Saltar al contenido
Todos los documentos de la biblioteca

Clasificar tendencias forex con CNN y gráficos

Artículo arXiv papers · Autor: Yun-Cheng Tsai et al.
Leer el original

Resumen

El estudio describe un método para clasificar tendencias forex con una red neuronal convolucional. Primero convierte datos cuantitativos del mercado en imágenes similares a gráficos de trading y después entrena una CNN para aprender patrones gráficos y predecir clases de tendencias. El rendimiento del modelo se evalúa mediante la precisión de clasificación, y las predicciones resultantes pretenden ayudar a construir estrategias de trading.

El enfoque establece una analogía entre la lectura visual de gráficos por parte de las personas y el reconocimiento de patrones por parte de un ordenador. El documento no proporciona cifras de precisión, detalles sobre los datos, una definición de las clases de tendencia ni pruebas de rentabilidad después de los costes de trading. La precisión de clasificación por sí sola no demuestra que una estrategia vaya a funcionar bien en mercados reales, y la descripción no explica cómo se crean ni validan las estrategias personalizadas. Por tanto, el material es un breve esquema de un flujo de trabajo de aprendizaje automático, no una evaluación completa de su valor para el trading.

Ideas clave

  • El método transforma datos cuantitativos de forex en imágenes similares a gráficos antes de entrenar el modelo.
  • Se entrena una red neuronal convolucional para clasificar tendencias a partir de las imágenes.
  • La medida de rendimiento descrita es la precisión de clasificación.
  • El documento no informa de valores de precisión ni demuestra que las clasificaciones generen rentabilidad.

Etiquetas

DivisasAprendizaje automáticoEstadística
Texto completo
# Predict Forex Trend via Convolutional Neural Networks


# Predict Forex Trend via Convolutional Neural Networks









Deep learning is an effective approach to solving image recognition problems. People draw intuitive conclusions from trading charts; this study uses the characteristics of deep learning to train computers in imitating this kind of intuition in the context of trading charts. The three steps involved are as follows: 1. Before training, we pre-process the input data from quantitative data to images. 2. We use a convolutional neural network (CNN), a type of deep learning, to train our trading model. 3. We evaluate the model's performance in terms of the accuracy of classification. A trading model is obtained with this approach to help devise trading strategies. The main application is designed to help clients automatically obtain personalized trading strategies.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.