムにおける信頼性があり説明可能な AI の基盤を構築すること。

提案手法

• 本稿では、時系列データをグラミアン・アンガラ・サマーション・フィールド（GASF）行列に変換することで、パターン表現を向上させる GASF-CNN モデルを提案する。
• モデルのロバストネスをテストするために、[0.8, 1.2] の範囲内で対角成分をスケーリングする修正版の局所探索 adversarial 攻撃を GASF 行列に適用する。
• 攻撃プロセスは、対角線上の要素を段階的に変更することで、全体の構造を保持しつつ、モデルが重要なパターン要因にどれほど感度を持っているかをテストする。
• 誤分類を引き起こした場合にのみ摂動を保持することで、adversarial 例が有効かつ意味のあるものであることを保証する。
• 複数のイテレーションにわたり攻撃を実行し、多様な adversarial 方向を探索するために定期的にリセットを実施する。
• モデルの挙動を分析するため、特定のローソク足（例：特定のバー）が分類にどれほど重要であるかを入力特徴として評価する。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、どのようにして人間のトレーダーと一致する方法でローソク足パターンを認識しているのか？
• RQ2 局所探索に基づく adversarial 攻撃は、GASF-CNN モデルがローソク足認識に使用する重要な特徴を明らかにできるか？
• RQ3 モデルは、多バーのローソク足パターンを識別するために、GASF 行列の対角構造にどの程度依存しているのか？
• RQ4 モデルの意思決定プロセスは、Morning Star や Evening Star のようなパターンを人間の視覚的認識と類似しているか？
• RQ5 提案された攻撃フレームワークは、金融ビジョンモデルの説明ツールとして信頼性を持って機能できるか？

主な発見

• GASF-CNN モデルは、局所探索 adversarial 攻撃において平均 64.36% の成功を示しており、特定の入力摂動に対して高い感度を示していることがわかる。
• 攻撃成功率は、Evening Star パターンで最も高く（82.5%）、Morning Star では 42.1% であり、パターンの複雑さとロバストネスの違いが反映されている。
• モデルは主に GASF 行列の対角成分に依存しており、これは最後の 3 本のローソク足に対応している。
• adversarial 例から、第 8 本目および最終のローソク足に対する微小な摂動が、Morning Star や Evening Star のようなパターンを認識不能にすることが確認され、これらのバーが極めて重要な役割を果たしていることが示された。
• 結果から、モデルが人間のトレーダーと同様にローソク足パターンを認識していることが確認され、ボディサイズやワクの長さといった構造的・文脈的ヒントに注目していることが分かった。
• このフレームワークは、モデルの推論を成功裏に説明しており、金融時系列分析において人間の視覚的直感を模倣していることが実証された。