TWM561277U - 用於金融商品價格圖像處理之運算設備 - Google Patents
用於金融商品價格圖像處理之運算設備 Download PDFInfo
- Publication number
- TWM561277U TWM561277U TW106219521U TW106219521U TWM561277U TW M561277 U TWM561277 U TW M561277U TW 106219521 U TW106219521 U TW 106219521U TW 106219521 U TW106219521 U TW 106219521U TW M561277 U TWM561277 U TW M561277U
- Authority
- TW
- Taiwan
- Prior art keywords
- group
- historical
- feature
- price
- target
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
Abstract
本新型揭露一種用於金融商品價格圖像處理之運算設備,其透過卷積神經網絡模型對一金融商品之複數歷史價格圖像與目標價格圖像分別提取一組歷史特徵值及一組目標特徵值,各歷史價格圖像已分別預指派N個分類標籤其中一個,而將這些組歷史特徵值分類為N個標籤組。分群分析演算法被用以將此組目標特徵值,在N個標籤組歷史特徵值中,逐一分別參與各標籤組歷史特徵值之分群,以分別決定此組目標特徵值在各標籤組歷史特徵值中分別被分群為複數歷史集群中的其中一個。計算各N個標籤組中與此組目標特徵值隸屬同一歷史集群的那些歷史特徵值間的一分群特徵距離代表數,以獲得N個分群特徵距離代表數,據以輸出至少一操作訊號。
Description
本新型是有關於一種電腦設備,特別是有關於一種用於金融商品價格圖像處理之運算設備。
程式交易技術是將金融商品之各種技術指標如移動平均線、KD隨機指標(Stochastic Oscillator)或相對強弱指標(Relative Strength Index,RSI)等之分析工具,連同交易策略撰寫為特定的金融商品價格趨勢分析與自動化交易之軟件程序,根據預設之進場/出場條件自動進行有價證券或衍生性金融商品之買賣交易。
在電腦設備上執行交易程式來取代人腦決定買賣時機與操作策略,並不一定能確保長期獲得正面的績效;即使經過大量的金融商品歷史價格數據進行電腦模擬驗證交易結果,基於人為交易策略所演繹的軟件程序最終仍不免存在瑕疵。問題可能來自交易策略本身無法適用所有市場變化,也可能是源自人為撰寫的軟件程序缺陷。再者,歷史價格數據及其趨勢可能並未被完整的解析,以致於軟件程序中僅運用了局部的數據,而忽略了不起眼之變數。使用客觀性不足之分析結果,作為進場與否判斷之兩極規劃,亦是程式交易技術失去可靠度之原因之一。
本新型於一實施例中揭露一種運算設備,其包含一主控電路、儲存一程式碼之一儲存單元,以及一處理單元透過主控電路可操作地電性連接儲存單元。處理單元經主控電路由儲存單元擷取並執行程式碼,以透過一卷積神經網絡模型對一金融商品之複數歷史價格圖像分別提取一組歷史特徵值,各歷史價格圖像已分別預指派N個分類標籤其中一個,而將這些組歷史特徵值分類為N個標籤組,其中N為大於等於2之整數。處理單元以卷積神經網絡模型對金融商品之一目標價格圖像提取一組目標特徵值。處理單元並以一分群分析演算法將目標價格圖像之此組目標特徵值,在N個分類標籤所分類之N個標籤組歷史價格圖像之N個標籤組歷史特徵值中,逐一分別參與各標籤組歷史特徵值之分群,以分別決定目標價格圖像之此組目標特徵值,在各標籤組歷史特徵值中分別被分群為複數歷史集群中的其中一個。處理單元更計算各N個標籤組中,與此組目標特徵值隸屬同一歷史集群的那些歷史特徵值間的一分群特徵距離代表數,以獲得N個分群特徵距離代表數。處理單元根據這些分群特徵距離代表數輸出至少一操作訊號。
