میلیاردها دلار هر روز به طور خودکار در بورس سهام معامله می شود ، از جمله الگوریتم هایی که از شبکه های عصبی استفاده می کنند ، اما هنوز سؤالاتی در مورد نحوه تجارت شبکه های عصبی وجود دارد. طبیعت جعبه سیاه یک شبکه عصبی مکث می کند تا آن را به صندوق های تجاری ارزشمند واگذار کند. یک تکنیک جدیدتر برای مطالعه شبکه های عصبی ، ویژگی های تجسم نقشه ، بینشی در مورد چگونگی تولید یک شبکه عصبی تولید می کند. استفاده از یک شبکه عصبی حلقوی (CNN) با تصاویر شمعدانی به عنوان تصاویر ورودی و ویژگی ها فرصتی منحصر به فرد برای تعیین آنچه در تصاویر ورودی باعث می شود شبکه عصبی باعث شود یک عمل خاص باشد. در این مطالعه ، از CNN در یک شبکه Q Deep Deep Q (DDQN) استفاده می شود تا از بازده شاخص S& P 500 بهتر عمل کند ، و همچنین نحوه تجارت سیستم را تجزیه و تحلیل کند. DDQN در 30 سهام بزرگ در S& P 500 آموزش داده و آزمایش می شود. پس از آموزش CNN برای تولید تجسم نقشه های ویژگی استفاده می شود تا مشخص شود که شبکه عصبی توجه خود را روی تصاویر شمعدان قرار می دهد. نتایج نشان می دهد که DDQN بین 2 ژانویه 2020 و 30 ژوئن 2020 قادر به بازده بالاتر از شاخص S& P 500 است. شمع های اخیر در تصویر ، بر اساس رویدادی مانند سقوط بازار سهام Coronavirus در سال 2020.

استناد: Brim A ، Flann NS (2022) معاملات عمیق در بازار سهام با استفاده از CNN با تصاویر شمعدانی. PLOS ONE 17 (2): E0263181. https://doi. org/10. 1371/journal. pone. 0263181

سردبیر: Alejandro Raul Hernandez Montoya ، Universidad Veracruzana ، مکزیک

دریافت: 4 اوت 2021 ؛پذیرفته شده: 14 ژانویه 2022 ؛منتشر شده: 18 فوریه 2022

کپی رایت: © 2022 Brim ، Flann. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده های این پروژه از قیمت سهام روزانه تشکیل شده است و از API Alphavantage می توان دریافت کرد. برای به دست آوردن این داده ها ، یک حساب alphavantage و کلید از https://www. alphavantage. co/ هنگامی که یک حساب کاربری و API به دست آمد ، داده ها می توانند از طریق این آدرس دسترسی داشته باشند: http://www. alphavantage. co/پرس و جو؟ تابع = time_series_daily & symbol = '' & outputSize = Full & apikey =.

بودجه: نویسنده (ها) بودجه خاصی برای این کار دریافت نکردند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

معرفی

شبکه های عصبی در پیش بینی بازارهای مالی موفق شده اند. این شامل استفاده از CNN ها [1-4] است. با این حال ماهیت جعبه سیاه شبکه های عصبی تقاضای زیادی برای بینش در مورد چگونگی دستیابی به شبکه های عصبی ایجاد می کند. این کار از تجسم نقشه ویژگی برای تولید یک نمایش بصری از وزن CNN استفاده می کند تا تجزیه و تحلیل کند که چگونه شبکه عصبی قادر به انجام این کار است [5-8]. پروژه Google Brain Team Deepdream برای درک شبکه های عصبی ، پیشرفت های اخیر را با تجسم نقشه ویژگی ها انجام داده است. آنها ادعا می کنند که این ابزارها یکی از بلوک های اساسی ساخت و ساز است که به انسان اجازه می دهد تا شبکه های عصبی را درک کنند [9]. در این کار از ویژگی های نقشه استفاده می شود تا کشف کند که یک CNN می تواند توجه خود را از تمرکز گسترده ای از همه مناطق در یک تصویر ورودی به یک تمرکز باریک تر ، بر اساس یک رویداد تغییر دهد.

یک نوع خاص از یادگیری تقویت کننده (RL) ، دوتایی Deep Q-Network (DDQN) ، در این کار استفاده می شود زیرا نشان داده شده است که مقادیر دقیق تری را ارائه می دهد و عملکرد کلی بهتری نسبت به سایر سیستم های شبکه عصبی ارائه می دهد [10]. بسیاری از برنامه های اخیر در نتیجه DDQN به کار رفته اند ، از جمله وسایل نقلیه خودمختار [11 ، 12] ، کاهش انرژی و بهینه سازی باتری [13-15] ، و کنترل های رباتیک و پهپاد [16 ، 17].

در اینجا DDQN با استفاده از CNN تنها با تصاویر شمعدانی به عنوان ورودی می تواند از شاخص S& P 500 در یکی از بی سابقه ترین تصادفات بازار سهام در تاریخ مالی ، سقوط بازار سهام Coronavirus در سال 2020 بهتر عمل کند.

