CNN 외환 추세 분류

기사 arXiv papers · 저자: Yun-Cheng Tsai et al.

요약

이 연구는 합성곱 신경망으로 외환 추세를 분류하는 방법을 설명합니다. 먼저 정량적 시장 데이터를 트레이딩 차트와 비슷한 이미지로 바꾼 다음, CNN을 학습시켜 차트 패턴을 익히고 추세 유형을 예측합니다. 모델 성능은 분류 정확도로 평가하며, 예측 결과는 트레이딩 전략 구성에 활용하도록 설계되었습니다.

이 접근법은 사람이 차트를 시각적으로 읽는 과정과 컴퓨터의 패턴 인식을 비유합니다. 문서는 정확도 수치, 데이터 세부 사항, 추세 유형의 정의, 거래 비용 반영 후 수익성 근거를 제시하지 않습니다. 분류 정확도만으로는 실거래 시장에서 전략이 좋은 성과를 낼지 알 수 없으며, 설명에는 개인화된 전략을 어떻게 만들고 검증하는지도 나와 있지 않습니다. 따라서 이 자료는 트레이딩 가치를 충분히 평가한 결과라기보다 머신러닝 작업 흐름을 간략히 개괄합니다.

핵심 아이디어

모형을 학습시키기 전에 정량적 외환 데이터를 차트 형태의 이미지로 변환합니다.
합성곱 신경망을 학습시켜 이미지에서 추세를 분류합니다.
설명된 성능 지표는 분류 정확도입니다.
문서는 정확도 수치를 보고하지 않으며 분류 결과의 활용이 수익성을 낸다는 점도 입증하지 않습니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

CNN으로 트레이딩 차트의 외환 추세 분류하기

요약

핵심 아이디어

태그