CN106503853A

CN106503853A - 一种基于多标度卷积神经网络的外汇交易预测模型

Info

Publication number: CN106503853A
Application number: CN201610943652.8A
Authority: CN
Inventors: 朱佳; 武兴成
Original assignee: South China Normal University
Current assignee: South China Normal University
Priority date: 2016-11-02
Filing date: 2016-11-02
Publication date: 2017-03-15

Abstract

本发明涉及一种基于多标度卷积神经网络的外汇交易预测模型，包括以下步骤：第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。该系统不仅能快速止损，实现最优化操作，还能克服过拟合问题，避免人为操作的局限和失误。

Description

一种基于多标度卷积神经网络的外汇交易预测模型

技术领域

本发明涉及金融领域，尤其涉及一种基于多标度卷积神经网络的外汇交易预测模型。

背景技术

卷积神经网络(Convolutional Neural Networks，CNNs)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。

卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显性的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，避免了特征提取和分类过程中数据重建的复杂度。

当今，卷积神经网络(CNNs)为计算机视觉领域带来了一场革命，而机器学习在各项应用如外汇交易中展示了其良好的表现。在外汇交易中，常用的预测方法是直接按专家意见进行操作。但由于专家各自年龄、经历、经验及预测方式方法的不同，他们的操作建议往往带有一定的局限性。此外，专家预测的通常是半小时后到一两天内的外汇走势，对于一些突发事件的影响，反应往往不够及时，容易导致操作失误，造成巨大亏损。

发明内容

鉴于卷积神经网络(CNNs)在图像加工上的优势，本申请提出一种方法，构建一个新的多标度卷积神经网络预测系统，处理外汇交易中各种各样的图表特征，从过去一段时间的价格波动图及其他特征，预测外汇价格的走向。

一种基于多标度卷积神经网络的外汇交易预测模型，包括以下步骤：

第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；

第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；

第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。

为了减少损失，还可以对基于多标度卷积神经网络的外汇交易预测模型参数进行调整优化。所述的调整优化参数的调整范围包括开始学习率、学习率更新方案和参数、求解器类型。

一种以卷积神经网络为基础，可进行并行特征学习的外汇交易多标度预测新系统。该系统通过训练学习，能有效识别各种各样的图形，敏锐地发现外汇交易中价格微小的变化，从而及时提出操作建议。它不仅能快速止损，实现最优化操作，还能克服过拟合问题，避免人为操作的局限和失误。这意味着，系统的专家库(池层)在面对各种规模的序列组合时，都能得心应手。

附图说明

图1基于卷积神经网络的外汇预测架构；

图2输入卷积神经网络的价格曲线图示例；

图3用SGD计算的训练和验证损失；

图4 EUR/USD的预测准确率比较；

图5 GBP/USD的预测准确率比较；

图6 EUR/USD的获取利润(pips)比较；

图7 GBP/USD的获取利润(pips)比较。

具体实施方式

下面结合具体实施例对本发明进行详细的说明。

第一步，数据处理，即将外汇交易实时价格数据转换为图像，即获取到如图1所示的原始的RGBA图。

本实施例我们可以从Google Finance获取每对货币每分钟的结束价、开始价、最高价和最低价,用结束价来绘制如图2的价格曲线图。

选择过去多长一段时间的实时数据，是建立卷积神经网络必须调整的超参数之一。本实施例默认使用过去30分钟值，用以预测未来某段时间的价格走势。

在实践中，需要预测未来某段时间的长度短些，因为随着时间流逝，获得的预测信号也会越来越被市场的无规则噪声淹没。与此同时，预测时间又不能设定太短，那样的话将不能有效地根据预测信号买进卖出。所以，依据实验，本申请认为对于30分钟的时间窗口，用窗口后5分钟作为预测点，是较为合理的。

