2-D Cnn for time series trend prediction

Abstract

Recentemente, Redes Neurais Artificiais (RNAs) têm sido desenvolvidas e aplicadas á pre visão e classificação de séries temporais devido á sua capacidade de modelação não linear. Redes Neurais Convolucionais ( CNNs do inglês Convolutional Neural Networks), um tipo de rede neural habitualmente usada para classificação de imagens, ganharam recentemente popularidade nos mercados financeiros. Em Gudeleke, Boluk e Ozbayoglu (2017), os autores apresentam um método para prever a tendência dos preços de fecho de fundos de investimento usando uma CNN bidimensional. Os autores usaram dados de dezassete fundos de investimento distintos (Financial Select Sector SPDR ETF, Utilities Select Sector SPDR ETF, Industrial Select Sector SPDR ETF, SPDR S&P 500 ETF, Consumer Staples Select Sector SPDR ETF, iShares MSCI Germany ETF, Materials Select Sector SPDR ETF, Technology Select Sector SPDR ETF, Health Care Select Sector SPDR ETF, iShares MSCI Hong Kong ETF, iShares MSCI Canada ETF, Consumer Discret Sel Sect SPDR ETF, iShares MSCI Mexico Capped ETF, SPDR Dow Jones Industrial Average ETF, Energy Select Sector SPDR ETF, iShares MSCI Australia ETF and iShares MSCI Japan ETF) para criar imagens de (28 × 28) pixeis em nível de cinza. Estas imagens contêm 28 dias de negociação e 28 séries temporais correspondentes ao preço de fecho, volume e alguns indicadores técnicos calculados para diferentes períodos. Essas imagens são então usadas para alimentadar uma CNN bidimensional que retorna a tendência do preço de fecho do dia seguinte. Neste trabalho, um primeiro modelo foi desenvolvido a fim de reproduzir os resultados obtidos em Gudeleke, Boluk e Ozbayoglu (2017). A exatidão de 58% foi alcançada para o modelo de classificação binário, significativamente inferior ao valor de referência de 78%. Por outro lado, o nosso modelo de classificação multinomial apresentou uma melhor performance com uma exatidão de 69% em comparação com o valor de referência de 63%. Um estudo secundário tentou melhorar o desempenho dos modelos alterando a aquitetura das CNNs. Ao remover a camada de agrupamento da CNN, foram alcançados melhores resul tados em ambas as classificações binária e multinomial. No caso do modelo de classificação binária, foi observado um aumento de 6% na exatidão ( correspondente a uma exatidão de 64%). Considerando o modelo classificação multinomial, não foi identificada uma melhoria na exatidão, no entando foram observadas melhorias na precisão e na revocação para as classes de compra e venda. Ao aumentar o tamanho das imagens geradas a partir dos dados de entrada, foi observado um aumento de 5% na exatidão ( correspondente a uma exatidão de 69%) parao modelo de classificação binária. Por outro lado, ao passarmos para um modelo de previsão da tendência dos retornos semanais, um aumento de 6% na exatidão ( correspondente a uma exatidão de 75%) foi observado para o modelo de classificação binária. Já no caso do modelo de classificação multinomial, foi observada uma diminuição de 4% na exatidão ( correspondente a uma exatidão de 65%). Para além disso, valores de precisão significativamente superiores foram obtidos para duas das três classes. Finalmente, foi desenvolvido um modelo para prever a tendência dos retornos mensais. Para tal, mais uma vez, foi necessário aumentar o tamanho das imagens geradas a partir dos dados de entrada. Um aumento de 15% na exatidão ( correspondente a uma exatidão de 90%) foi observado No caso do modelo de classificação binária. Já em relação ao modelo de classificação multinomial, um aumento de exatidão de 16% foi alcançado ( correspondente a uma exatidão de 81%) juntamente com um aumento na precisão e revocação para as classes de compra e venda.

Convolution Neural Networks have recently gain popularity as time series forecasting and classification models due to their ability of non-linear modeling. In this work a classification model for predicting the trend of ETFs closing prices using a 2-D CNN was developed. The 2-D CNN was trained with labelled images generated out of the ETFs financial data. Our model were able to predict the next day, week and month price movements with 69%, 75% and 90% accuracy, respectively.