python将图像转换为矩阵_解读：将金融时间序列转换为2D图像来构建交易系统

写在前面

下面这篇文章的内容主要参考2018年发表在《Applied Soft Computing》上的一篇论文：《Algorithmic financial trading with deep convolutional neural networks Time series to image conversion approach》。这篇论文将金融时间序列数据以及金融指标转换为2D图像，并结合CNN建立了一个交易系统，并利用Dow Jones和ETF价格数据从分类效果、金融指标的角度进行了实验验证，并与常见的几种交易策略以及深度学习模型进行了对比，实验证明提出的方法具有更好的效果和鲁棒性。论文的pdf可在文末进行获取。

1摘要以及背景介绍在文献中，深度学习方法已经开始出现在很多金融研究中。深度学习技术的一些应用，如递归神经网络(RNN)、卷积神经网络(CNN)和长短时记忆(LSTM)。其中，CNN是目前最常用的深度学习方法。同时，文献中大部分CNN的实现都是为了解决计算机视觉和图像分析的挑战而选择的，而CNN在金融预测模型中的应用非常有限。在深度学习之前，多以机器学习算法来进行时序分析，如一些聚类算法、隐马尔可夫、支持向量机等。

隐马尔可夫模型

支持向量机模型而在这篇论文的研究中，作者提出一种新颖的方法，将一维金融时间序列转换成二维图像的数据表示，以便能够利用深度卷积神经网络的力量来实现算法交易系统。为了得到这样的图像表示，文中采用了15个不同的技术指标(如RSI、SMA等)，其中，每个技术指标具有不同的参数设置，每个参数设置的时间跨度为15天，用来表示图像每个列中的值。同样，x轴由每一行每一特定技术指标的15天数据时间序列组成。2模型结构

整个模型的结构分为了五个部分，整体的结构如下图所示：