Passer au contenu
Tous les documents de la bibliothèque

Classer les tendances du Forex à partir de graphiques avec des CNN

Article arXiv papers · Auteur: Yun-Cheng Tsai et al.
Lire la source originale

Résumé

L’étude décrit une méthode de classification des tendances du Forex à l’aide d’un réseau neuronal convolutif. Elle convertit d’abord les données quantitatives du marché en images ressemblant à des graphiques de trading, puis entraîne un CNN à apprendre les configurations graphiques et à prévoir les classes de tendance. Les performances du modèle sont évaluées par la précision de classification, et les prévisions obtenues sont destinées à contribuer à la construction de stratégies de trading.

L’approche établit une analogie entre l’interprétation visuelle des graphiques par les personnes et la reconnaissance de formes par ordinateur. Le document ne fournit ni chiffres de précision, ni détails sur les données, ni définition des classes de tendance, ni preuve de rentabilité après les coûts de trading. La précision de classification ne suffit pas à démontrer qu’une stratégie fonctionnerait bien sur les marchés en trading réel, et la description n’explique pas comment les stratégies personnalisées sont produites ou validées. Le document esquisse donc brièvement un processus d’apprentissage automatique, sans évaluer pleinement sa valeur pour le trading.

Idées clés

  • La méthode transforme des données quantitatives du Forex en images de type graphique avant l’entraînement du modèle.
  • Un réseau neuronal convolutif est entraîné à classer les tendances à partir des images.
  • La mesure des performances décrite est la précision de classification.
  • Le document ne rapporte aucun niveau de précision et ne démontre pas que l’utilisation des classifications serait rentable.

Étiquettes

Marché des changesApprentissage automatiqueStatistiques
Texte intégral
# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.