انگیزه این کار ، ایجاد شکاف در تحقیقات علوم کامپیوتر و تحقیقات مالی است تا آزمایش کند که آیا یک سیستم RL با استفاده از CNN می تواند از شاخص S& P 500 بهتر عمل کند. انگیزه اضافی برای تعیین چگونگی پیش بینی CNN بازار سهام است. تحقیقات موجود وجود دارد که CNN را برای تجارت بازارهای مالی از طریق تصاویر ، از جمله تصاویر شمعدانی ، مانند Tsai ، Chen ET ، آموزش می دهد. AL 2019 [2] و Selvin ، Menon et al 2017 [1]. همچنین تحقیقات موجود وجود دارد که از شبکه های عصبی عمیق با تکنیک های یادگیری تقویت برای پیش بینی بازار سهام استفاده می کند [18-20]. با این حال ، هیچ تحقیقاتی هنوز از تجسم نقشه ویژگی برای بازسازی چگونگی پیش بینی CNN بازار سهام استفاده نکرده است. علاوه بر این ، هیچ تحقیق موجود وجود ندارد که مقایسه های خاصی را با عملکرد بازارهای مالی و مقایسه با روش شناسی استراتژی های تجاری مبتنی بر انسان وجود داشته باشد.

یادگیری تقویت یک تکنیک هوش مصنوعی است ، جایی که یک عامل از طریق اقدامات با یک محیط در تعامل است. یک کشور توسط یک محیط فراهم می شود و عامل برای حداکثر رساندن پاداش ، عملی را بر اساس آن ایالت انتخاب می کند. نماینده از طریق ایالت ها و اقدامات برای به حداکثر رساندن پاداش خود یاد می گیرد [21]. در این کار نماینده یک DDQN است ، وضعیتی که دریافت می کند یک تصویر شمعدانی است که 28 روز گذشته قیمت سهام را نشان می دهد. عمل DDQN این است که روز بعد موقعیتی طولانی ، کوتاه یا کوتاه در سهام داشته باشد.

این کار از یادگیری Q ، نوعی یادگیری تقویت کننده تفاوت زمانی استفاده می کند تا یک عملکرد سیاست را برای هر ایالت در فضای پارامترهای معاملاتی تقریب دهد [22 ، 23]. یادگیری Q با تقریب عملکرد ، با استفاده از CNN برای تقریبی یک عملکرد Q ترکیب می شود. یک محیط بدنسازی Openai [24] برای شبیه سازی بازار سهام و ارائه تصاویر شمعدانی به CNN ساخته شده است. همانطور که در شکل 1 نشان داده شده است ، CNN یک عمل طولانی ، کوتاه یا بدون موقعیت را خروجی می کند. محیط به حالت بعدی باز می گردد و پاداش عمل انجام شده است.

شکل 1. تصاویر چوب شمع بر اساس قیمت های باز ، نزدیک ، زیاد و پایین برای هر روز ، برای هر سهام تولید می شوند.

CNN در سیستم RL تصاویر شمعدانی را به عنوان ورودی و خروجی اقدامات طولانی ، کوتاه یا بدون موقعیت دریافت می کند.

یک شبکه Q عمیق (DQN) یک شبکه عصبی چند لایه است که برای یک وضعیت ورودی معین ، یک بردار از مقادیر عمل را خروجی می کند [10]. این کار از نوع خاصی از DQN ، یک شبکه Q Deep Q Deep Deep ، که توسط Google Deep Mind در سال 2016 معرفی شده است ، استفاده می کند و توسط Alphago هوش مصنوعی مورد استفاده قرار می گیرد که قهرمان جهان Go Lee Sedol را شکست داد [25]. Van Hasselt ، Guez و Silver (2016) ، نشان می دهند که ایده پشت الگوریتم یادگیری دو Q (ون Hasselt ، 2010) ، که برای اولین بار در یک جدول جدول ارائه شده است ، می تواند برای کار با تقریبی عملکرد خودسرانه ، از جمله Deep ، تعمیم یابدشبکه های عصبی. DUBLE DQN ، نه تنها برآورد ارزش دقیق تری را به همراه دارد ، بلکه منجر به عملکرد کلی بهتر شبکه عصبی عمیق می شود [10]. به همین دلیل ، یک سیستم RL با استفاده از DDQN برای این کار انتخاب شده است. CNN در DDQN برای تقریب عملکرد استفاده می شود ، با تصاویر شمعدانی به عنوان ورودی ، و موقعیت معاملاتی از موقعیت طولانی ، کوتاه یا بدون موقعیت به عنوان خروجی.

DDQN بر روی تصاویر شمعدانی حاصل از قیمت سهام از سال 2013 تا 2019 آموزش داده می شود. سپس بر روی تصاویر شمعدانی تولید شده از 2 ژانویه 2020 تا 30 ژوئن 2020 آزمایش می شود. 30 سهام برتر در شاخص S& P 500 از زمان داده ها انتخاب می شوندبه طور گسترده ای در دسترس است ، و این یک پایه بزرگ از سهام برای اطمینان از استحکام در نتایج ایجاد می کند. DDQN برای هر روز تصویری از 28 شمعدان دریافت می کند. این بدان معنی است که برای 30 سهام ، در مجموعه داده های آموزش 52920 مشاهده وجود دارد و 3780 مشاهده در مجموعه داده های آزمایش. مجموعه داده های آموزش هفت سال انتخاب شده است تا زمان کافی برای DDQN برای یادگیری تجارت هر سهام فراهم شود. این مجموعه داده های آموزشی همچنین شامل Crash Cranbite China Tariffs Cranbite Of Market 2018 است ، که به DDQN اجازه می دهد نحوه عملکرد در هنگام سقوط بازار سهام را بیاموزد. شش ماه به عنوان مجموعه داده های آزمایش انتخاب شده است ، این امکان را برای زمان کافی برای تأیید عملکرد DDQN فراهم می کند و همچنین رفتار DDQN را در هنگام سقوط بازار سهام Coronavirus مشاهده می کند.