於一實施例中,處理單元可根據這些分群特徵距離代表數將N個分類標籤其中一個指派給目標價格圖像並據以輸出操作訊號。
於一實施例中,處理單元根據這些分群特徵距離代表數輸出操作訊號時,更根據這些分群特徵距離代表數計算複數投資決策信任度並據以輸出操作訊號,各投資決策信任度 = 各分群特徵距離代表數 / 所有分群特徵距離代表數之總和。
於一實施例中,分類標籤選自進場標籤、不進場標籤與複數非進場標籤之組合。
於一實施例中,當N=2,這些歷史特徵值被處理單元分類為一進場標籤組與一不進場標籤組,而獲得2個分群特徵距離代表數時,處理單元根據其二者較小者,將所屬標籤組之進場標籤或不進場標籤指派給目標價格圖像。
於一實施例中,若進場標籤組之分群特徵距離代表數較小,進場標籤被處理單元指派給目標價格圖像,且處理單元更計算一投資決策比率對應進場標籤組,投資決策比率 = 不進場標籤組之該分群特徵距離代表數 / 二個分群特徵距離代表數之和。
於一實施例中,若不進場標籤組之分群特徵距離代表數較小,不進場標籤被處理單元指派給目標價格圖像,且處理單元更計算一投資決策比率對應不進場標籤組,投資決策比率 = 進場標籤組之分群特徵距離代表數 / 二個分群特徵距離代表數之和。
於一實施例中,各分群特徵距離代表數係分別選自複數分群特徵距離或據以分別計算而得,各分群特徵距離選自歐氏距離、曼哈頓距離、切比雪夫距離、閔可夫斯基距離、標準化歐氏距離、夾角餘弦與佈雷柯蒂斯距離等定義之組合。
於一實施例中,各分群特徵距離代表數係選自複數分群特徵距離之算術平均數、幾何平均數、中位數、最大值與最小值的組合。
於一實施例中,這些歷史價格圖像分別對應於一歷史採樣週期內之複數連續交易日,這些歷史價格圖像之個數,與歷史採樣週期之這些連續交易日之天數相同。
於一實施例中,各歷史價格圖像對應於相同之一樣本時間長度之複數歷史價格。
於一實施例中,卷積神經網絡模型選自InceptionV3、Xception、VGG16、VGG19、ResNet、InceptionResNetV2、MobileNet等神經網絡模型其中之一或其任意組合。
於一實施例中,分群分析演算法選自吸引子聚類分群、K-Means分群、K-Medoids分群、階層分群其中之一或其任意組合。
於一實施例中,歷史價格圖像與目標價格圖像選自K線圖、美國線圖與點數圖,以及均線指標圖、震盪指標圖、趨勢指標圖、移動平均線圖、指數平滑異同移動平均線圖、隨機指標圖、相對強弱指標圖、買賣氣勢指標圖、買賣意願指標圖、威廉指標圖、漲跌比率指標圖、買賣超測試指標圖、動向指數圖、心理線指標圖、動量指標圖、騰落指標、VIX波動率指標圖與其他源自該金融商品之價格的任何圖像之組合。
於一實施例中,根據這些分群特徵距離代表數而輸出對應金融商品之操作訊號,所對應之程序選自執行交易、指派該N個分類標籤其中一個給該目標價格圖像、或將這些分群特徵距離代表數輸入至一強化學習模型作為複數學習素材。
綜上所述,藉由應用本新型各實施例之整體技術方案,運算設備採用卷積神經網絡模型對金融商品之歷史價格圖與目標價格圖完整提取價格數據及趨勢圖形隱含的歷史特徵值及目標特徵值,並進一步透過分群分析演算法獲取相對客觀之N個分群特徵距離代表數,計算量化且客觀之投資決策信任度作為系統決策依據,避免了先前技術未能完整解析價格數據及其趨勢,以及採用客觀性欠佳之分析結果判斷進場時機,導致採用局部偏頗數據而忽略部分變數,難以維持長期績效及可靠度等之技術問題。
