[논문 리뷰] Explainable Deep Convolutional Candlestick Learner

Junhao Chen, Samuel Yen-Chi Chen외 2명|arXiv (Cornell University)|2020. 01. 08.

Market Dynamics and Volatility참고 문헌 3인용 수 4

한 줄 요약

이 논문은 지역 검색 적대적 공격을 사용하여 GASF-CNN 모델이 Morning Star 및 Evening Star와 같은 캔들스틱 패턴을 어떻게 식별하는지 밝혀내는 설명 가능한 캔들스틱 패턴 인식을 위한 GASF-CNN 모델을 제안한다. 이 방법은 모델이 인간과 유사한 캔들스틱 패턴 인식 방식을 학습하고 있음을 보여주며, 평균 64.36%의 공격 성공률을 기록하여 금융 비전 응용 분야에서의 해석 가능성과 신뢰성 확인한다.

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.

연구 동기 및 목표

• 금융 시계열에서 캔들스틱 패턴을 고정확도로 식별하는 딥러닝 모델을 개발하는 것.
• 기존 캔들스틱 분석을 위한 딥러닝 모델의 해석 가능성 부족 문제를 해결하는 것.
• 모델이 인간의 시각적 추론 방식을 모방함으로써 패턴을 어떻게 식별하는지에 대한 프레임워크를 제공하는 것.
• 입력에서 핵심 특징을 드러내는 적대적 공격을 통해 모델의 해석 가능성 검증하는 것.
• 금융 트레이딩 시스템에서 신뢰할 수 있고 설명 가능한 AI의 기초를 마련하는 것.

제안 방법

• 논문은 시간 시계열 데이터를 그람형 각도 합산 필드(GASF) 행렬로 인코딩하여 패턴 표현을 향상시키는 GASF-CNN 모델을 제안한다.
• 모델의 강건성을 테스트하기 위해 GASF 행렬의 대각선 요소를 [0.8, 1.2] 범위 내에서 스케일링하는 수정된 지역 검색 적대적 공격을 적용한다.
• 공격 과정은 대각선을 따라 요소를 반복적으로 수정하여 전반적인 구조는 유지하면서도 핵심 패턴 구성 요소에 대한 모델 민감도를 테스트한다.
• 오직 오분류를 유도하는 경우에만 변형을 유지함으로써 적대적 예제가 유효하고 의미 있는지 보장한다.
• 다양한 적대적 방향을 탐색하기 위해 반복적으로 공격를 수행하고 주기적으로 초기화한다.
• 모델의 행동을 분석함으로써 분류에 가장 중요한 입력 특징(예: 특정 캔들스틱)을 파악한다.

실험 결과

연구 질문

• RQ1 딥 컨volution 네트워크는 인간 트레이더와 유사한 방식으로 캔들스틱 패턴을 어떻게 인식하는가?
• RQ2 지역 검색 기반의 적대적 공격는 GASF-CNN 모델이 캔들스틱 인식에 사용하는 핵심 특징을 어떻게 드러낼 수 있는가?
• RQ3 모델은 GASF 행렬의 대각선 구조를 얼마나 의존하여 다바리 캔들스틱 패턴을 식별하는가?
• RQ4 모델의 의사결정 과정은 Morning Star 및 Evening Star와 같은 패턴을 인간의 시각적 인식 방식과 유사하게 반영하는가?
• RQ5 제안된 공격 프레임워크는 금융 비전 모델에 대한 신뢰할 수 있는 설명 도구로 기능할 수 있는가?

주요 결과

• GASF-CNN 모델은 지역 검색 적대적 공격에서 평균 64.36%의 성공률을 기록하여 특정 입력 변형에 매우 민감한 것으로 나타났다.
• 공격 성공률은 Evening Star 패턴에서 가장 높았고(82.5%), Morning Star에서는 42.1%로 패턴의 복잡성과 강건성의 차이를 반영했다.
• 모델은 주로 GASF 행렬의 대각선 요소, 즉 마지막 세 개의 캔들스틱에 의존하여 다바리 캔들스틱 패턴을 식별한다.
• 적대적 예제는 8번 째 및 마지막 캔들스틱에 대한 작은 변형이 Morning Star 및 Evening Star 패턴을 인식할 수 없게 만들 수 있음을 보여주며, 이들이 핵심적인 역할을 한다는 것을 확인한다.
• 결과는 모델이 인간 트레이더와 유사하게, 몸통 크기와 와이크 길이와 같은 구조적 및 맥락적 단서에 집중하여 캔들스틱 패턴을 인식하는 방식으로 학습하고 있음을 확인한다.
• 이 프레임워크는 모델의 추론 과정을 성공적으로 설명하였으며, 금융 시계열 분석에서 인간과 유사한 시각적 직관을 모델이 포착하고 있음을 입증한다.