全部版块 我的主页
论坛 经济学人 二区 外文文献专区
603 12
2022-06-24
英文标题:
《Trading via Image Classification》
---
作者:
Naftali Cohen, Tucker Balch, and Manuela Veloso
---
最新提交年份:
2020
---
英文摘要:
  The art of systematic financial trading evolved with an array of approaches, ranging from simple strategies to complex algorithms all relying, primary, on aspects of time-series analysis. Recently, after visiting the trading floor of a leading financial institution, we noticed that traders always execute their trade orders while observing images of financial time-series on their screens. In this work, we built upon the success in image recognition and examine the value in transforming the traditional time-series analysis to that of image classification. We create a large sample of financial time-series images encoded as candlestick (Box and Whisker) charts and label the samples following three algebraically-defined binary trade strategies. Using the images, we train over a dozen machine-learning classification models and find that the algorithms are very efficient in recovering the complicated, multiscale label-generating rules when the data is represented visually. We suggest that the transformation of continuous numeric time-series classification problem to a vision problem is useful for recovering signals typical of technical analysis.
---
中文摘要:
系统金融交易的艺术随着一系列方法的发展而演变,从简单的策略到复杂的算法,所有这些都主要依赖于时间序列分析的各个方面。最近,在参观了一家领先金融机构的交易大厅后,我们注意到,交易员总是在屏幕上观察金融时间序列图像的同时执行交易订单。在这项工作中,我们以图像识别的成功为基础,研究了将传统的时间序列分析转换为图像分类的价值。我们创建了一个大样本的金融时间序列图像,这些图像编码为烛台(盒子和胡须)图,并按照三种代数定义的二进制交易策略标记样本。利用这些图像,我们训练了十几个机器学习分类模型,发现当数据以视觉方式表示时,这些算法在恢复复杂的多尺度标签生成规则方面非常有效。我们认为,将连续数字时间序列分类问题转化为视觉问题有助于恢复技术分析的典型信号。
---
分类信息:

一级分类:Computer Science        计算机科学
二级分类:Computer Vision and Pattern Recognition        计算机视觉与模式识别
分类描述:Covers image processing, computer vision, pattern recognition, and scene understanding. Roughly includes material in ACM Subject Classes I.2.10, I.4, and I.5.
涵盖图像处理、计算机视觉、模式识别和场景理解。大致包括ACM课程I.2.10、I.4和I.5中的材料。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Computational Finance        计算金融学
分类描述:Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法,包括蒙特卡罗,偏微分方程,格子和其他数值方法,并应用于金融建模
--
一级分类:Quantitative Finance        数量金融学
二级分类:Trading and Market Microstructure        交易与市场微观结构
分类描述:Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构,流动性,交易和拍卖设计,自动化交易,基于代理的建模和做市
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-24 11:03:01
通过图像分类进行交易Naftali Cohen*J、 P.Morgan AI ResearchNew York,NYnaftali。cohen@jpmchase.comTucker巴尔奇。P、 摩根AI ResearchNew York,NYtucker。balch@jpmchase.comManuelaVelosoJ。P、 摩根AI ResearchNew York,NYmanuela。veloso@jpmchase.comABSTRACTapproaches,从简单的策略到复杂的算法,都主要依赖于时间序列分析的各个方面(例如,Murways在执行交易订单的同时观察财务。。2015; Zeiler和Fergus,2014年;Wang等人,2017年;Koch等人,2015年;LeCun等人,2015),并研究了将传统时间序列分析转换为图像分类的价值阳离子。我们创建了金融时间序列图像编码为candlethree代数dened二元贸易战略(Murphy,1999)。可视化表示数据时,复杂的多尺度标签生成规则。我们建议将连续数值时间序列的变换视觉问题的阳离子问题对于恢复技术分析的典型信号非常有用。关键词nance,图像,监督分类cationACM参考格式:Naftali Cohen、Tucker Balch和Manuela Veloso。2020年,通过ImageClassi进行交易阳离子。在2020年10月15日至16日于美国纽约举行的ACM金融业人工智能国际会议(ICAIF’20)上。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 11:03:04