本新型之運算設備(Computing Apparatus)屬於電腦設備之一種,硬體配置可為單機運作或以下列方式實現:包含獨立處理器/記憶體的複數主板的電腦設備、可彼此串連運算的複數電腦設備、外接有圖形運算顯示卡之電腦設備、或配置圖形處理器(GPU)之獨立顯示卡等;前述硬體配置搭配安裝於內建或外接儲存媒體之程式碼,即能執行本新型各實施例中運算設備之運作流程,對一金融商品之歷史/目標價格圖像(例如圖2A之K線圖)進行特徵提取與分群分析及相關運算。金融商品例如可為國內外市場之各種有價證券如股票、債券、貨幣、商業票據,以及衍生性金融商品如期貨、期貨、期權、權證等等。
參考圖1,其係為本新型一實施例中運算設備之硬體方塊示意圖。本例中,運算設備100主要包含處理單元110、儲存單元120、輸入單元130、顯示單元140、網路單元150及主控電路160。處理單元110、儲存單元120、輸入單元130、顯示單元140及網路單元150透過主控電路160彼此電性連接以便傳遞資料及訊號。處理單元110為具有單一或多個運算處理核心之處理器,例如由積體電路所實現,依系統預設或接收之用戶指令處理運算工作。
儲存單元120為儲存數據資料之記憶體,包含以專屬電路直接連接於處理單元110者、或處理單元110透過主控電路160可進行存取之內建或外接儲存媒體者;儲存單元120可包含以下儲存媒體其一或其任意組合:如隨機存取記憶體、快閃記憶體、唯讀記憶體、可抹除可規劃式唯讀記憶體、電子抹除式可複寫唯讀記憶體、暫存器、硬碟、可攜式硬碟、光碟唯讀記憶體等作為運算設備100。儲存單元120儲存有處理單元110可執行之作業系統(OS)121及一程式碼122,可供處理單元110運用記憶體資源而運行該作業系統121、執行與程式碼122有關之運算、裝載執行其他應用程式,或根據基本輸入輸出系統(BIOS)(可儲存於該儲存單元120或另儲存於獨立晶片組連接主控電路160而實現)啟動/控制各功能元件。於另一例示中,儲存單元120可內建於處理單元110中;於一實施例中,執行本新型運作流程之程式碼122可以依需要建置於中央處理單元或圖形處理器韌體(CPU /GPU Firmware)或基本輸入輸出系統(BIOS)。
輸入單元130可為實體或虛擬鍵盤、滑鼠、軌跡球或其他供使用者輸入指令或資料之裝置;顯示單元140為平面顯示器、投影單元或其他輸出影像之裝置,其具有複數顯示像素分別開啟關閉以組合顯示出至少一人眼可視物件;於一例示中,輸入單元130與顯示單元140可整合為一,例如由各種技術實現輸入輸出功能之觸控螢幕。網路單元150透過有線或無線方式連接各種開放或封閉網路、接收/傳輸網路訊號,以便處理單元110存取網路資源或進行數據傳輸。
主控電路160為透過電路板、軟性電路板、匯流排、橋接器、積體電路或其他任何分別直接或間接、可運作地電性連接處理單元110、儲存單元120、輸入單元130、顯示單元140及網路單元150之方式所實現。雖然本例介紹了輸入單元130、顯示單元140,然而在近端或遠端可操作環境之下,只要處理單元110能夠透過主控電路160存取並執行儲存於儲存單元120的程式碼並於遠端或近端輸出執行結果,其他單元並非絕對必要的實施條件。
前述各種例示之單元可由包含或不含記憶元件的積體電路實現一部分或全部之功能,並可執行來自內部或外部之特定程式碼或指令;前述積體電路可包含中央處理單元(CPU)、一般用途處理器、數位訊號處理器(DSP)、特定應用積體電路(ASIC)、現場可程式化閘陣列(FPGA)或其他可程式化邏輯裝置、離散閘(discrete gate)或電晶體邏輯、離散硬體元件、電子元件、光學元件、機械元件、或任何以上之組合之設計。
參考圖3,為另一實施例中運算設備之運作流程示意圖。於一例示中,處理單元110透過主控電路160由儲存單元120擷取並執行程式碼122,從而執行本例之運算設備100之運作方式,執行成果例如由金融商品之歷史/目標價格圖像進行特徵提取與分群分析,進而獲得複數分群特徵距離代表數,可直接作為金融商品程式交易之基礎指標,據以輸出對應金融商品之操作訊號,據以執行交易、將N個分類標籤其中一個指派給目標價格圖像、甚至輸入至一強化學習模型作為訓練素材。