ارزش شاخص S& P 500 از 3372. 23 دلار به 2234. 40 دلار در 23 مارس 2020 کاهش یافته است. 33. 7 ٪ ضرر در 31 روز. ارزش شاخص S& P 500 به سرعت بهبود یافت و در 8 ژوئن 2020 به 3232. 39 دلار افزایش یافت. بهبودی 96 ٪ در 45 روز. داده های خرابی بازار سهام Coronavirus برخلاف هر داده ای در مجموعه داده های آموزش است. نزدیکترین رویداد در مجموعه داده های آموزشی ، سقوط بازار سهام در مورد اختلاف تعرفه چین در سال 2018 است ، جایی که S& P 500 20. 9 ٪ کاهش یافته و متعاقباً همانطور که در شکل 2 نشان داده شده است ، بازیابی می شود.

داده های آموزش شامل قیمت سهام از ژانویه 2013 تا دسامبر 2019 است. داده های آزمایش شامل قیمت سهام از ژانویه 2020 تا ژوئن 2020 است. سقوط بازار سهام Coronavirus از 20 فوریه 2020 تا 23 مارس 2020 کاهش بیشتر ، 33 ٪ از آن است. هر رویدادی در داده های آموزش. تعرفه های چین اختلاف نظر در مورد سقوط بازار سهام در سال 2018 نزدیکترین بود ، که در 91 روز 20. 9 ٪ کاهش یافته است.

بهتر از شاخص S& P 500 ، تعریف شده توسط این کار ، DDQN بازده هندسی بالاتری نسبت به شاخص S& P 500 برای مجموعه داده های آزمایش خواهد داشت. آزمایشات با بزرگترین 30 سهام S& P 500 از جمله شرکت اپل (AAPL) ، Amazon. com (AMZN) ، شرکت مایکروسافت (MSFT) ، Google LLC (Googl) ، Facebook Inc. (FB) ، Adobe Inc. اجرا می شود. Adbe) ، Berkshire Hathaway Inc. کلاس B (Brk. B) ، JPMorgan Chase Co. (JPM) ، جانسون جانسون (JNJ) ، Visa Inc. کلاس A (V) ، گروه بهداشت یونایتد گنجانیده شده (UNH) ، شرکت قمار Procter (شرکت Procter Gamble (PG) ، شرکت والت دیزنی (DIS) ، شرکت Home Depot Inc. (HD) ، Mastercard Incorporated کلاس A (MA) ، Bank of America Corp (BAC) ، شرکت Exxon Mobil (XOM) ، شرکت Coca-Cola (KO) ، Intelشرکت (INTC) ، AT& T Inc. (T) ، شرکت Walmart (WMT) ، شرکت هواپیمایی Boeing Airlines (BA) ، شرکت Comcast (CMCSA) ، شرکت Cisco Systems (CSCO) ، شرکت Chevron (CVX) ، Merck and Companyشرکت (MRK) ، شرکت PepsiCo (PEP) ، شرکت Pfizer (PFE) ، Verizon Communications Inc. (VZ) و Wells Fargo Co (WFC).

معامله گران انسانی از تصاویر شمعدانی برای تصمیم گیری در مورد معاملات بر اساس روندهای قابل محاسبه ، بلکه تجربه استفاده می کنند. تصاویر شمعدانی می تواند به معامله گر اجازه دهد ویژگی هایی را که عددی نیستند ، ببیند. از تجسم نقشه ویژگی برای تفسیر آنچه در تصاویر ورودی استفاده می شود باعث می شود DDQN یک عمل معین را تولید کند. تحقیقات تیم Google Brain در مورد تجسم ویژگی ، به ویژه Olah ، Mordvintsev و Schubert (2017) [9] از بازسازی وزن شبکه عصبی برای تولید تصاویر استفاده می کند. آنها ادعا می کنند ، در تلاش برای ایجاد شبکه های عصبی قابل تفسیر ، تجسم ویژگی ها به عنوان یکی از امیدوار کننده ترین و توسعه یافته ترین مسیرهای تحقیق است.

تجسم نقشه ویژگی از تصویر ورودی و نواحی برانگیختگی نورون در تصویر ورودی تولید می‌شود، همانطور که در تصویر سمت راست در شکل 3 نشان داده شده است. هیجان نورون خروجی فعال‌سازی از نورون‌ها در یک شبکه عصبی است. در حالی که کاربردهای متعددی از تجسم نقشه ویژگی وجود دارد، این کار از مقادیر خروجی نقشه های ویژگی به عنوان یک آرایه دوبعدی استفاده می کند. رویکردی مشابه به نگوین، یوسینسکی، کلون و همکاران.(2019) [8] در این کار استفاده شده است، زیرا هیجان نورون را به صورت آرایه های دوبعدی فراهم می کند که می توانند اندازه گیری و تجزیه و تحلیل شوند.

یک تصویر شمعی ورودی است و هر نورون در لایه کاملا متصل تصویر را دریافت می کند. نورون در قسمت های مختلف تصویر برانگیخته می شود. مناطق برانگیخته به عنوان یک آرایه دو بعدی ذخیره می شوند و در اینجا به عنوان یک نقشه حرارتی نشان داده می شوند.

ناحیه زرد نشان دهنده بالاترین برانگیختگی نورون است، یعنی بالاترین مقدار خروجی توسط نورون. برای ایجاد تجسم نقشه ویژگی، پس از آموزش، یک شبکه جدید تنها با دو لایه ساخته می‌شود: یک لایه ورودی برای تصویر ورودی، و یک لایه ساخته شده از وزن لایه کاملاً متصل. تصویر ورودی به لایه دوم منتقل می‌شود و نورون‌ها بر اساس وزن‌های محاسبه‌شده در طول تمرین برانگیخته می‌شوند و خروجی در یک آرایه دو بعدی ذخیره می‌شود.

