論文實作：利用CNN神經網路來交易

參考論文:論文的連結簡單介紹一下這篇論文是用來交易ETF,利用cnn神經網路去預測買點跟賣點由於CNN吃的是圖片輸入更精確來說是一個二維矩陣輸入因此論文作者將ETF的開高低收去計算出15種技術指標乘上15天剛好就可以作成15X15的矩陣(當作圖片)餵給CNN模型當作輸入還用了一種叫(The Triple-Barrier Method)的技術製作Label因此就可以進行CNN MODEL的監督式學習,讓模型根據輸入輸出作學習預測買賣點這篇論文作者表示效果很好,甚至優於一些LSTM BASE的方法本身是一個熱血的實作派AI工程師就把它實作出來並用在台灣加權指數上首先我們需要資料:再來我們需要製作Label根據開高低收和時間就可以製作出Label再來我們要計算各種不同的技術指標共15種首先算RSI再來把剩下14種都算好作個簡單的相關性矩陣分析作個特徵尺度縮放處理幫助模型學習更容易來看看作出來的圖片其中0,1,2分別對應HOLD,BUY,SELLㄐㄧ論文的連結

簡單介紹一下這篇論文是用來交易ETF,利用cnn神經網路去預測買點跟賣點

由於CNN吃的是圖片輸入更精確來說是一個二維矩陣輸入

因此論文作者將ETF的開高低收去計算出15種技術指標乘上15天

剛好就可以作成15X15的矩陣(當作圖片)餵給CNN模型當作輸入

還用了一種叫(The Triple-Barrier Method)的技術製作Label

因此就可以進行CNN MODEL的監督式學習,讓模型根據輸入輸出作學習

預測買賣點這篇論文作者表示效果很好,甚至優於一些LSTM BASE的方法

本身是一個熱血的實作派AI工程師就把它實作出來並用在台灣加權指數上

首先我們需要資料:

再來我們需要製作Label根據開高低收和時間就可以製作出Label

再來我們要計算各種不同的技術指標共15種首先算RSI

再來把剩下14種都算好

作個簡單的相關性矩陣分析

作個特徵尺度縮放處理幫助模型學習更容易

來看看作出來的圖片

其中0,1,2分別對應HOLD,BUY,SELL

上面是訓練過程,正常畢竟股票不是物理模型要讓validation跟train一樣高不實際

大約7成即可

接著我有刻意保留最後40天的數據當作最後的測試集

測試這個模型

在高點模型出現黑點(賣的訊號)比較多,在低點模型出現紅箭頭比較多(買的訊號)

可以看的出來模型確實學到低買高賣

製作一個買賣點TABLE

算一下交易勝率

進一步計算盈虧比

先做一個t list 放-1,0,1 對應 作空 作多 不動作

根據盈虧比公式計算

看起來是可以的,不過台股其實是淺碟型市場

※淺碟型市場 淺碟→顧名思義是形容台灣的市場整體就像一個【很淺的碟子裝滿了水】 這個碟子只要風吹草動，都很容易造成裡面的水溢出來!! 也就是形容台灣的市場規模因為很小，消費、投資行為也深受國際影響，外貿仰賴度高，GDP小，所以只要有任何的政治因素、國際消息甚至是一些特別的因素就會造成台股的漲跌波動劇烈。

因此常常被政治新聞干涉,光是靠技術指標跟數學就想稱霸台股其實還是有難度的

此篇大概只能做為參考,實際交易還考慮外資動向,國際新聞,台灣政治新聞等