前言
近幾年，深度學習算法在計算機視覺領域有着出色表現。我們也經常好奇，在量化投資領域，我們是否能夠使用圖像識别技術預測股價。要解決這個問題，首先要回答以下兩個問題：
- 如何将股價序列轉換為計算機圖檔？（X）
- 如何定義預測的目标？（Y）
以上兩個問題，本質上就是如何定義訓練樣本及訓練目标的問題。這是每個機器學習任務都會遇到的問題。對于這兩個問題，很多人直覺的回答就是：如果是圖像識别的模式，是不是直接輸入股價K線圖，預測未來一段時間的漲跌就可以了。這種端到端的方式，大機率是不會有非常好的效果的。
今天分享的這篇文章，來自IEEE。本文從以下幾個方面解答了以上兩個問題：首先，通過Market Profile将股價序列轉換為灰階的圖像，然後定義預測的目标為趨勢的反轉。最後，使用CNN模型，預測未來是否會發生趨勢反轉。
Market Profile
市場輪廓名額，國内也稱為四度空間名額。與傳統的K線圖相比，更能直覺的展示目前市場的價格分布。假設，我們把一天時間分為5個時間段，以ABCDE五個字母表示。每個時間段都有高開低收的價格，我們隻使用最高價和最低價，然後把對應的時間段（字母表示）标注在該時間段對應的價格區間。如下圖Day1，A時間段最高價為3130，最低價為3100，那就在3130至3100的對應位置标上A；然後，B時間段最高價為3120，最低價為3090，那就在3120至3090的對應位置标上B；以此類推。
Market Profile到灰階圖像
上述轉換得到的Market Profile還不能直接作為CNN的輸入，必須再轉換成圖像。在上述示例中，使用了日内的行情資料（把一天分成了5個時間段）。但在實證的模型中，作者隻使用的日度的K線價格資料。作者使用了過去25天的價格資料，那麼針對這25天的價格資料，轉換為Market Profile就有多種方法。作者采用了以下幾種作為對比：
- 把所有25天的K線資料轉換為Market Profile
- 把25天，以5天周期分成5段，每一個5天轉換為Market Profile
然後，又可以根據不同日期用不同的顔色表示，最終可以有以下幾種定義樣本資料的方式（具體參考以下圖9和圖10）：
- EGA，基于所有25天生成Market Profile，每個日期用不同的顔色表示。
- EGB，基于5天一個時間段生成5個Market Profile，所有日期用相同顔色表示。
- EGC，基于5天一個時間段生成5個Market Profile，每個時間段用相同顔色表示，時間段之間顔色不一樣。
- EGC，基于5天一個時間段生成5個Market Profile，每個時間段的第N天用一種顔色，比如所有時間段中的第1天為一個顔色。
作者使用标普500mini期貨，過去20年的資料，并采用1日視窗，按下圖所示，滾動将K線資料轉為圖像資料。
資料标注
上述個步驟，如何将K線轉換為圖像，解決了第一個問題。對于預測目标，也就是趨勢反轉，作者采用了以下定義，其中c表示收盤價，如果t-5日收盤價大于t-10日收盤價、t日收盤價大于t-5日收盤價且t+5日收盤價小于t日收盤價，側為上升趨勢反轉；如果t-5日收盤價小于t-10日收盤價、t日收盤價小于t-5日收盤價且t+5日收盤價大于t日收盤價，側為下降趨勢反轉。
模型結構
文中采用CNN模型，對輸入的圖像做訓練與預測，具體模型結構如下：
實證結果
文中首先給出了模型的結果，如下表2表3所示。然後還給出了應用到具體交易政策中的測試結果，如表4表5所示。在其中表4為2%止損的結果，表5為5%止損的結果。具體交易政策邏輯如下：
- t日，當模型預測趨勢下降反轉時（預測0），買入，并計劃t+5日後賣出：
- 期間如果觸發止損，則賣出；
- 如果下一日還是預測0，則在t+6日後賣出；
- 如果下一日預測為1，則還是在t+5日賣出；
- 如果下一日預測為2，則賣出。
- t日，當模型預測趨勢上升反轉時（預測1），賣出，并計劃t+5日後買入：
- 期間如果觸發止損，則買入；
- 如果下一日還是預測1，則在t+6日後買入；
- 如果下一日預測為0，則還是在t+5日買入；
- 如果下一日預測為2，則買入。
如圖14所示，在所有對比中，EGC獲得了最高的平均單筆收益，2%止損的情況下，其年化收益率為50.5%，盈虧比為1.74。
總結
本文最大的創新是利用Market Profile将原本的時間序列預測問題，轉換為圖像識别的問題。這樣就可以使用CNN進行趨勢反轉的預測。關于其他細節，請參考原文：
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9693504