[论文解读] Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks

Ömer Berat Sezer, Ahmet Murat Özbayoğlu|arXiv (Cornell University)|Mar 11, 2019

Stock Market Forecasting Methods被引用 11

一句话总结

本文提出了一种新颖的深度学习方法用于算法交易，通过将30天的股票K线时间序列转换为2D图像，并训练卷积神经网络（CNN）以预测买入、卖出或持有信号。CNN-BI模型在趋势不明或熊市中表现优于买入并持有策略，展现出在不同市场条件下的稳定性能，平均成功率为52.35%，最大回撤回报率（RoMaD）达121.31%。

ABSTRACT

Even though computational intelligence techniques have been extensively utilized in financial trading systems, almost all developed models use the time series data for price prediction or identifying buy-sell points. However, in this study we decided to use 2-D stock bar chart images directly without introducing any additional time series associated with the underlying stock. We propose a novel algorithmic trading model CNN-BI (Convolutional Neural Network with Bar Images) using a 2-D Convolutional Neural Network. We generated 2-D images of sliding windows of 30-day bar charts for Dow 30 stocks and trained a deep Convolutional Neural Network (CNN) model for our algorithmic trading model. We tested our model separately between 2007-2012 and 2012-2017 for representing different market conditions. The results indicate that the model was able to outperform Buy and Hold strategy, especially in trendless or bear markets. Since this is a preliminary study and probably one of the first attempts using such an unconventional approach, there is always potential for improvement. Overall, the results are promising and the model might be integrated as part of an ensemble trading model combined with different strategies.

研究动机与目标

• 开发一种新颖的算法交易模型，通过使用2D股票K线图像作为输入，绕过传统的时间序列数据。
• 评估在多样化市场条件下，基于股票价格数据视觉表示训练的深度CNN模型的性能。
• 评估基于图像的深度学习是否能在金融预测中超越标准基准（如买入并持有策略）。
• 探索卷积神经网络在金融时间序列中视觉模式识别的潜力。
• 为未来结合图像方法与传统时间序列方法的集成模型奠定基础。

提出的方法

• 将道琼斯30只股票的30天历史价格数据（开盘价、最高价、最低价、收盘价）转换为30×30像素的2D K线图像。
• 在这些2D图像上训练深度卷积神经网络（CNN），标签为：买入、卖出或持有。
• 采用标准CNN架构（例如，类似AlexNet或VGG风格）进行特征提取和交易信号分类。
• 在两个不同时间段的样本外数据上评估模型性能：2007–2012年和2012–2017年，以检验其在牛市、熊市和盘整市中的鲁棒性。
• 将预测结果整合到模拟交易系统中，计算年化收益率、最大回撤和交易统计等绩效指标。
• 应用一种交易规则：当无强信号时持现，导致闲置比例为48–49%。

实验结果

研究问题

• RQ1 2D卷积神经网络能否在不依赖数值时间序列的情况下，直接从股票价格数据的视觉表示中有效学习交易信号？
• RQ2 在不同市场周期（牛市、熊市、盘整市）中，基于图像的CNN-BI模型与买入并持有策略相比表现如何？
• RQ3 该模型在不同市场条件和时间段中是否能保持一致的性能和信号生成能力？
• RQ4 模型高达近50%的闲置比例对其整体盈利能力有何影响，尤其是在牛市期间？
• RQ5 通过多资产组合处理或多市场周期自适应策略，能否进一步提升模型性能？

主要发现

• CNN-BI模型在两个测试周期的平均成功率为52.35%，表明其优于随机游走，生成了具有统计意义的信号。
• 模型每年产生40–60笔年化交易，平均交易周期为3天，表明其具有持续且频繁的交易活动。
• 在最大回撤回报率（RoMaD）方面，模型优于买入并持有策略，在2007–2012年达到121.31%，在2012–2017年达到61.62%。
• 年化收益率分别为7.20%（2007–2012年）和5.86%（2012–2017年），模型在前期波动更大的时期表现更优。
• 模型保持了48.20–48.88%的高闲置比例，这可能限制了在牛市期间（2012–2017年）的收益，表明存在因资产利用不足导致的机会成本。
• 最大回撤分别为34.92%（2007–2012年）和19.48%（2012–2017年），模型在后一时期展现出更好的风险调整后表现。