هر تصویر شمعدانی نشان دهنده 28 روز است، در حالی که 20 منطقه در نقشه ویژگی ایجاد شده است. این به دلیل تغییر شکل انجام شده توسط لایه کانولوشن است. با این حال، 20 منطقه بینش قوی را در مورد اینکه کدام منطقه بالاترین سطح هیجان نورون را ارائه می دهد و کدام ناحیه از تصویر شمعدانی که توسط DDQN برای تعیین سیگنال تجاری استفاده می شود، ارائه می دهند. به عنوان مثال، تصاویر کندل ADBE را می توان در ابتدای سقوط بازار سهام کرونا در شکل 4 مشاهده کرد. با شروع سقوط بازار سهام، هیجان نورون از تمام 28 کندل به آخرین کندل ها تغییر می کند. یک روز قبل از سقوط بازار سهام، سطوح هیجان نورون در روزهای 23 تا 27 و روز 9 بالاترین میزان است. اما روز بعد، روز اول سقوط، سطح هیجان نورون در آخرین روز از تصویر شمعدانی بالاترین میزان است.. سطح هیجان نورون تقریباً دو برابر سطح هیجان هر روز دیگری در تصویر است. این سطح هیجان در روزهای اخیر با ادامه سقوط بازار بورس کرونا ادامه دارد.

شکل 4. تصاویر کندل استیک های ادوبی نشان دهنده روز قبل و چهار روز اول سقوط بازار بورس کرونا است.

هر سطر نشان دهنده روزی است که تصویر ورودی به DDQN عرضه می شود. ستون اول تصویر ورودی را نشان می دهد. ستون دوم مناطق تصویر را که توسط هر نورون هیجان زده است نشان می دهد. اندازه هر نقطه آبی نشان دهنده سطح هیجان است. رنگ آبی با استفاده از نقاط با هم تداخل تر ، نشان می دهد که چندین نورون از همان منطقه از تصویر هیجان زده می شوند. میله ها مقدار کل هیجان را نشان می دهد.

در حالی که هر یک از این ابزارهای تجسم نقشه در نشان می دهند که چگونه یک CNN آموخته است ، این کار به طور خاص نیاز به اندازه گیری تغییرات در هیجان نورون دارد. بنابراین یک رویکرد مشابه با نگوین ، یوسینسکی ، کلون ، و همکاران.(2019) در این کار استفاده می شود. برای تولید تصاویر خروجی نشان داده شده در شکل 4 ، تصاویر شمعدانی با خروجی فعال سازی نورون یا هیجان نورون ترکیب می شوند. تصویر تازه ایجاد شده دقیقاً نشان می دهد که کدام مناطق موجود در تصویر ورودی باعث هیجان نورون شده است.

سهم این کار این است که اولین کسی است که با استفاده از تجسم نقشه های ویژگی ، چگونگی پیش بینی DDQN بازار سهام را ارائه می دهد. این کار همچنین اثبات می کند که تکنیک های هوشمند مصنوعی ، یعنی یک سیستم RL با استفاده از DDQN ، می تواند برای بهتر از شاخص S& P 500 استفاده شود. این مقایسه مستقیم از بازده DDQN به بازده بازار مالی ، جایی که آثار قبلی چنین نیستند.

زمینه

در این بخش ، ادبیات موجود در دو جریان جداگانه تحقیق بررسی می شود. اول ، کار موجود در تحقیقات مالی در مورد استراتژی های مختلف معاملاتی که مربوط به آزمون های پیشنهادی در این کار است. سودآوری مرتبط با این استراتژی های مستند در ادبیات بررسی شده است. دوم ، کار قبلی در ادبیات علوم کامپیوتر که هم یادگیری عمیق و هم پیش بینی در بازارهای مالی را بررسی می کند.

کار قبلی نشان داده است که یک CNN می تواند در معاملات بورس سهام مؤثر باشد ، اما با تجزیه و تحلیل تجسم نقشه از ویژگی ها استفاده نشده است و عملکرد آنها را با شاخص S& P 500 مقایسه نکرده است. در این کار ، از تجسم نقشه های ویژگی استفاده می شود که توانایی CNN را برای تغییر توجه آن از همه روزها در یک تصویر شمعدانی ، نشان دادن تاریخ کامل 28 روزه ، به روزهای اخیر مورد بررسی قرار می دهد. این توانایی تغییر از تاریخ کامل در یک تصویر شمعدانی ، به روزهای اخیر متفاوت از شاخص های تجارت فنی موجود مانند موارد ارائه شده در بروک ، لاکونیشوک و لبارون (1992) و Skouras (2001) است. مارشال ، یانگ و رز (2006) نشان می دهند که الگوهای شمعدان در پیش بینی بازار سهام مؤثر نیستند. با این حال آنها از تصاویر شمعدانی بین 1 تا 5 روز از تاریخ قیمت استفاده می کنند ، نه 28 روز مانند این سیستم RL.

