[论文解读] Using Deep Learning Neural Networks and Candlestick Chart Representation to Predict Stock Market

Rosdyana Mangir Irawan Kusuma, Trang-Thi Ho+3 more|arXiv (Cornell University)|Feb 25, 2019

Stock Market Forecasting Methods被引用 24

一句话总结

本文提出一种深度学习方法，将股票市场时间序列数据转换为蜡烛图图像，并利用卷积神经网络（CNN）、残差网络（ResNets）和类似VGG的架构来预测未来价格走势。该方法在台湾和印度尼西亚股票数据集上的准确率分别达到92.2%和92.1%，在准确率和F值方面均优于现有方法。

ABSTRACT

Stock market prediction is still a challenging problem because there are many factors effect to the stock market price such as company news and performance, industry performance, investor sentiment, social media sentiment and economic factors. This work explores the predictability in the stock market using Deep Convolutional Network and candlestick charts. The outcome is utilized to design a decision support framework that can be used by traders to provide suggested indications of future stock price direction. We perform this work using various types of neural networks like convolutional neural network, residual network and visual geometry group network. From stock market historical data, we converted it to candlestick charts. Finally, these candlestick charts will be feed as input for training a Convolutional Neural Network model. This Convolutional Neural Network model will help us to analyze the patterns inside the candlestick chart and predict the future movements of stock market. The effectiveness of our method is evaluated in stock market prediction with a promising results 92.2% and 92.1% accuracy for Taiwan and Indonesian stock market dataset respectively. The constructed model have been implemented as a web-based system freely available at http://140.138.155.216/deepcandle/ for predicting stock market using candlestick chart and deep learning neural networks.

研究动机与目标

• 通过利用蜡烛图中的视觉模式，提升股票市场预测的准确性。
• 评估深度神经网络（特别是CNN、ResNet和VGG）在基于图像的股票价格走势预测中的有效性。
• 探究交易周期长度、图像尺寸以及是否包含成交量数据对模型性能的影响。
• 开发一个公开可访问的基于网络的决策支持系统，供交易者使用训练好的模型。
• 通过标准化指标（如准确率、F值和MCC）将所提方法与现有方法进行比较。

提出的方法

• 使用计算机图形技术将台湾和印度尼西亚的历史股票数据（开盘价、最高价、最低价、收盘价、成交量）转换为蜡烛图图像。
• 采用滑动窗口技术生成多周期序列（1、2、3个月）用于训练和评估。
• 将蜡烛图图像输入深度学习模型，包括标准CNN、ResNet和类似VGG的架构，以学习空间模式。
• 测试两种图像尺寸——50×50像素和20×20像素，以评估分辨率对预测性能的影响。
• 同时评估传统机器学习模型（随机森林、K近邻）以进行对比。
• 最终模型已部署为网络应用程序，网址为 http://140.138.155.216/deepcandle/，供公众访问并实现实时预测。

实验结果

研究问题

• RQ1 深度卷积神经网络能否有效从股票市场数据的蜡烛图图像中学习预测模式？
• RQ2 交易周期长度（1、2或3个月）如何影响模型的预测准确率？
• RQ3 在蜡烛图中包含成交量信息是否能提升深度学习模型在股票价格方向预测中的性能？
• RQ4 与Patel（2015）、Khaidem等以及Zhang（2018）等现有方法相比，所提方法在准确率和F值方面表现如何？
• RQ5 基于该模型的网络系统能否为交易者提供实用且用户友好的股票市场预测？

主要发现

• 所提方法在台湾股票市场数据集上达到92.2%的准确率，在印度尼西亚数据集上达到92.1%，显著优于现有方法。
• 使用3个月交易周期的模型在所有指标中表现最佳，包括敏感度、特异度、准确率和马修斯相关系数（MCC）。
• 在蜡烛图中加入成交量信息并未显著提升模型性能，表明仅依靠视觉模式（无需成交量）即可实现高准确率。
• 与Patel的方法相比，本模型在恒生印度指数（S&P BSE Sensex）上达到97.2%的准确率，优于Patel的89.84%；在信实工业（Reliance Industries）上达到93.9%，优于Patel的92.22%。
• 与Zhang使用社交媒体和新闻情感分析的方法相比，本模型在准确率上达到92.6%，优于Zhang的61.7%，表现出更优的性能。
• 基于该模型的网络系统DeepCandle（http://140.138.155.216/deepcandle/）已成功实现并公开发布，支持实时预测。