本例中,運算設備100之運作方式包含步驟S310-S350。於圖3步驟S310中,處理單元110執行程式碼122,以透過一卷積神經網絡模型對一金融商品之複數歷史價格圖像分別提取一組歷史特徵值,各歷史價格圖像已分別預指派N個分類標籤其中一個,而將所有各組歷史特徵值分類為N個標籤組,其中N為大於等於2之整數。於步驟S320中,處理單元110執行程式碼122而以卷積神經網絡模型對金融商品之一目標價格圖像提取一組目標特徵值。
請一併參考圖1、2A、2B、2C及圖3,其中圖2A為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖;圖2B為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖。圖2C為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖。於步驟S310與S320中,採用之金融商品之每張歷史價格圖像/目標價格圖像為一數位圖片檔案,其顯示有某一預設的樣本時間長度(例如包含當日的過去20個交易日)之複數歷史價格或目標價格。於一例示中,各歷史價格圖像/目標價格圖像對應於相同之一樣本時間長度(例如20日)之複數歷史價格或目標價格。於一實施例中,這些歷史價格圖像分別對應於一歷史採樣週期內之複數連續交易日這些歷史價格圖像之個數,與歷史採樣週期之這些連續交易日之天數相同,而目標價格圖像對應於這些連續交易日次日起的某目標日。在不同例示中,歷史價格圖像/目標價格圖像可儲存於儲存單元120,或儲存於外接儲存媒體、近端網路硬碟、經網際網路可存取之雲端硬碟等,供處理單元110擷取。一例示之歷史價格圖像例如可為圖2A之K線圖210;K線圖(Candlestick chart;Rosokuashi Chart)亦稱為陰陽線、酒井線或者是蠟燭線圖,中空、淺色或綠色棒代表下跌,其上端為開盤價、下端為收盤價,而實心、深色或紅棒代表上漲,上端為收盤價、下端為開盤價,上影線/下影線的末端分別代表最高價/最低價;K線圖210呈現20個連續交易日之價格,故K線圖210為20日K線圖。另一例示中,歷史價格圖像/目標價格圖像例如可為圖2B之美國線圖220;美國線圖(Open-High-Low-Close chart,OHLC chart)以豎立的線條表現股票價格的變化,豎線呈現最高價和最低價間的價差間距,左側橫線代表開盤價,右側橫線代表收盤價。另一例示中,歷史價格圖像/目標價格圖像例如可為圖2C之點數圖230;點數圖(Point and Figure Chart)是用圈「O」和叉「X」來表示價格升跌的一種圖表,著重價格在一定價位上的表現,而不記錄價格隨時間的變化過程或成交量的情況,當價格上升達到一格格值(或稱價格單位,unit of price)幅度時,就用一個「X」表示;當下降達到一格格值幅度時,就用一個「O」表示。一例示之(單一交易日)歷史價格或目標價格可選自開盤價、收盤價、最高價、最低價之組合;相較之下,K線圖210與美國線220呈現之歷史價格均包括開盤價/收盤價/最高價/最低價,點數圖230則可呈現開盤價/收盤價/格值。本案之歷史價格圖像及目標價格圖像除選自K線圖、美國線圖與點數圖外,亦可選自均線指標圖、震盪指標圖、趨勢指標圖、移動平均線圖、指數平滑異同移動平均線圖、隨機指標圖、相對強弱指標圖、買賣氣勢指標圖、買賣意願指標圖、威廉指標圖、漲跌比率指標圖、買賣超測試指標圖、動向指數圖、心理線指標圖、動量指標圖、騰落指標、VIX波動率指標圖與其他源自該金融商品之價格的任何圖像之組合。
