[论文解读] Explainable Deep Convolutional Candlestick Learner

Junhao Chen, Samuel Yen-Chi Chen+2 more|arXiv (Cornell University)|Jan 8, 2020

Market Dynamics and Volatility参考文献 3被引用 4

一句话总结

本文提出了一种用于可解释蜡烛图模式识别的 GASF-CNN 模型，通过局部搜索对抗攻击揭示模型如何识别如早晨之星和黄昏之星等模式。该方法表明，模型学习到了类似人类对蜡烛图模式的感知，实现了 64.36% 的平均攻击成功率，证实了其在金融视觉应用中的可解释性和可靠性。

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.

研究动机与目标

• 开发一种在金融时间序列中高精度识别蜡烛图模式的深度学习模型。
• 解决现有深度学习模型在蜡烛图分析中缺乏可解释性的问题。
• 提供一种框架，通过模拟人类视觉推理方式解释模型如何识别模式。
• 通过揭示输入中关键特征的对抗攻击验证模型的可解释性。
• 为金融交易系统中可信的、可解释的人工智能奠定基础。

提出的方法

• 本文提出一种 GASF-CNN 模型，将时间序列数据编码为格拉米安角求和场（GASF）矩阵，以改善模式表示。
• 应用改进的局部搜索对抗攻击，通过在 [0.8, 1.2] 范围内缩放 GASF 矩阵的对角线元素来扰动矩阵，以测试模型的鲁棒性。
• 攻击过程迭代地修改对角线上的元素，同时保持整体结构不变，以测试模型对关键模式组件的敏感性。
• 仅当扰动导致误分类时才保留扰动，确保对抗样本有效且具有意义。
• 在多次迭代中应用攻击，并定期重置以探索多样化的对抗方向。
• 通过分析哪些输入特征（例如特定蜡烛线）对分类最为关键，评估模型的行为。

实验结果

研究问题

• RQ1 深度卷积神经网络如何以与人类交易员一致的方式感知蜡烛图模式？
• RQ2 基于局部搜索的对抗攻击能否揭示 GASF-CNN 模型在蜡烛图识别中使用的关键特征？
• RQ3 该模型在多大程度上依赖 GASF 矩阵的对角线结构来识别多根蜡烛线模式？
• RQ4 模型的决策过程是否与人类对早晨之星和黄昏之星等模式的视觉感知相一致？
• RQ5 所提出的攻击框架能否作为金融视觉模型的可靠解释工具？

主要发现

• GASF-CNN 模型在局部搜索对抗攻击中实现了 64.36% 的平均成功率，表明其对特定输入扰动具有高度敏感性。
• 攻击成功率对黄昏之星模式最高（82.5%），对早晨之星模式为 42.1%，反映出模式复杂度和鲁棒性的差异。
• 该模型主要依赖 GASF 矩阵的对角线元素，对应最后三根蜡烛线，来识别多根蜡烛线模式。
• 对抗样本表明，对第 8 根和最后一根蜡烛线的微小扰动可使早晨之星和黄昏之星等模式变得无法识别，证实了其关键作用。
• 结果证实，该模型学习到了与人类交易员相似的蜡烛图模式感知方式，重点关注结构和上下文线索，如实体大小和影线长度。
• 该框架成功解释了模型的推理过程，表明其在金融时间序列分析中捕捉到了类似人类的视觉直觉。