[论文解读] Encoding Candlesticks as Images for Patterns Classification Using Convolutional Neural Networks

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

Image Processing and 3D Reconstruction参考文献 14被引用 14

一句话总结

本文提出GAF-CNN，一种新颖方法，将来自蜡烛图的金融时间序列数据编码为格拉米安角场（GAF），以基于卷积神经网络（CNN）进行图像分类。该方法在真实世界EUR/USD外汇数据上识别八种关键蜡烛图模式的平均准确率达到90.7%，优于LSTM模型，即使在细微模式差异下也表现出强劲性能。

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.

研究动机与目标

• 自动化识别金融时间序列中的蜡烛图模式，减少对人工交易员判断的依赖。
• 通过将时间序列数据转换为适合CNN的图像表示，提升关键蜡烛图模式的分类准确率。
• 在模拟和真实世界金融数据上评估GAF-CNN框架的有效性。
• 将GAF-CNN的性能与现有模型（如LSTM）进行比较，以检测细微蜡烛图模式。
• 证明基于图像的深度学习在金融技术分析中的可行性与鲁棒性。

提出的方法

• 该方法使用格拉米安角场（GAF）将一维的OHLC或CULR时间序列数据转换为保留时间依赖关系的二维图像矩阵。
• GAF变换通过将数值映射到极坐标并计算成对的角度差，实现时间序列数据的编码，生成对称矩阵表示。
• 生成的GAF图像被输入到一个包含两层卷积层的CNN中，每层有16个卷积核，以及一个128个神经元的全连接层用于分类。
• 模型通过反向传播进行端到端训练，利用CNN从GAF编码图像中学习空间层次特征。
• 评估了两组特征集：OHLC（开盘、最高、最低、收盘）和CULR（收盘价、上影线、下影线、实体），其中CULR表现出更优性能。
• 该框架在通过几何布朗运动生成的模拟数据以及2010至2018年期间的真实世界EUR/USD每分钟数据上进行了验证。

实验结果

研究问题

• RQ1 GAF编码的时间序列数据能否有效用作CNN的输入，以实现对蜡烛图模式的高精度分类？
• RQ2 在蜡烛图模式识别方面，GAF-CNN模型与LSTM模型相比性能如何？
• RQ3 特征表示的选择（OHLC与CULR）是否显著影响分类准确率？
• RQ4 GAF-CNN模型在处理具有噪声和动态变化的真实世界金融数据时的鲁棒性如何？
• RQ5 该模型在多大程度上能够区分视觉上相似但存在细微差异的蜡烛图模式？

主要发现

• GAF-CNN模型在真实世界EUR/USD每分钟数据上的平均分类准确率达到90.7%，优于LSTM基线模型。
• 在模拟数据中，CULR特征集（收盘价、上影线、下影线、实体）的准确率（92.42%）高于OHLC特征集。
• 类别0（可能为反转或稀有模式）表现出更高的假阳性率，表明其分类行为更为保守。
• 尽管存在少量误分类，模型对主要模式类型的召回率仍保持较高水平，支持其实际可用性。
• 模型成功从GAF编码图像中提取了细微视觉特征，实现了对相似蜡烛图模式的有效区分。
• 用于将时间序列转换为GAF图像的开源实现Series2GAF已发布，提升了研究的可复现性与可扩展性。