卷積神經網絡(Convolutional Neural Network, CNN)模型為處理單元110可執行之神經網絡運算程序,可儲存於儲存單元120作為程式碼122之一部分,或儲存於外接儲存媒體、近端網路硬碟、經網際網路可存取之雲端硬碟等,供處理單元110擷取並執行。卷積神經網絡模型之核心部份為卷積層(Convolutional layer),一個卷積層通常由數十到數百個N*N的濾鏡(filter)組成,每個濾鏡會在訓練過程中進行調整,才能夠對不同的圖像模式(Image pattern)進行強化。訓練完成後, 各個濾鏡能辨識不同的圖像模式。卷積神經網絡模型更包括池化層(Pooling layer),池化層是類似訊號處理中的維度降低處理(Down sampling),例如在圖片上選取不同窗口(window),並在這個窗口範圍中選擇一個最大值。一卷積神經網絡模型由複數卷積層與複數池化層疊加在一起,能夠把圖像中基本的邊角片段(Patch)組合成圖像中物體的結構,並進一步轉化成影像的特徵(Feature)值。
於一實施例中,前述卷積神經網絡模型是以VGG16神經網絡模型實現。VGG16神經網絡模型的圖像輸入格式為224*224的RGB影像,神經網絡模型共有16層,其中包括了13層3*3的卷積層來進行特徵學習(feature learning)和3層全連接層(Fully-connected)。另外有5層的池化層分散在卷積層之間,將整體VGG16神經網絡模型切割成6個區塊,前面5個區塊是由卷積層與池化層組成。進行抽取圖像(maxpool)特徵,最後一區塊由全連接層組成,用來產生圖像辨識的分類結果。
進行步驟S310前的特徵提取步驟前,先將VGG16神經網絡模型事先採用Imagenet數據庫中超過1.5億張預先劃分成22000個分類標籤的高分辨率圖像進行訓練。準備好金融商品之20日K線圖共100個數位檔案即前述之99個歷史價格圖像及1個目標價格圖像,由VGG16神經網絡模型對每一張逐一分別進行歷史特徵值/目標特徵值之提取。
以VGG16神經網絡模型進行特徵值提取時,首先將將1張20日K線圖(例如圖2A之K線圖210)(尺寸大小: 480*640 像素)先行轉換成陣列進行儲存,對此陣列進行數據上的歸一化計算,可以形成一個各元素介於0到1之間(歸一化)的480*640陣列資料結構。進行歸一化後的陣列輸入至完成預訓練的VGG16神經網絡模型進行特徵提取,經過具有64個3*3濾鏡的第一卷積層進行特徵提取,可以獲得64張第一卷積層圖像240,如圖2D所示(為本新型另一實施例中目標價格圖像經過VGG16神經網絡模型第一卷積層所提取的64張特徵圖像之示意圖),此64張第一卷積層圖像240依稀可見圖2A的K線圖210的線形。繼而,將此64張第一卷積層圖像240將輸入到第二及後續卷積層再次進行特徵提取,一直進行到第十三卷積層時已有512張特徵提取圖形,將這512張圖形透過池化層輸出成512個特徵數值,即完成圖2A的K線圖210此一歷史價格圖像(或目標價格圖像)之特徵提取步驟。接著,重複上述步驟,陸續將99個歷史價格圖像及1個目標價格圖像完成特徵提取,而獲得99組歷史特徵值(每組512個歷史特徵值)及1組目標特徵值(共512個目標特徵值),各組特徵值組成100*512陣列資料型態。
除上述列舉VGG16神經網絡模型之特徵提取過程之外,以下再以ResNet神經網絡模型為例。ResNet (Residual Neural Network) 殘差神經網絡模型使用殘差單元(Residual Unit)訓練出多達152層的神經網絡模型。傳統卷積層或全連接層會在資訊傳遞時,存在資訊遺失或損耗。透過殘差單元可以直接將輸入訊號繞道到輸出,以確保資訊完整性;同時,整個殘差神經網絡模型只需要學習殘差部份,而能簡化整個學習目標函數的複雜度。進行步驟S310或S320的特徵提取步驟前,亦採用Imagenet數據庫進行ResNet50殘差神經網絡模型之預先訓練。