简而言之，问题可以被描述为：假如用时间t-30到t的结束价曲线图作输入，想从时间t到t+5获取的利润p必须大于0，这里，p是基于时间t到t+5的结束价计算的。两种情形可以获利：1)操作是在时间t买进，而时间段t到t+5的结束价是上涨的；2)操作是在时间t卖出，而时间段t到t+5的结束价是下跌的。所有其他情形都无法获利。

第二步，建立卷积神经网络体系。按图1所示，在预处理阶段，先拍摄600x 800的各时间段价格曲线图图像，再按比例缩小成50x 30的缩微图像。然后，将图像从四通道(RGBA)转换为单通道(灰度级)。为了防止特征标示的不一致，本实施例采用自然语言处理的嵌入操作，将稀疏序列特征改变为较密实的标示。输入多标度层的最终特征向量就是50×50。

在卷积神经网络层中，用推拉窗和修正线性单元(ReLU)来处理卷积神经网络，提取局部语境：

l_i＝ReLU(w·x_i：i+f-1+b) (1)

这里，x_i是特征，w是维数，f是内核区间，b是偏置项，ReLU是激活函数。内核经过全输入特征向量，产生相应的输出特征图，L＝[l₁，l₂，...，l_n]，我们使用5个不同的内核尺寸，f＝3,5,7,9,11，产生5个不同的特征图L₁，L₂，L₃，L₄，L₅，将它们连接在一起，就形成局部语境图L_c＝concatenate(L₁，L₂，L₃，L₄，L₅)。

第三步，实施并行特征学习。如图1所示，将每分钟价格特征(结束价、开始价、最高价、最低价)计入L_c，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的最终输出。

由于价格特征和图形特征之间存在相关性，进行并行特征学习是有益的。事实上，该输出是二元分类的结果，外汇价格变动不是“上涨”便是“下跌”，l2范数则作为正则项被加入损失函数。使用l2损失函数来训练卷积网络，这在金融领域的回归问题上是标配。必须注意，损失函数不像输入窗口的长度，其选择并非是可调整的超参数。这是因为不同的损失函数完全是不同的问题，而不仅仅是同一问题的不同解答。不同的损失函数对应于不同的对预测不快或不满的念头。

损失函数可以用方程表达如下：

这里，分别是外汇价格变动预测基于图像特征和价格特征的损失函数。Si和ai分别是对应于真实数据标签和的预测概率。θ是权重向量，N是剩余个数。

第四步，调整超参数。在实施本专利时，如果想要减少损失，必须首先调整优化参数。调整范围包括开始学习率、学习率更新方案和参数、求解器类型如随机梯度下降(SGD)等。本实施例用动量SGD，从10,000次训练迭代开始。几番调整之后，决定设α＝0.2为起始点，每2,000迭代减少因子γ＝0.5。此外，动量项设为0.9。训练结果和验证损失见图3，可以看到，卷积神经网络训练结果和本申请之前的设定几乎是最优的。训练和验证损失的评分用输出层计算，该输出层带有softmax激活功能，并附有训练数据的叉熵，神经网络在那里学会将训练误差减到最小。验证评分被定义为检测数据的准确率。显然，在本申请中，准确率意味着外汇价格的变动预测是匹配实际外汇价格的变动的。

本申请的实验使用了取自Google Finance的两对主要货币EUR/USD和GBP/USD的数据，定义预测有“上涨”和“下跌”两个结果。“上涨”意味着该对货币的比价5分钟后将会上升，“下跌”则意味着该对货币的比价5分钟后将会降低。实验抽取的时间段是从2016年5月1日到2016年7月29日共3,000个30分钟曲线图。

由于存在着其他一些在实际交易中不考虑的因素，如系统超时、交易费等，所以，如果变化小于5pips，例如，EUR/USD的价格从1.3132下跌到1.3130，本申请在准确率计算时将忽略这一检测样本，因为在现实中它是无效的交易。Pips是外汇市场中货币比价变化的量度单位，即最小精确的小数点后第四位。

