基于nsst图像融合代码_从金融时序到图像识别：基于深度CNN的股票量化策略（附代码）...

标星★置顶公众号     爱你们♥   

作者：Nayak     编译：1+1=6

0

前言

本文基于一篇题为《Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach》的研究论文：

获取论文，见文末

我们从该论文中借用了作者的一些核心思想，同时又做了部分改进。

获取相关代码，见文末

1

论文说了什么?

在这一节中，我们将解释论文中提出的观点：

在你的交易数据中计算15个技术指标，每天有15个不同的周期长度。然后将225(15*15)个新特征转换成15*15个图像。根据文中提供的算法，将数据标记为买入/卖出/持有。然后像处理其他图像分类问题一样训练一个卷积神经网络分类器。

图片来自：论文

我们用简单移动平均线(SMA)来解释技术指标和周期的概念：

6天滚动

现在数据集的每一行都有15个新特征。如果将这些数字重新组合成一个15x15的数组，就得到了一个图像！但是有一件事要记住。在构建这些图像时，应保持相关技术指标在空间上的密切性。你要知道，当训练人脸识别时，如果一幅画的鼻子下面有一只眼睛，你肯定不会给它打上人脸的标签。

1、打标签

作者使用了以下算法：

图片来自：论文

利用11天窗口的收盘价。如果窗口内的中间数字最大，则将最后一天(第11天)标记为“卖出”，如果中间数字最小，则将最后一天标记为“买入”，否则标记为“持有”。像前面解释的那样滚动窗口并重复。这个想法是在谷底买入，在任何一个11天窗口的顶点卖出。

2、训练

作者使用了滚动窗口进行训练。假设我们的历史数据是从2000年到2019年，用5年的数据进行训练，然后对1年的数据进行测试，那么就从数据集中提取2000 - 2004年的数据用于训练，用2005年的数据进行测试。根据这