ACM,美国纽约州纽约市,6页。https://doi.org/10.1145/3383455.34225441介绍交易者金融市场执行股票、共同基金、债券和期权等金融工具。他们在阅读新闻报道和接听电话的同时执行命令。同时,他们观察时间序列数据图表,这些图表显示了证券和领先市场的历史价值财务指数(见2015年。课堂使用是免费的,前提是不为专业人士制作或分发副本或commercial advantage,且副本上附有本通知和首页。必须尊重ACMM以外的其他人拥有的本作品组件的版权。允许信用提取。要以其他方式复制或重新发布、在服务器上发布或重新分发到列表,需要事先指定c许可和/或afee。从请求权限permissions@acm.org.ICAIF2020年10月15日至16日,美国纽约州纽约市(c)2020计算机械协会。ACM ISBN 978-1-4503-7584-9/20/10$15https://doi.org/10.1145/3383455.3422544buy或出售特定证券(Murphy,1999)。传统算法将时间序列数据处理为数字数据列表,旨在检测趋势、周期、相关性等模式(例如,De Prado,2018;Tsay,2005)。如果图案识别,则然后,分析员可以构建一个算法,该算法将使用检测到的模式(例如,Wilks,2011)来预测手头序列的预期未来值(即,使用指数平滑模型等进行预测)。他们的海图观测几乎是ects他们最先进的模型提供的建议(与J.P。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 11:03:08
摩根的金融专家杰森·亨特、约书亚·杨格对数字序列进行了Alixoperations。图1:专业交易员的典型工作站。信贷:光农业/Shutterstock。通用域名格式。代数de后的三个已知标签生成规则nedtrade。使用有监督的classi阳离子法(例如,Bishop,2006;.ICAIF\'20,2020年10月15-16日,美国纽约州纽约市,Cohen.,et al.labels)。2相关工作和主要贡献建议rst使用小波局部变换或傅立叶变换全局变换数据,然后比较变换空间中的变化模式(例如,Wilks,2011)。其他meth(如Bagnall等人,2017年)。计算机视觉算法对classi的威力阳离子(Park等人,《复发图的使用》(Souza等人,2014;Silva等人,2013;Hatami.on transforming将财务数据转换为图像,以对烛台模式进行分类(Tsai等人,2019年)。在本文中,我们仅考察图像对于识别技术分析中典型的贸易机会的价值。本文的主要研究成果如下:(1)研究了rst的贡献是将量子方法的不相关领域相互联系起来。(2) 第二个贡献是我们的理解,在实践中,只使用视觉表示(例如,交换用户直接从智能手机进行交易)。在这些平台中,用户仅根据视觉表示来决定和执行交易。因此,检查视觉表示作为模型输入的有用性是合理的。(3)视觉时间序列分类阳离子为eective并处理realdata。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 11:03:11
很大一部分ARI社交智能研究和/或作为预测工具。3数据和方法在其资本化覆盖绝大多数美国股票市场期间,为标准普尔500指数作出贡献的所有公司(例如,Berk等人,2013年)。图2:将连续时间序列转换为图像。交易是连续进行的(通常在交易时间内)。然而,我们使用离散形式的连续数据,只考虑每价格的起始值、最大值、最小值和结束值,而胡须标记低值和高值(即dailymin和max)。每个盒子的颜色显示了开盘价高于或低于当日收盘价;如果>而如果打开<关闭,则框为通过关注2019年2月19日和2019年2月28日的AAPL股票行情,以白色显示多头进程。左栏显示交易时间内1分钟的连续交易数据,右栏详细说明披露过程。请注意,左上角的时间序列经历了一个正趋势,结果显示为白色烛台,而左下角的时间序列数据经历了一个负趋势,结果显示为黑色烛台。我们比较了三个著名的二元指标(Murphy,1999),通过图像分类ICAIF交易,2020年10月15日至16日,美国纽约州纽约市ned如下:oBB交叉:给定时间序列的布林格带(BB)反映了股票的固有波动性,而过滤价格行动中的噪音。交易员使用价格带作为围绕价格趋势的贸易活动的界限(Murphy,1999)。因此,购买机会。这里,使用频带计算频带。图3显示了2018年AAPL股票的买入信号机会示例。在纯黑色中,可以看到移动平均线的上方和下方。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 11:03:14
BB crossingalgorithm表示,当价格线(黑色实线)越过下虚线上方时,会启动购买信号。在这个由红色三角形标记的图中,可以识别出八个这样的购买机会。图3:根据BollingerBands交叉规则标记时间序列数据MACD交叉:移动平均收敛-背离(MACD)是一种趋势跟踪动量指标,用于比较资产的短期和长期指数移动平均值(EMA)之间的关系(Colby和Meyers,1988)。日均线。当MACD下降到负值时,表示为正值,表示有上升势头。Tradersnal是dened在信号线穿过上方时触发。oRSI交叉:相对强弱指数(RSI)是一个振荡指标,总结了资产近期价格的大小。这在南希(例如,Colby和Meyers,增量增加到增量减少的EMA在0到100之间:它随着每日损失的数量和规模的增加而增加。交易员使用RSI作为另一个超买或超卖状态的指示。超买状态可能表示RSI=30的值。图3显示了三个正面标记的图像,对应于env的此时间序列的负面标记图像私奔活动,以同样的方式,持续数天,没有购买信号。还要注意的是,这些图像与贸易活动紧密相连,不包含标签,这是我们在本研究中应用的预处理过程。4结果监督分类根据BB、RSI和MACD算法标记的时间序列图像的阳离子预测。数据集是平衡的,从2010年到2017年底,每类perbuy触发器包含5000个样本。然后,为每个股票代码随机选择10个购买触发器,并创建相应的图像。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群