[논문 리뷰] Predict Forex Trend via Convolutional Neural Networks

Yun‐Cheng Tsai, Junhao Chen외 1명|arXiv (Cornell University)|2018. 01. 09.

Stock Market Forecasting Methods참고 문헌 4인용 수 4

한 줄 요약

이 논문은 시간적 시계열 환율 데이터를 시각적 이미지로 변환하여 인간의 차트 분석과 유사한 패턴을 학습할 수 있도록 하는 컨volutional neural network (CNN) 기반 접근법을 제안한다. 이 방법은 가격과 이동 평균 데이터를 2차원 이미지로 시각화하여 상승, 하락, 횡보 시장 움직임을 예측하는 데까지 87%의 분류 정확도를 달성한다.

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.

연구 동기 및 목표

• 외환 거래 차트를 해석하는 데 인간의 시각적 직관을 모방하는 딥 러닝 모델을 개발한다.
• 전통적인 정량적 모델의 한계를 극복하기 위해, 시각화된 금융 데이터에서 CNN의 패턴 인식 능력을 활용한다.
• CNN이 입력 데이터를 이미지 형태로 변환했을 때 외환 가격 움직임(상승, 하락, 횡보)을 효과적으로 분류할 수 있는지 평가한다.
• 다양한 데이터 전처리 및 레이블링 전략이 금융 추세 예측에서 CNN 성능에 미치는 영향을 조사한다.

제안 방법

• 가격, MA5, MA10, MA20 등의 원시 외환 시계열 데이터를 최소-최대 스케일링과 픽셀 매핑을 사용해 2차원 이미지 표현으로 변환한다.
• 이미지로 변환된 데이터를 기반으로 사전 훈련된 AlexNet 기반의 CNN 아키텍처를 훈련하여 시장 추세를 상승, 하강, 비이동 세 가지 카테고리로 분류한다.
• 통제된 환경에서의 훈련 및 평가를 위해 '작은 세계' 환경에서 합성 시장 데이터를 시뮬레이션하기 위해 기하학적 브라운 운동(Geometric Brownian Motion, GBM) 모델을 적용한다.
• 이미지로 변환된 데이터에서 시간적 패턴을 추출하기 위해 1D 컨볼루션 레이어를 사용하며, 더 깊은 레이어는 점점 더 복잡한 특징을 포착한다.
• 데이터 증강 및 정규화 기법을 구현하며, 가격 및 이동 평균 값의 최소-최대 스케일링을 통해 입력 이미지를 표준화한다.
• 과적합 여부 탐지 및 일반화 능력 평가를 위해 정확도, 혼동 행렬, 훈련/검증 손실 곡선을 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 시간적 시계열 데이터가 시각적 이미지로 변환되었을 때, CNN이 외환 가격 추세를 효과적으로 분류할 수 있는가?
• RQ2 데이터 전처리 및 레이블링 전략의 선택이 시장 방향 예측에서 CNN 성능에 미치는 영향은 어떠한가?
• RQ3 입력 이미지의 추세 패턴의 시각적 명확도가 분류 정확도 향상과 관련이 있는가?
• RQ4 AlexNet과 같은 표준 CNN 아키텍처는 아키텍처 수정 없이도 외환 추세 예측에서 높은 성능을 달성할 수 있는가?
• RQ5 이 시각 기반 접근법에서 모델은 새로운 데이터로 일반화하는 데 얼마나 효과적인가, 그리고 과적합 문제가 심각한가?

주요 결과

• 실험 3에서 CNN 모델은 정점 분류 정확도 87%를 기록했으며, 이는 시장의 개방가, 종가 및 이동 평균 데이터를 명확한 추세 패턴이 있는 이미지로 시각화한 결과였다.
• 모델는 강건한 일반화 능력을 보였으며, 테스트 정확도가 훈련 정확도와 다소 낮게 유지되어 복잡한 특징 학습에도 불구하고 과적합이 최소화됨을 시사했다.
• 혼동 행렬을 통해 각 카테고리(상승장, 하락장, 횡보장)가 높은 일관성으로 분류되었으며, 특정 카테고리가 심각하게 잘못 분류된 경우는 없었다.
• 첫 번째 및 두 번째 컨볼루션 레이어의 특징 맵을 시각화한 결과, 커널이 입력 이미지의 방향성 패턴(예: 상승 또는 하강 기울기)을 효과적으로 포착한 것으로 확인되었다.
• 실험 1 및 2에서 시각적으로 뚜렷하지 않은 패턴을 사용한 경우 정확도가 낮게 나타났으며, 이는 추세의 시각적 명확도가 모델 성능 향상과 관련이 있음을 확인했다.
• 최소-최대 스케일링 및 이미지 기반 표현 방식의 사용은 원시 시계열 입력에 비해 모델의 안정성과 성능 향상에 크게 기여했다.