بررسی ادبیات بازارهای مالی: پیش بینی قیمت و تجارت فنی

در این بخش ، ادبیات مالی موجود که استراتژی های تجارت فنی را بررسی می کند ، بررسی می شود. بین تجزیه و تحلیل بنیادی مالی و تجزیه و تحلیل تجارت فنی شکاف دیرینه وجود دارد. FAMA (1965) و همچنین FAMA (2021) ، استدلال می کنند که قیمت بورس اوراق بهادار کارآمد است [26 ، 27] و بنابراین شاخص های معاملاتی فنی نباید از بازار بهتر باشد. با این حال ، Brock ، Lakonishok و Lebaron (BLL) (1992) [28] از اولین کسانی هستند که اعتبارسنجی قوی به تجارت فنی یا استراتژی های معاملاتی مبتنی بر آماری ارائه می دهند.

BLL با آزمایش دو مورد از ساده ترین و محبوب ترین قوانین تجاری در برابر شاخص داو جونز از سال 1897 تا 1986 ، اعتبار تجزیه و تحلیل تجارت فنی را نشان داد. این در مخالفت مستقیم با طرز فکر غالب زمان بود که تجزیه و تحلیل معاملات فنی تحقیق شدیدی نبوددامنه (نگاه کنید به مالکیل (1981) [29]). ملکیل اعلام کرد که تجزیه و تحلیل فنی ، بیهوشی به دنیای دانشگاهی است و روش های آن کاملاً نادرست است.

نتایج BLL چشمگیر است. قوانین متوسط در حال حرکت متغیر ، 0. 00042 بازده روزانه برای سیگنال های خرید (12 ٪ سالانه) ، -0. 00025 بازده روزانه برای سیگنال های فروش (-7 ٪ سالانه) و 0. 00067 بازده روزانه برای سیگنال های فروش (19 ٪ سالانه) را نشان می دهد.

Skouras (2001) [30] با بهبود روشهای مورد استفاده توسط BLL ، از تجزیه و تحلیل معاملات فنی پشتیبانی می کند. Skouras یک تحلیلگر فنی مصنوعی را برای انتخاب پویا یک شاخص فنی به جای انتخاب یک شاخص فنی سیگنال برای یک شبیه سازی کامل معرفی می کند. اصطلاح تحلیلگر فنی مصنوعی توسط Skouras به عنوان یک عامل با امکان تغییر شاخص فنی شبیه سازی میانی ، با آزمایش چندین شاخص فنی در داده های اخیر و انتخاب بهترین عملکرد تعریف شده است. برای تمام بازه های زمانی T-N تا T-1 پارامترهای معاملاتی فنی مورد آزمایش قرار می گیرند و تحلیلگر معاملات مصنوعی پارامترهایی را که بالاترین بازده را تولید می کند ، انتخاب می کند.

مارشال ، یانگ و رز (MYR) (2006) [31] تجزیه و تحلیل معاملات فنی را بر روی 26 الگوی شمعدانی که به طور گسترده مورد استفاده قرار می گیرند ، در فهرست داو جونز 1992 تا 2002 انجام می دهند. یک آزمایش جامع عملکرد همه این الگوهای. با این حال ، آنها نتیجه می گیرند که الگوهای شمعدان سودآور نیستند و قدرت پیش بینی ندارند. الگوهای شمع آزمایش شده توسط MYR بین یک تا پنج شمع است. این کار از تصاویر شمعدانی با 28 شمع استفاده می کند. در صورت موفقیت ، این کار از استراتژی های تجاری مبتنی بر آماری و استفاده از الگوهای شمعدانی پشتیبانی می کند.

بررسی ادبیات علوم کامپیوتر: پیش بینی بازارهای مالی

سلوین ، منون ، و همکاران.(2017) یک معماری مبتنی بر یادگیری عمیق را ارائه می دهد که قادر به گرفتن پویایی پنهان برای پیش بینی بازار سهام است [1]. نتایج آنها شواهدی را نشان می دهد که CNN قادر به شناسایی تغییرات در روند بورس سهام است. علاوه بر این ، آنها CNN خود را با یک شبکه حافظه کوتاه مدت کوتاه (LSTM) مقایسه می کنند. برای روش پیشنهادی آنها ، CNN به عنوان بهترین مدل شناخته می شود ، زیرا قادر به شناسایی ارتباط بین داده ها است.

در یک مطالعه مرتبط ، توسط Tsai ، Chen ، Jun-Hao و Wang 2019 [2] نشان داده شده است که معامله گران اغلب با اخبار ، اصول و شاخص های فنی تصمیم می گیرند ، اما هنوز هم از دید و تجربه خود استفاده می کنند. CNN با تصاویر شمعدانی به عنوان ورودی به عنوان بهترین ابزار برای الگوبرداری از داوری یک معامله گر انتخاب می شود. تصاویر شمعدانی با استفاده از زمینه های جمع بندی زاویه ای گرمیان (GASF) از پیش پردازش می شوند. این قالب داده ها را عادی می کند ، نویز را کاهش می دهد و روابط زمانی را حفظ می کند. کار آنها به یانگ ، چن و یانگ 2019 [4] اشاره می کند که داده های سری زمانی را با سه روش رمزگذاری جداگانه رمزگذاری می کنند و GASF بهینه است. CNN از سال 2017 روی داده های EURUSD آموزش داده و آزمایش می شود. خروجی یک سیگنال خرید یا فروش است. این مدل در 9 ماه داده آموزش داده می شود ، در 3 ماه داده آزمایش می شود و برای انتخاب سیگنال صحیح 88 ٪ دقت می کند. بر خلاف سلوین (2017) ، این مقاله به بهترین نوع داده های ورودی تصویر می پردازد ، اما همچنین به تکنیک کلی کمک می کند که یک CNN می تواند قیمت بازار مالی را پیش بینی کند.

