[論文レビュー] Predict Forex Trend via Convolutional Neural Networks

Yun‐Cheng Tsai, Junhao Chen+1 more|arXiv (Cornell University)|Jan 9, 2018

Stock Market Forecasting Methods参考文献 4被引用数 4

ひとこと要約

本論文は、時系列為替為替データを視覚的画像に変換することで、人間のチャート分析に類似したパターンを学習できる、畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。この手法により、価格と移動平均データを2次元画像として可視化することで、上昇、下落、 sideways の市場動向を予測する分類精度が最大87％に達する。

ABSTRACT

Deep learning is an effective approach to solving image recognition problems. People draw intuitive conclusions from trading charts; this study uses the characteristics of deep learning to train computers in imitating this kind of intuition in the context of trading charts. The three steps involved are as follows: 1. Before training, we pre-process the input data from quantitative data to images. 2. We use a convolutional neural network (CNN), a type of deep learning, to train our trading model. 3. We evaluate the model's performance in terms of the accuracy of classification. A trading model is obtained with this approach to help devise trading strategies. The main application is designed to help clients automatically obtain personalized trading strategies.

研究の動機と目的

• 為替取引チャートの視覚的直感を模倣する深層学習モデルの開発。
• 従来の定量的モデルの限界を乗り越え、視覚化された金融データに対するCNNのパターン認識能力を活用すること。
• 時間系列データを画像形式に変換した場合に、CNNが為替価格の変動（上昇、下落、横這い）を効果的に分類できるかどうかを評価すること。
• データ前処理およびラベリング戦略の選択が、金融トレンド予測におけるCNNのパフォーマンスに与える影響を調査すること。

提案手法

• 価格、MA5、MA10、MA20 の原始的な為替時系列データを、最小-最大スケーリングとピクセルマッピングを用いて2次元画像表現に変換する。
• 画像化されたデータ上で、事前学習済みのAlexNetベースのCNNアーキテクチャを訓練し、市場トレンドを上昇、下降、非移動の3つのカテゴリに分類する。
• 「小さな世界」環境での制御された訓練および評価のため、幾何ブラウン運動（GBM）モデルを用いて合成市場データをシミュレートする。
• 1次元畳み込み層を用いて、画像化されたデータから時間的パターンを抽出し、より深い層では複雑な特徴を段階的に捉える。
• データ拡張および正規化技術を実装し、価格および移動平均値の最小-最大スケーリングを実施して入力画像を標準化する。
• 過学習の検出および一般化性能の評価のため、精度、混同行列、および学習/検証損失曲線を用いてモデルのパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 時系列データを視覚的画像に変換した場合に、CNNが為替価格トレンドを効果的に分類できるか？
• RQ2 データ前処理およびラベリング戦略の選択が、市場方向予測におけるCNNのパフォーマンスに与える影響は何か？
• RQ3 入力画像におけるトレンドパターンの視覚的明瞭さが、分類精度の向上と相関しているか？
• RQ4 AlexNetのような標準的なCNNアーキテクチャは、構造的変更なしに為替トレンド予測で高いパフォーマンスを達成できるか？
• RQ5 この視覚ベースのアプローチにおいて、モデルは未観測データにどの程度一般化できるか？また、過学習は顕著な問題であるか？

主な発見

• 実験3では、明確なトレンドパターンを持つオープン、クローズ、移動平均データを画像化した場合、CNNモデルがピーク分類精度87％を達成した。
• モデルは頑健な一般化性能を示し、テスト精度が訓練精度に対してわずかに低く抑えられていたことから、複雑な特徴学習にもかかわらず過学習は最小限に抑えられていた。
• 混同行列の結果、それぞれのクラス（上昇、下落、横這い）が高精度で一貫して分類されており、特定のクラスが顕著に誤分類された例は確認されなかった。
• 最初の2つの畳み込み層の特徴マップの可視化により、カーネルが入力画像内の方向的トレンド（例えば上行や下行の傾き）を効果的に捉えていることが確認された。
• 実験1および2で視覚的明瞭さに欠けるパターンを用いた場合、精度が低かったことから、トレンドの視覚的明瞭さがモデルパフォーマンスの向上に寄与することが確認された。
• 最小-最大スケーリングおよび画像ベースの表現の導入により、元の時系列入力と比較して、モデルの安定性とパフォーマンスが顕著に向上した。