比较两个卷积神经网络预测未来五天涨跌的效果
我测试了 CNN 能否根据一张 20 天的价格和成交量图,预测之后五天的涨跌方向。输入是一张 64×60 的灰度图。实验沿用了 Jiang、Kelly 和 Xiu(2023)论文 "(Re-)Imag(in)ing Price Trends" 里基于图像的方法。
用 2000–2015 年的数据训练,2016–2017 年做验证,在 2018–2019 年的 137,118 张图上测试。
基准模型有三个卷积层。第二个模型再加一层,并加入批归一化和 LeakyReLU。两个模型都预测之后五个交易日的收益是否为正。
像素值缩放到 [0, 1]。训练用 Adam 优化器、二元交叉熵损失,并根据验证损失提前停止。
基准模型的测试准确率是 51.91%,更深的模型是 51.68%。在这个实验里,多加的层没有提升准确率。
基准模型的 F1 更高(0.61 对 0.53),但它预测“涨”的次数多得多;更深的模型预测更均衡。所以除了准确率,我还比较了混淆矩阵和预测分布。
调整学习率和 dropout,结果都差不多,在 51.5–51.9% 之间。这些实验既不能证明存在盈利的交易策略,也不能说明走势图的预测能力就到此为止。