کیم ، تاووک ، کیم و هانگ (2019) [3] یک فیوژن LSTM را پیشنهاد می کنند که هم از ویژگی های عددی و هم ورودی های تصویر ترکیب می شود. ورودی ها شامل اطلاعات قیمت ، زمان و تصاویر چند نمودار سهام برای پیش بینی قیمت سهام است. تصاویر شمعدانی ، نمودارهای نوار و توطئه های خط متوسط حرکت همه به عنوان تصاویر به LSTM وارد می شوند. مشخص شده است که نمودار شمعدان بهترین عملکرد را دارد زیرا در مقایسه با سایر تصاویر نمودار سهام اطلاعات بیشتری دارد و بالاترین دقت طبقه بندی 91 ٪ را تولید می کند. کیم و همکاران.(2019) با استفاده از ویژگی های تصویر و عددی به عنوان ورودی CNN با Tsai (2019) و Selvin (2017) متفاوت است.

این آثار قبلی توانایی CNN را در پیش بینی های دقیق در بازارهای مالی نشان می دهد. علاوه بر این ، آنها نشان می دهند که تصاویر شمعدانی بهتر از سایر نمایش های تصویر بازار کار می کنند. با این حال ، آنها تجزیه و تحلیل را در مورد نحوه تجارت CNN انجام نمی دهند. در عوض ، آنها برای بهبود دقت مدل روی تکنیک های مختلف تمرکز می کنند. همچنین ، آنها ادعا می کنند که می توانند بازارهای مالی را پیش بینی کنند ، اما هیچ مقایسه عملکردی با خود بازار انجام نمی دهند. این کار نه تنها عملکرد را با شاخص S& P 500 مقایسه می کند ، بلکه از نقشه های ویژگی برای تجسم آنچه CNN می بیند ، با بازآفرینی تصاویر از وزن شبکه عصبی استفاده می کند. این یک سهم جدید است.

بررسی ادبیات علوم کامپیوتر: تجسم نقشه ویژگی

از تجسم نقشه ویژگی برای تفسیر آنچه و چگونه یک CNN آموخته است استفاده می شود. تحقیقات تیم Google Brain در مورد تجسم ویژگی ، به ویژه اولا ، مردوینتسف و شوبرت (2017) [9] از بازسازی وزن شبکه عصبی برای تولید تصاویر استفاده می کند. آنها خاطرنشان می کنند ، در تلاش برای ایجاد شبکه های عصبی قابل تفسیر ، تجسم ویژگی ها به عنوان یکی از امیدوار کننده ترین و توسعه یافته ترین مسیرهای تحقیق است.

تیم Google Brain استدلال می کند که این حس رو به رشد وجود دارد که شبکه های عصبی باید برای انسان قابل تفسیر باشند. اگر می خواهیم ویژگی های فردی را درک کنیم ، می توانیم نمونه هایی را که در آن مقادیر بالایی دارند جستجو کنیم. اگر می خواهیم یک لایه به طور کلی درک کنیم ، می توانیم از هدف Deepdream استفاده کنیم و به دنبال تصاویر هستیم که لایه ای "جالب" می یابد. تصاویر تولید شده توسط Deepdream ورودی هستند و نورونهایی که عملکرد فعال سازی آنها شلیک می شود ، برای بازسازی تصاویر بر اساس وزن استفاده می شود. اگر یک درخت تا حدودی شبیه یک گربه باشد ، از نورونهایی که برای طبقه بندی یک گربه آتش می گیرند ، برای بازسازی تصویری جدید که مانند ترکیب یک درخت و گربه ظاهر می شود ، استفاده می شود. در حالی که Google Deep Dream تا حد زیادی برای ایجاد تصاویر روانگردان استفاده می شود ، نحوه عملکرد آن از طریق تکنیک های تجسم نقشه ویژگی ، می تواند برای تجزیه و تحلیل چرا تصاویر طبقه بندی شده به عنوان آنها استفاده شود. این یکی به عنوان یکی از بلوک های اساسی ساختمانی که همراه با ابزارهای اضافی است ، انسان را قادر می سازد تا این سیستم ها را درک کنند.

همراه با تیم Google Brain ، Zeiler و Fergus 2014 [5] از پیشگامان تحقیقات تجسم ویژگی هستند. آنها استدلال می کنند که CNN های بزرگ اخیراً عملکرد طبقه بندی چشمگیر را نشان داده اند. با این حال ، هیچ درک روشنی در مورد اینکه چرا آنها به خوبی عملکرد دارند ، یا چگونگی بهبود آنها وجود ندارد. در مقاله خود هر دو موضوع را بررسی می کنند. آنها یک تکنیک تجسم جدید را معرفی می کنند که بینشی در مورد عملکرد لایه های ویژگی میانی و عملکرد طبقه بندی کننده ارائه می دهد.

Zeiler و Fergus (2014) یک تکنیک تجسم نقشه ویژگی را معرفی می کنند که محرک های ورودی را نشان می دهد که نقشه های ویژگی های فردی را تحریک می کند. همچنین این امکان را برای مشاهده تکامل ویژگی ها در طول آموزش فراهم می کند تا مشکلات احتمالی مدل را تشخیص دهد. فعال سازی ویژگی ها به فضای پیکسل ورودی باز می گردند و دوباره وارد شبکه می شوند. این فرایند نشان می دهد که کدام بخش از صحنه برای طبقه بندی مهم است.

