跳至正文
返回文库全部文档

利用卷积神经网络根据交易图表识别外汇趋势

文章 arXiv papers · 作者: Yun-Cheng Tsai et al.
阅读原文

总结

本研究介绍一种利用卷积神经网络识别外汇趋势的方法。该方法先将量化市场数据转换为类似交易图表的图像，再训练 CNN 学习图表模式并预测趋势类别。模型表现通过分类准确率评估，所得预测旨在支持交易策略的构建。

该方法将人类通过视觉读取图表与计算机识别模式作类比。文中没有提供准确率数据、数据详情、趋势类别定义，也没有交易成本后的盈利证据。仅凭分类准确率无法证明策略能在实盘市场中表现良好，文中也没有解释如何生成或验证个性化策略。因此，这份材料只是对机器学习工作流程的简要概述，并未全面评估其交易价值。

核心观点

  • 该方法先将量化外汇数据转换为类似图表的图像，再进行模型训练。
  • 研究训练卷积神经网络，根据图像识别趋势类别。
  • 文中所述的表现指标是分类准确率。
  • 文中没有报告准确率数值，也未证明使用分类结果能够盈利。

标签

外汇机器学习统计学
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。