[논문 리뷰] Encoding Candlesticks as Images for Patterns Classification Using Convolutional Neural Networks

Junhao Chen, Yun‐Cheng Tsai|arXiv (Cornell University)|2019. 01. 16.

Image Processing and 3D Reconstruction참고 문헌 14인용 수 14

한 줄 요약

이 논문은 금융 시계열 데이터를 캔들스틱 차트에서 얻은 자료를 그람يان 영역(Gramian Angular Fields, GAF)으로 인코딩하여 컨volutional 신경망(Convolutional Neural Networks, CNNs)을 사용한 이미지 기반 분류에 활용하는 새로운 방법인 GAF-CNN을 제안한다. 실제 EUR/USD 외환 데이터에서 8개의 주요 캔들스틱 패턴을 식별하는 데 평균 90.7%의 정확도를 달성하며, LSTM 모델을 능가하는 성능을 보이며 미세한 패턴 차이를 구분하는 데에도 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 금융 시계열에서 캔들스틱 패턴을 자동으로 인식하여 수동 트레이더의 판단에 의존하는 것을 줄이기 위해.
• 시계열 데이터를 CNN에 적합한 이미지 표현으로 변환함으로써 주요 캔들스틱 패턴의 분류 정확도를 향상시키기 위해.
• 모의 및 실제 금융 데이터를 대상으로 GAF-CNN 프레임워크의 효과성을 평가하기 위해.
• GAF-CNN의 성능을 캔들스틱 패턴을 미세하게 구분하는 데 있어 기존 모델인 LSTM과 비교하기 위해.
• 금융 분야에서 이미지 기반 딥러닝을 사용한 기술 분석의 가능성과 견고성을 입증하기 위해.

제안 방법

• 이 방법은 한 차원의 OHLC 또는 CULR 시계열 데이터를 시간적 의존성을 유지하면서 이차원의 이미지 유사 행렬로 변환하는 그람يان 영역(Gramian Angular Field, GAF)을 사용한다.
• GAF 변환은 값을 극좌표계로 매핑하고 쌍별 각도 차이를 계산함으로써 시계열 데이터를 인코딩하여 대칭 행렬 표현을 생성한다.
• 결과적으로 생성된 GAF 이미지는 각 층에 16개의 커널을 가지며, 분류를 위해 128개의 뉴런을 가진 완전 연결층을 갖는 두 개의 컨volutional 레이어로 구성된 CNN에 입력된다.
• 모델은 백프로파게이션을 활용하여 엔드 투 엔드로 훈련되며, CNN이 GAF로 인코딩된 이미지에서 공간 계층적 특징을 학습할 수 있는 능력을 활용한다.
• 두 가지 특징 세트가 평가되었으며, CULR(종가, 상단 그림자, 하단 그림자, 실체 몸통)가 OHLC(시가, 고가, 저가, 종가)보다 뛰어난 성능을 보였다.
• 이 프레임워크는 기하 브라운 운동을 통해 생성한 시뮬레이션 데이터와 2010년부터 2018년까지의 실제 EUR/USD 분단위 데이터를 모두 대상으로 검증되었다.

실험 결과

연구 질문

• RQ1 GAF로 인코딩된 시계열 데이터는 CNN의 입력으로 효과적으로 사용되어 캔들스틱 패턴을 높은 정확도로 분류할 수 있는가?
• RQ2 GAF-CNN 모델은 캔들스틱 패턴 인식에서 LSTM 모델에 비해 성능 면에서 어떻게 비교되는가?
• RQ3 특징 표현 방식의 선택(OHLC 대비 CULR)이 분류 정확도에 상당한 영향을 미치는가?
• RQ4 노이즈가 많고 동적인 패턴을 포함한 실제 금융 데이터 처리에 대해 GAF-CNN 모델은 얼마나 견고한가?
• RQ5 모델은 외관상 유사한 패턴이지만 미세한 차이가 있는 캔들스틱 패턴을 얼마나 잘 구분할 수 있는가?

주요 결과

• GAF-CNN 모델은 실제 EUR/USD 분단위 데이터에서 평균 분류 정확도 90.7%를 달성하였으며, LSTM 기준선을 능가하였다.
• 모의 데이터에서 CULR 특징 세트(종가, 상단 그림자, 하단 그림자, 실체 몸통)가 OHLC 세트보다 높은 정확도(92.42%)를 기록하였다.
• 클래스 0(역전 또는 희귀 패턴일 가능성이 있음)는 더 높은 거짓 양성률을 보이며, 더 보수적인 분류 행동을 나타내었다.
• 소규모 오분류가 있었음에도 불구하고 주요 패턴 유형에 대해 높은 재현율을 유지하여 실용적 사용 가능성에 기여하였다.
• 모델는 GAF로 인코딩된 이미지에서 미세한 시각적 특징을 성공적으로 추출하여 유사한 캔들스틱 패턴을 구분하는 데 기여하였다.
• 시계열 데이터를 GAF 이미지로 변환할 수 있는 오픈소스 구현체인 Series2GAF가 제공되어 재현성과 확장성을 향상시켰다.