本发明专利技术涉及一种基于多标度卷积神经网络的外汇交易预测模型，包括以下步骤：第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。该系统不仅能快速止损，实现最优化操作，还能克服过拟合问题，避免人为操作的局限和失误。
【技术实现步骤摘要】
本专利技术涉及金融领域，尤其涉及一种基于多标度卷积神经网络的外汇交易预测模型。
技术介绍
卷积神经网络(ConvolutionalNeuralNetworks，CNNs)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternatingconvolutionallayer)和池层(poolinglayer)。卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显性的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，避免了特征提取和分类过程中数据重建的复杂度。当今，卷积神经网络(CNNs)为计算机视觉领域带来了一场革命，而机器学习在各项应用如外汇交易中展示了其良好的表现。在外汇交易中，常用的预测方法是直接按专家意见进行操作。但由于专家各自年龄、经历、经验及预测方式方法的不同，他们的操作建议往往带有一定的局限性。此外，专家预测的通常是半小时后到一两天内的外汇走势，对于一些突发事件的影响，反应往往不够及时，容易导致操作失误，造成巨大亏损。
技术实现思路
鉴于卷积神经网络(CNNs)在图像加工上的优势，本申请提出一种方法，构建一个新的多标度卷积神经网络预测系统，处理外汇交易中各种各样的图表特征，从过去一段时间的价格波动图及其他特征，预测外汇价格的走向。一种基于多标度卷积神经网络的外汇交易预测模型，包括以下步骤：第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。为了减少损失，还可以对基于多标度卷积神经网络的外汇交易预测模型参数进行调整优化。所述的调整优化参数的调整范围包括开始学习率、学习率更新方案和参数、求解器类型。一种以卷积神经网络为基础，可进行并行特征学习的外汇交易多标度预测新系统。该系统通过训练学习，能有效识别各种各样的图形，敏锐地发现外汇交易中价格微小的变化，从而及时提出操作建议。它不仅能快速止损，实现最优化操作，还能克服过拟合问题，避免人为操作的局限和失误。这意味着，系统的专家库(池层)在面对各种规模的序列组合时，都能得心应手。附图说明图1基于卷积神经网络的外汇预测架构；图2输入卷积神经网络的价格曲线图示例；图3用SGD计算的训练和验证损失；图4EUR/USD的预测准确率比较；图5GBP/USD的预测准确率比较；图6EUR/USD的获取利润(pips)比较；图7GBP/USD的获取利润(pips)比较。具体实施方式下面结合具体实施例对本专利技术进行详细的说明。第一步，数据处理，即将外汇交易实时价格数据转换为图像，即获取到如图1所示的原始的RGBA图。本实施例我们可以从GoogleFinance获取每对货币每分钟的结束价、开始价、最高价和最低价,用结束价来绘制如图2的价格曲线图。选择过去多长一段时间的实时数据，是建立卷积神经网络必须调整的超参数之一。本实施例默认使用过去30分钟值，用以预测未来某段时间的价格走势。在实践中，需要预测未来某段时间的长度短些，因为随着时间流逝，获得的预测信号也会越来越被市场的无规则噪声淹没。与此同时，预测时间又不能设定太短，那样的话将不能有效地根据预测信号买进卖出。所以，依据实验，本申请认为对于30分钟的时间窗口，用窗口后5分钟作为预测点，是较为合理的。简而言之，问题可以被描述为：假如用时间t-30到t的结束价曲线图作输入，想从时间t到t+5获取的利润p必须大于0，这里，p是基于时间t到t+5的结束价计算的。两种情形可以获利：1)操作是在时间t买进，而时间段t到t+5的结束价是上涨的；2)操作是在时间t卖出，而时间段t到t+5的结束价是下跌的。所有其他情形都无法获利。第二步，建立卷积神经网络体系。按图1所示，在预处理阶段，先拍摄600x800的各时间段价格曲线图图像，再按比例缩小成50x30的缩微图像。然后，将图像从四通道(RGBA)转换为单通道(灰度级)。为了防止特征标示的不一致，本实施例采用自然语言处理的嵌入操作，将稀疏序列特征改变为较密实的标示。输入多标度层的最终特征向量就是50×50。在卷积神经网络层中，用推拉窗和修正线性单元(ReLU)来处理卷积神经网络，提取局部语境：li＝ReLU(w·xi：i+f-1+b)(1)这里，xi是特征，w是维数，f是内核区间，b是偏置项，ReLU是激活函数。内核经过全输入特征向量，产生相应的输出特征图，L＝[l1，l2，...，ln]，我们使用5个不同的内核尺寸，f＝3,5,7,9,11，产生5个不同的特征图L1，L2，L3，L4，L5，将它们连接在一起，就形成局部语境图Lc＝concatenate(L1，L2，L3，L4，L5)。第三步，实施并行特征学习。如图1所示，将每分钟价格特征(结束价、开始价、最高价、最低价)计入Lc，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的最终输出。由于价格特征和图形特征之间存在相关性，进行并行特征学习是有益的。事实上，该输出是二元分类的结果，外汇价格变动不是“上涨”便是“下跌”，l2范数则作为正则项被加入损失函数。使用l2损失函数来训练卷积网络，这在金融领域的回归问题上是标配。必须注意，损失函数不像输入窗口的长度，其选择并非是可调整的超参数。这是因为不同的损失函数完全是不同的问题，而不仅仅是同一问题的不同解答。不同的损失函数对应于不同的对预测不快或不满的念头。损失函数可以用方程表达如下：这里，分别是外汇价格变动预测基于图像特征和价格特征的损失函数。Si和ai分别是对应于真实数据标签和的预测概率。θ是权重向量，N是剩余个数。第四步，调整超参数。在实施本专利时，如果想要减少损失，必须首先调整优化参数。调整范围包括开始学习率、学习率更新方案和参数、求解器类型如随机梯度下降(SGD)等。本实施例用动量SGD，从10,000次训练迭代开始。几番调整之后，决定设α＝0.2为起始点，每2,000迭代减少因子γ＝0.5。此外，动量项设为0.9。训练结果和验证损失见图3，可以看到，卷积神经网络训练结果和本申请之前的设定几乎是最优的。训练和验证损失的评分用输出层计算，该输出层带有softmax激活功能，并附有训练数据的叉熵，神经网络在那里学会将训练误差减到最小。验证评分被定义为检测数据的准确率。显然，在本申请中，准确率意味着外汇价格的变本文档来自技高网...
【技术保护点】
一种基于多标度卷积神经网络的外汇交易预测模型，其特征在于，包括以下步骤：第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。
【技术特征摘要】
1.一种基于多标度卷积神经网络的外汇交易预测模型，其特征在于，包括以下步骤：第一步，数据处理：将外汇交易实时价格数据转换为价格曲线图像；第二步，建立卷积神经网络体系：该步骤包括预处理步骤，即拍摄各时间段价格曲线图，并将曲线图图像转换成灰度图，结合嵌入特征得到预处理特征；还包括用推拉窗和修正线性单元处理卷积神经网络，提取局部语境，通过内核处理局部语境集合，并对其进行连接得到局部语境图；第三步，实施并行特征学习：将价格特征计入局部语境图，作为两个共享的完全连接的隐藏层的输入，进行并行特征学习，产生外汇价格变动预测的输出。2.根据权利要求1所述的预测模型，其特征在于，还...
【专利技术属性】
技术研发人员：朱佳，武兴成，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。