در یک مطالعه مشابه ، Grun ، Rupprecht ، Navab and Tombari (2016) [6] تصدیق می کنند که تجسم ویژگی یک منطقه بسیار جوان از تحقیقات است ، که از سال 2013 آغاز می شود (به زیلر و فرگوس (2013) [5]) و سیمونیان و سیمونیان و سیمونیان و سیمونیان و سیمونیان و همبستگیهم(2014) [32]. آنها تجسم ویژگی را به سه حوزه تقسیم می کنند: (1) روشهای اصلاح ورودی ، (2) روشهای تجزیه و حل و فصل و (3) روشهای بازسازی ورودی. روشهای بازسازی و اصلاح ورودی به تقویت تصاویر ورودی برای تجزیه و تحلیل یا ورود مجدد به شبکه اشاره دارد. روشهای تجزیه کننده به تولید تصاویر از وزن خود شبکه برای تجزیه و تحلیل اشاره دارد.

علاوه بر این ، Grun و همکاران.(2016) کتابخانه خود را "کتابخانه ویژگی برای MatConvnet" معرفی کنید: یک کتابخانه قابل استفاده و آسان برای استفاده از منبع باز برای تجسم CNN. این افترا شامل اجرای هر یک از سه کلاس اصلی روش تجسم است. این اجازه می دهد تا تجسم ویژگی ها ایجاد شود و از طبقه بندی کننده های گسترده CNN استفاده شود. این روش بینشی در مورد چگونگی طبقه بندی محبوب ترین شبکه ها تصاویر ارائه می دهد.

مانند زیلر و فرگوس (2014) و گرون و همکاران.(2016) ، Springenberg ، Tobias ، Dosovitskiy و همکاران.(2014) روش خود را برای تجسم ویژگی ها توسعه می دهد [33]. آنها برای تجسم مفاهیم آموخته شده توسط سلولهای عصبی در لایه های شبکه عصبی ، یک شبکه تجزیه کننده (DECOVNET) ایجاد می کنند. آنها روش جدیدی را برای تجسم بازنمایی های آموخته شده توسط لایه های یک شبکه حلقوی ارائه می دهند. این روش تصاویر توصیفی بیشتری نسبت به روشهای قبلاً می داند. با استفاده از این روش ، یک تصویر بازسازی می شود تا بخشی از تصویر ورودی را نشان دهد که بیشترین خروجی فعال سازی نورون را تولید می کند. بنابراین ، به محقق این امکان را می دهد تا مشخص کند که کدام قسمت (های) یک تصویر ورودی باعث می شود توابع فعال سازی نورون آتش سوزی کنند و در مورد اینکه چرا شبکه مقادیر خاصی را خروجی می کند ، روشن می شود. در واقع ، روش آنها بیت های کمی از تصاویر تولید می کند که باعث فعال شدن نورون های موجود در شبکه می شود. مقایسه این بیت های کوچک از تصاویر با تصاویر ورودی ، به محققان ایده ای می دهد که چه قسمت هایی از تصویر ورودی باعث فعال شدن نورون ها می شود.

مشابه رویکرد رویای Google Deep ، Dosovitskiy و Brox (2016) [34] روش جدیدی را برای مطالعه نمایش های تصویر پیشنهاد می دهند و این تصاویر را به CNN وارد می کنند. تصاویر از وزن CNN بازسازی می شوند تا نمایش هایی ایجاد کنند. با شروع تصویر ورودی یک سیب ، تصویر سیب به رنگ آبی تغییر می کند. سیب آبی به عنوان یک توپ کروکت طبقه بندی می شود. این تصویر به شبکه وارد می شود و از سلولهای عصبی فعال برای بازسازی یک تصویر جدید در تلاش برای دیدن اینکه نورونهای فعال به دنبال چه چیزی هستند استفاده می شود. به نظر می رسد تصاویر بازسازی شده بیشتر شبیه یک توپ هستند تا یک سیب. از جمله توپ که به نظر می رسد در یک میدان سبز است. این تصاویر بازسازی شده بینش می بخشد که چرا یک تصویر ممکن است طبقه بندی نادرست باشد.

سایر روشهای تجسم اولیه از ویژگی های قوی ، از جمله این موارد توسط Donahue ، Jia ، Yangqing ، et al.(2014) [35] و یو ، یانگ ، بای ، یالونگ ، و همکاران.(2014) [36]. Donahua و همکاران.(2014) با استخراج تجسم ویژگی ها از یک شبکه حلقوی عمیق ، و سپس وارد کردن آن تجسم ها به شبکه ، یک رویکرد منحصر به فرد ارائه می دهد. بنابراین به CNN اجازه می دهد تا از نظر بصری یاد بگیرد که نورون ها روی چه بخشی از تصویر فعال می شوند. یو ، یانگ و همکاران.(2014) در مورد طبیعت جعبه سیاه در CNN ها جالب توجه است. آنها ادعا می کنند که به جای افزایش مداوم با معماری های عمیق تر و عمیق تر CNN ، درک مکانیسم های کار داخلی برای درک نحوه یادگیری CNN بسیار مهم است. لایه های CNN از طریق استفاده از تجسم نقشه ویژگی مشاهده می شود. آنها از این تکنیک برای مقایسه طبقه بندی گسترده تصویر CNNS: VGG و Alexnet استفاده می کنند.

نگوین ، دوسویتسکی ، کلون ، و همکاران.(2016) و نگوین و همکاران.(2019) روشهای تجسم ویژگی را ایجاد می کند که مناطق موجود در تصویر ورودی را نشان می دهد باعث خروجی فعال سازی نورون یا هیجان نورون می شود [7]. آنها روشی را برای تولید تجسم از یک شبکه عصبی که از ابتدا سنتز می شوند ، معرفی می کنند. بهبود توانایی ما در درک اینکه کدام یک از نورون ها برای تشخیص آن آموخته است. تصاویر نه تنها از نزدیک ویژگی های آموخته شده توسط یک نورون را از نزدیک منعکس می کنند ، بلکه علاوه بر این از نظر بصری جالب هستند.

