卷积神经网路在金融技术指标之应用.PDF

卷積神經網路在金融技術指標之應用 劉昭雨1 顏士淨2 摘要 —利用收集多支股票的歷史數據，試圖預測下一天的股票漲跌情況。本文的預 測主要是基於多支股票的歷史價格及依數據畫成的技術指標為基準。利用 卷積神經網路 進行分類預測，將輸出的結果設為漲、跌和持平，只使用日均線為特徵的情況下預測的 準確度可達４４％，若是再加上該天的收盤價的線圖為輸入則準確率可以上升至４９ ％。 關鍵詞 — 深度學習、卷積神經網路 、股票預測 1. 前言 深度學習中的卷積神經網路多被應用於做圖像的處理像是圖形識別或是棋盤辨識 等。在本文的項目中，選擇將 卷積神經網路拿來應用於股票的預測。 卷積神經網路在圖 形識別的分類上已經有很顯著的研究成果，因此本文將其拿來應用於股票的技術指標所 畫成的線圖上 。本文所追求的結果並不是明天股價精確的數值，而是預測明天股票的 相 對變化（即是價格上漲或是下跌），所以將這個項目定義為分類問題：給定一支股票的 歷史數據直到今天，模型將預測明天該支股票的價格是否會高於今天、低於今天又或是 持平。 我們發現在做 卷積神經網路時，單支股票的數據量實在是太少，無法讓其充分學習， 因此 將單支股票擴增為同類的股票並限定該公司的資本額至少在百億以上。在這限制下 選擇同類的１４支股票當成同 １支股票來使用，並收集其過往２０年的歷史數據(以日 為單位) ，共收集到７萬多筆的數據並以此訓練與測試。 2. 方法 本章節依次介紹使用深度學習的模型與預測股票所選擇的技術指標 1 國立東華大學資工系610421235@.tw 2 國立東華大學資工系sjyen@.tw 2.1 卷積神經網路 卷積神經網路(CNN)是近年發展起來並引起廣泛重視的一種高效率的識別方 法。現在CNN已經成為眾多科學領域的研究點之一，特別是在模式分類領域。由於 CNN避免了對圖像複雜的前期處理可以直接輸入原始圖像因而得到了更為廣泛的 應用。 CNN是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋範圍內的周圍 單元，對於大型圖像處理有出色的表現。同時 CNN也是一種 多層的神經網路，包含 Convolutional Layer 、Pool Layer 和Fully-Connected Layers 等。 CNN的優勢在於輸入圖像和神經網路的拓譜結構能很好的吻合，以及特徵提取 和模式分類可以同時進行並能同時在訓練中產生，還有權重共享可以減少神經網 路的訓練參數使神經網路的結構變得簡單 ，而且適應性更強。 2.2 技術指標 技術指標是指研究過去金融市場的資訊(主要是經由使用圖表)來預測價格的 趨勢與決定投資策略，純理論來說技術指標是建立在歷史會不斷重演的前提下， 並試圖藉由大量的統計資料來預測行情走勢。股票的技術指標有許多種，像是Ｋ 線、均線、乖離率等，考量到預測明天是種極短線預測的情況下，本文選擇了常 見的 均線。 移動平均線 (Move Average)簡稱均線，所謂的均線指的就是投資人平均買進 的成本。常見 均線有分日均線、周均線、年均線等 。均線值的計算是 ： 將N日的收盤價總和再除以 N得到的就是 N 天的均線值 本文選擇的技術指標是日均線，而日均線又分為 5日、 10日和 20日， 5日均 線代表的是過去 1周的情況， 10日則是 2周或稱半個月的情況，而 20日則是過去 1個月的情況。均線的糾結是股票族最重要的發動訊號。均線之所以會糾結代表短 中期的平均成本開始逐漸趨近，當短天期均線穿越長天期均線如 5日 均線向上穿 越10日均線那就代表近期買方主力強過賣方主力，價格開始會有所突破，所以可 以買。但如果相反短天期是向下穿越長天期的均線，則就代表這檔股票已經轉弱， 應該減碼或退出觀望。 3. 實驗與成果 實驗用的均線圖 大小為60X60個像素，採用的時間軸為 60 天。結果的分類上以收 盤價為基準若是明天的收盤價比今天高則判定為上漲，反之則視為跌，而持平的部分則 以兩個收盤價完全相等則視為持平。而資料的收集方面採用１４隻金融類股，每間公司 的資本額設定在百億以上，收集每