[论文解读] Currency exchange prediction using machine learning, genetic algorithms and technical analysis

Gonçalo Abreu, Rui Neves+1 more|arXiv (Cornell University)|May 29, 2018

Stock Market Forecasting Methods参考文献 13被引用 8

一句话总结

本文提出了一种混合机器学习框架，结合遗传算法（GA）与朴素贝叶斯分类，以优化技术分析特征，预测欧元/美元汇率走势。通过使用GA搜索技术指标的高维特征空间，并利用t-SNE可视化模型决策，该系统在验证数据上的投资回报率从0.43%提升至10.29%，表明市场非有效性和均值回归模式可被学习，超越随机游走假设。

ABSTRACT

Technical analysis is used to discover investment opportunities. To test this hypothesis we propose an hybrid system using machine learning techniques together with genetic algorithms. Using technical analysis there are more ways to represent a currency exchange time series than the ones it is possible to test computationally, i.e., it is unfeasible to search the whole input feature space thus a genetic algorithm is an alternative. In this work, an architecture for automatic feature selection is proposed to optimize the cross validated performance estimation of a Naive Bayes model using a genetic algorithm. The proposed architecture improves the return on investment of the unoptimized system from 0,43% to 10,29% in the validation set. The features selected and the model decision boundary are visualized using the algorithm t-Distributed Stochastic Neighbor embedding.

研究动机与目标

• 探究技术分析特征是否能比随机猜测更可靠地预测货币汇率走势。
• 通过改进的遗传算法开发一种自动化特征选择架构，以优化朴素贝叶斯分类器的性能。
• 通过t-SNE嵌入可视化决策边界与数据结构，提升模型可解释性。
• 使用k折交叉验证对系统进行验证，并展示其相对于基线模型的显著性能提升。
• 识别市场非有效性现象，如异常价格飙升，模型可学习将其与均值回归关联。

提出的方法

• 通过优化朴素贝叶斯分类器在技术指标上的交叉验证性能，改进的遗传算法执行特征选择。
• 使用包括RSI、CCI、MACD、ROC、随机指标和ATR在内的技术指标作为输入特征，将非平稳价格数据转化为平稳表示。
• 朴素贝叶斯分类器基于贝叶斯定理与条件独立性假设，计算P(y|x) ∝ P(y)∏P(xi|y)，用于价格方向的二分类。
• 使用k折交叉验证估算模型性能并防止过拟合，确保在训练与验证划分中均获得稳健评估。
• 应用t-SNE将高维特征向量嵌入二维空间，保留局部结构，实现对决策边界与聚类模式的可视化。
• 通过验证集上的投资回报率（ROI）评估系统，以衡量实际交易性能的提升。

实验结果

研究问题

• RQ1 技术分析特征是否能可靠地预测未来欧元/美元汇率走势，超越随机概率？
• RQ2 遗传算法是否能有效搜索技术指标组合的庞大空间，以优化朴素贝叶斯分类器的预测性能？
• RQ3 优化后的模型是否捕捉到有意义的市场模式，如异常价格波动后的均值回归？
• RQ4 t-SNE可视化是否能揭示特征空间中对应不同市场状态或非有效性的可解释聚类？
• RQ5 与未经优化的基线模型相比，优化后的系统在多大程度上提升了投资回报率？

主要发现

• 优化后的系统在验证集上实现了10.29%的投资回报率，显著优于未优化系统的0.43%。
• 经GA优化特征的朴素贝叶斯分类器将验证准确率从51.39%提升至53.95%，表明具备实际预测能力。
• t-SNE可视化揭示了特征空间中明显的局部聚类，高置信度预测对应于异常短期价格飙升等模式。
• 模型在预测剧烈价格上涨后的负回报时表现出更高置信度，表明其学习到了均值回归行为。
• t-SNE图中结构化聚类的存在，尤其是在优化特征集下，表明模型捕捉到了非随机且可重复的市场模式。
• 结果挑战了随机游走假说，表明技术特征能够编码欧元/美元汇率中可被利用的非有效性。