نگوین ، یوسینسکی ، کلون ، و همکاران.(2019) [8] با اجرای یک تکنیک فعال سازی ویژگی که تصاویر را بر اساس فعال سازی نورون برای چندین لایه در سراسر شبکه عصبی بازسازی می کند ، کار خود را ادامه داد. علاوه بر تصاویر آموزشی ، مقدمات تصویر مصنوعی با تقویت تصاویر آموزشی ، با حداکثر رساندن فعال سازی بر روی آن تصاویر ، تولید می شوند. پس از آن ، هنگامی که یک تصویر ورودی به شبکه تغذیه می شود ، فعال سازی روی تصویر جدید با Priors Image ترکیب می شود تا یک تصویر خروجی ارائه شود. این تکنیک قادر به تولید تصویری تولید شده است که بسیار واضح است. به جای مشاهده تصاویر تولید شده روانگردان که هنوز هم نیاز به تفسیر دارند ، این تصاویر تولید شده با مقدمات تصویر واضح تر و آسان تر می شوند و می بینند که چرا یک تصویر به روشی خاص طبقه بندی می شود. آنها نتیجه می گیرند که تکنیک های حداکثر فعال سازی ما را قادر می سازد تا نور را به شبکه های عصبی جعبه سیاه بدرخشیم. بهبود تکنیک های حداکثر فعال سازی به توانایی ما در درک شبکه های عصبی عمیق کمک می کند.

این روشها برای بررسی یک شبکه عصبی از طریق تجسم نقشه ویژگی ها قدرتمند هستند. با این حال ، این کار به توانایی اندازه گیری هیجان نورون نیاز دارد. بنابراین ، یک رویکرد مشابه با نگوین ، یوسینسکی ، کلون ، و همکاران.(2019) انتخاب شده است زیرا این امکان را می دهد که اندازه گیری های دقیقی را در تغییر در هیجان نورون انجام دهد. تصاویر ورودی از شمعدان ها با خروجی فعال سازی نورون یا هیجان نورون ترکیب می شوند و برای ایجاد آرایه های 2D به نمایندگی از هیجان نورون استفاده می شوند.

آزمایش

برای آزمایش اینکه آیا یک سیستم RL می تواند از شاخص S& P 500 بهتر عمل کند ، و نحوه دستیابی به آن را تجزیه و تحلیل کند ، آزمایش های زیر انجام می شود:

آزمون 1: یک سیستم RL با استفاده از DDQN بازده بالاتری نسبت به شاخص S& P 500 در طول آزمایش 2 ژانویه 2020 تا 30 ژوئن 2020 خواهد داشت.

این با مقایسه مستقیم با بازده شاخص S& P 500 و انجام آزمایشات T در نتایج برای تأیید قوام عملکرد DDQN آزمایش می شود.

تست 2: یک سیستم RL با استفاده از DDQN توانایی تغییر توجه خود را از استفاده از تمام تاریخ قیمت در 28 روز شمعدان در یک تصویر شمعدان ، به جدیدترین شمع ها نشان می دهد.

این با تولید تجسم نقشه ویژگی و تجزیه و تحلیل سطح هیجان نورون در تصاویر شمعدانی آزمایش می شود. آزمایش های رگرسیون برای تأیید تغییر در هیجان نورون در روزهای اخیر تصویر شمعدان انجام می شود. از تصادف بازار سهام Corona برای آزمایش اینکه آیا DDQN می تواند توجه خود را بر اساس یک رویداد مهم تغییر دهد ، استفاده می شود.

یک آزمایش اضافی برای تعیین اینکه آیا توانایی DDQN برای بازده بالاتر از شاخص S& P 500 است ، به دلیل توانایی آن در تغییر توجه خود به قسمت های مختلف یک تصویر ورودی است. رگرسیون لجستیک با علامت بازده روزانه به عنوان متغیر وابسته اجرا می شود و در هیجان نورون به عنوان متغیر مستقل تغییر می کند. این تجزیه و تحلیل بینشی در مورد چگونگی هیجان نورون می تواند بازده مثبت را پیش بینی کند.

مواد و روش ها

داده ها با ایجاد تصاویر شمعدانی سفارشی از قبل پردازش می شوند. برای ساده کردن تصاویر و کاهش اطلاعات نادرست ، بدنه هر شمع ، که به نمایندگی از قیمت های باز و نزدیک است ، سه پیکسل عرض دارد. چوب که قیمت های بالا و پایین را نشان می دهد یک پیکسل عرض دارد. برای نتایج اولیه ، هر تصویر شمعدانی 28 روز قیمت را نشان می دهد. مطالعه ای که تعداد مختلفی از شمع ها را در هر تصویر تجزیه و تحلیل می کند ، در بخش نتایج یافت می شود. شمع های خاکستری نشانگر حرکت قیمت به سمت بالا هستند و شمع های سیاه نشانگر حرکت قیمت نزولی هستند. Candlestick برای 30 سهام برای مجموعه داده های آموزش ژانویه ، 2 2013 تا 31 دسامبر 2019 و مجموعه داده های آزمایش 1 ژانویه 2020 تا 30 ژوئن 2020 تولید می شود. یک مثال تصویر شمعدانی در شکل 5 نشان داده شده است.