关于评估指标，本实施例确定两个指标：预测准确率和净利润。预测准确率的计算公式如下：准确率＝NC/NC+NW，这里，NC是预测正确的次数，NW是预测错误的次数。净利润的计算很简单，用总收入减总支出即可。本申请在实验中不考虑其他成本如交易费等。此外，本发明在预测阶段亦可以秒为单位来完成，在此不赘述。

由于局部语境的特征图可以分别输入两个完全连接的隐藏层中，本实验使用带价格特征的图像特征和不带价格特征的图像特征来评估本发明。由于预测仅分两类，如果随机抽取图像，预测准确率应该是50％。所以，本实验也利用一个模拟器来随机产生结果，再应用那些结果作为基线，计算预测准确率和获取利润。在总共3,000个30分钟曲线图中，本实验取80/20的比例，用2,400点作训练数据，600点作测试数据。训练数据和测试数据的规模在每个月是相等的。

预测准确率的比较：首先比较EUR/USD和GBP/USD的预测准确率，如图4、图5所示，其中黑色柱状表示结合价格特征和图像特征的预测准确率，白色表示不结合价格特征只使用图像特征的预测准确率。从图4可见，无论是带价格特征的图像预测，还是不带价格特征的图像预测，其准确率都远高于0.5的基准线。更令人印象深刻的是，结合图像特征和价格特征的预测方法，准确率比只使用图像特征的方法高大约10％，比基准线方法高几乎70％。即使只使用图像特征的方法，也比基准线方法至少高50％。

相似的结果也可在表示GBP/USD的图5中见到。GBP/USD的预测准确率比EUR/USD低些，或许是因为6月份的英国脱欧事件影响，我们发现，6月份的预测误差高于5月和7月。这种大事件是非常罕见的，任何预测模型都难以预测，幸运的是，结果仍然可以接受。

这个实验证明，即使只使用图像特征，本申请的卷积神经网络体系也相当有用，如果结合价格特征，能得到更高的预测准确率。

获取利润的比较在外汇交易预测中，许多人，包括著名的投资基金，都将注意力更多集中在获取利润而不是预测准确率上。这里比较一下图6、图7所示的EUR/USD和GBP/USD的获取利润，其中黑色柱状表示结合价格特征和图像特征的获取利润，白色表示不结合价格特征只使用图像特征的获取利润，灰色的代表随机取样。图中的数字是pips点值，例如，假设EUR/USD价格从1.3558上升到1.3608，预测是“上涨”，那么，利润就是50pips。从两组数字可看出，结合了图像特征和价格特征的预测方法，在选定的时段内，在获取利润项上表现良好，3个月盈利将近700pips。

实验也表明，该系统可以成功地将风险降到最低。例如，由于英国脱欧事件的影响，随机抽取基线法在GBP/USD交易中亏损了，但本申请的预测系统如图7所示仍然可以盈利。结果表明，当某种不可预测的事件发生时，本发明能像人类交易员那样，自动调节预测模型。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于多标度卷积神经网络的外汇交易预测模型，其特征在于，包括以下步骤：

2.根据权利要求1所述的预测模型，其特征在于，还包括调整优化参数。

3.根据权利要求2所述的预测模型，其特征在于，所述的调整优化参数的调整范围包括开始学习率、学习率更新方案和参数、求解器类型。

4.根据权利要求1所述的预测模型，其特征在于，所述的数据处理步骤中是获取每对货币每分钟的结束价、开始价、最高价和最低价,用结束价来绘制价格曲线图。

5.根据权利要求1所述的预测模型，其特征在于，所述的数据处理步骤中获取过去30分钟相关数值，用以预测未来5分钟的价格走势。

6.根据权利要求1所述的预测模型，其特征在于，所述的建立卷积神经网络体系的预处理步骤中采用自然语言处理嵌入操作，在前馈神经网络层将稀疏序列特征改变为较密实的标示。