前言
近几年，深度学习算法在计算机视觉领域有着出色表现。我们也经常好奇，在量化投资领域，我们是否能够使用图像识别技术预测股价。要解决这个问题，首先要回答以下两个问题：
- 如何将股价序列转换为计算机图片？（X）
- 如何定义预测的目标？（Y）
以上两个问题，本质上就是如何定义训练样本及训练目标的问题。这是每个机器学习任务都会遇到的问题。对于这两个问题，很多人直观的回答就是：如果是图像识别的模式，是不是直接输入股价K线图，预测未来一段时间的涨跌就可以了。这种端到端的方式，大概率是不会有非常好的效果的。
今天分享的这篇文章，来自IEEE。本文从以下几个方面解答了以上两个问题：首先，通过Market Profile将股价序列转换为灰度的图像，然后定义预测的目标为趋势的反转。最后，使用CNN模型，预测未来是否会发生趋势反转。
Market Profile
市场轮廓指标，国内也称为四度空间指标。与传统的K线图相比，更能直观的展示当前市场的价格分布。假设，我们把一天时间分为5个时间段，以ABCDE五个字母表示。每个时间段都有高开低收的价格，我们只使用最高价和最低价，然后把对应的时间段（字母表示）标注在该时间段对应的价格区间。如下图Day1，A时间段最高价为3130，最低价为3100，那就在3130至3100的对应位置标上A；然后，B时间段最高价为3120，最低价为3090，那就在3120至3090的对应位置标上B；以此类推。
Market Profile到灰度图像
上述转换得到的Market Profile还不能直接作为CNN的输入，必须再转换成图像。在上述示例中，使用了日内的行情数据（把一天分成了5个时间段）。但在实证的模型中，作者只使用的日度的K线价格数据。作者使用了过去25天的价格数据，那么针对这25天的价格数据，转换为Market Profile就有多种方法。作者采用了以下几种作为对比：
- 把所有25天的K线数据转换为Market Profile
- 把25天，以5天周期分成5段，每一个5天转换为Market Profile
然后，又可以根据不同日期用不同的颜色表示，最终可以有以下几种定义样本数据的方式（具体参考以下图9和图10）：
- EGA，基于所有25天生成Market Profile，每个日期用不同的颜色表示。
- EGB，基于5天一个时间段生成5个Market Profile，所有日期用相同颜色表示。
- EGC，基于5天一个时间段生成5个Market Profile，每个时间段用相同颜色表示，时间段之间颜色不一样。
- EGC，基于5天一个时间段生成5个Market Profile，每个时间段的第N天用一种颜色，比如所有时间段中的第1天为一个颜色。
作者使用标普500mini期货，过去20年的数据，并采用1日窗口，按下图所示，滚动将K线数据转为图像数据。
数据标注
上述个步骤，如何将K线转换为图像，解决了第一个问题。对于预测目标，也就是趋势反转，作者采用了以下定义，其中c表示收盘价，如果t-5日收盘价大于t-10日收盘价、t日收盘价大于t-5日收盘价且t 5日收盘价小于t日收盘价，侧为上升趋势反转；如果t-5日收盘价小于t-10日收盘价、t日收盘价小于t-5日收盘价且t 5日收盘价大于t日收盘价，侧为下降趋势反转。
模型结构
文中采用CNN模型，对输入的图像做训练与预测，具体模型结构如下：
实证结果
文中首先给出了模型的结果，如下表2表3所示。然后还给出了应用到具体交易策略中的测试结果，如表4表5所示。在其中表4为2%止损的结果，表5为5%止损的结果。具体交易策略逻辑如下：
- t日，当模型预测趋势下降反转时（预测0），买入，并计划t 5日后卖出：
- 期间如果触发止损，则卖出；
- 如果下一日还是预测0，则在t 6日后卖出；
- 如果下一日预测为1，则还是在t 5日卖出；
- 如果下一日预测为2，则卖出。
- t日，当模型预测趋势上升反转时（预测1），卖出，并计划t 5日后买入：
- 期间如果触发止损，则买入；
- 如果下一日还是预测1，则在t 6日后买入；
- 如果下一日预测为0，则还是在t 5日买入；
- 如果下一日预测为2，则买入。
如图14所示，在所有对比中，EGC获得了最高的平均单笔收益，2%止损的情况下，其年化收益率为50.5%，盈亏比为1.74。
总结
本文最大的创新是利用Market Profile将原本的时间序列预测问题，转换为图像识别的问题。这样就可以使用CNN进行趋势反转的预测。关于其他细节，请参考原文：
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9693504
