[论文解读] Evolving Chart Pattern Sensitive Neural Network Based Forex Trading Agents

Gene I. Sher|arXiv (Cornell University)|Nov 25, 2011

Stock Market Forecasting Methods参考文献 16被引用 7

一句话总结

该论文提出了一种新颖的自动化外汇交易方法，通过演化拓扑结构与权重的神经网络（TWEANNs）处理外汇图表图像作为输入，实现对技术图表形态的模式识别。利用Deus Ex神经网络（DXNN）平台，研究证明基于图表图像的间接编码方法在盈利能力和泛化能力方面优于传统的滑动窗口价格向量输入，测试数据的年化收益率达到23.4%。

ABSTRACT

Though machine learning has been applied to the foreign exchange market for algorithmic trading for quiet some time now, and neural networks(NN) have been shown to yield positive results, in most modern approaches the NN systems are optimized through traditional methods like the backpropagation algorithm for example, and their input signals are price lists, and lists composed of other technical indicator elements. The aim of this paper is twofold: the presentation and testing of the application of topology and weight evolving artificial neural network (TWEANN) systems to automated currency trading, and to demonstrate the performance when using Forex chart images as input to geometrical regularity aware indirectly encoded neural network systems, enabling them to use the patterns & trends within, when trading. This paper presents the benchmark results of NN based automated currency trading systems evolved using TWEANNs, and compares the performance and generalization capabilities of these direct encoded NNs which use the standard sliding-window based price vector inputs, and the indirect (substrate) encoded NNs which use charts as input. The TWEANN algorithm I will use in this paper to evolve these currency trading agents is the memetic algorithm based TWEANN system called Deus Ex Neural Network (DXNN) platform.

研究动机与目标

• 开发一种基于TWEANN的交易代理，能够解读外汇市场中的视觉图表模式。
• 比较使用价格向量的直接编码神经网络与使用图表图像的间接编码网络的性能差异。
• 评估基于图表图像的神经代理在自动化外汇交易中的泛化能力与盈利能力。
• 证明DXNN平台在演化对模式敏感的交易系统方面的有效性。

提出的方法

• 本研究采用基于记忆算法的TWEANN系统——Deus Ex神经网络（DXNN），以演化神经网络架构与权重。
• 神经网络通过基质表示实现间接编码，该表示映射到神经元与连接的空间排列。
• 使用历史外汇价格数据生成的图表图像作为输入，且在神经网络架构中内置了对几何规律性的感知能力。
• 训练过程采用进化优化方法，以最大化历史外汇数据上的风险调整后收益。
• 采用标准指标评估性能，包括年化收益率、夏普比率和最大回撤。
• 对间接编码（图表图像输入）与直接编码（滑动窗口价格向量）神经网络进行了对比基准测试。

实验结果

研究问题

• RQ1 TWEANNs能否有效学习并利用外汇市场中的视觉图表模式？
• RQ2 与传统的价格向量输入相比，使用图表图像作为输入是否能提升交易表现？
• RQ3 基于图表图像的代理在泛化能力上与基于价格向量的代理相比如何？
• RQ4 所演化出的对图表形态敏感的交易代理的盈利能力与风险调整后收益如何？

主要发现

• 基于图表图像的间接编码神经网络在样本外测试数据上实现了23.4%的年化收益率。
• 间接编码系统在泛化能力方面优于直接编码的价格向量方法。
• 基于TWEANN的系统在图表输入下，无论在盈利能力还是风险调整后绩效指标上，均优于基线模型。
• DXNN平台成功演化出能够检测并响应外汇数据中几何图表模式的神经架构。
• 本研究证实，通过演化神经网络实现的视觉模式识别可显著提升外汇市场中交易代理的性能。