以ResNet50殘差神經網絡模型(50層)進行特徵值提取時,首先將將1張20日K線圖(例如圖2A之K線圖210)(尺寸大小: 480*640 像素)先行轉換成陣列進行儲存,對此陣列進行數據上的歸一化計算,可以形成一個各元素介於0到1之間(歸一化)的480*640陣列資料結構。進行歸一化後的陣列輸入至完成預訓練的ResNet50殘差神經網絡模型進行特徵提取,經過具有64個7*7濾鏡的第一卷積層進行特徵提取,可以獲得64張第一卷積層圖像250,如圖2E所示(為本新型另一實施例中目標價格圖像經過神經網絡模型第一卷積層所提取的64張特徵圖像之示意圖),此64張第一卷積層圖像250依稀可見圖2A的K線圖210的線形,但與圖2D之第一卷積層圖像240不同。接著,將這64張第一卷積層圖像250輸入到第二及後續卷積層進行特徵提取,進行到第50層時已有2048張特徵提取圖形,將這2048張圖形輸出成2048個特徵數值,即為圖2A的K線圖210透過ResNet50殘差神經網絡模型提取之一組歷史特徵值;陸續完成99組歷史價格圖像和1組目標特徵圖像,將其數值組成100*2048陣列資料型態,即獲得100組特徵數值(每組2048個)。
以上揭露了採用VGG16神經網絡模型和ResNet殘差神經網路模型進行步驟S310/S320特徵提取之過程,但本新型不以此為限。於一實施例中,卷積神經網絡模型選自InceptionV3、Xception、VGG16、VGG19、ResNet、InceptionResNetV2、MobileNet等神經網絡模型其中之一或其任意組合。在進行步驟S310/320之歷史價格圖像/目標價格圖像之特徵值提取前,各歷史價格圖像之各組歷史特徵值已分別預指派N個分類標籤其中一個,而將該些組歷史特徵值分類為N個標籤組,N為大於等於2之整數。於一例示中,分類標籤選自進場標籤、不進場標籤與複數非進場標籤之組合。
於是,在步驟S330中,處理單元110執行程式碼122,以一分群分析演算法將目標價格圖像之此組目標特徵值,在N個分類標籤所分類之N個標籤組歷史價格圖像之N個標籤組歷史特徵值中,逐一分別參與各標籤組歷史特徵值之分群,以分別決定目標價格圖像之此組目標特徵值,在各標籤組歷史特徵值中分別被分群為複數歷史集群中的其中一個。於一實施例中,分群分析演算法為供處理單元110執行分群分析演算之程序,可儲存於儲存單元120作為程式碼122之一部分,或儲存於外接儲存媒體、近端網路硬碟、經網際網路可存取之雲端硬碟等,供處理單元110擷取並執行。於不同實施方式中,分群分析演算法選自吸引子聚類分群(Affinity Propagation Clustering)、K-Means分群(K-Means Clustering)、K-Medoids分群(K-Medoids Clustering)、階層分群(Hierarchical Clustering)其中之一或其任意組合。其中,吸引子聚類分群與其他分群分析演算法不同處在於,在演算法開始之初將所有數據點視為潛在的分群中心,之後透過數據點間之資訊傳遞來找出最適合的分群中心,並將其他數據點劃分到這些分群中心。分群過程中共有兩種資訊在各數據點傳遞, 分別是吸引度(responsibility)和歸屬度(availability)。 分群結果取決於數據點樣本間的相似度大小與資訊傳遞。吸引子聚類分群分析演算法主要是找出各分群中心為主要目的。相較於吸引子聚類分群,K-means分群主要須事先指定分群數目。而階層分群則無須事先設定分群數目,但是於本新型之各種應用中,須事先規劃每一群有幾個特徵值。綜而言之,對於本新型各實施例而言,吸引子聚類分群、K-means分群、階層分群三種演算法的輸入與輸出概念如下:(一)吸引子聚類分群:輸入為N組512個特徵數值,輸出為M組分群,無須事先指定分群數;(二)K-means分群:輸入為N組512個特徵數值,輸出為K組分群,須事先指定分群數K;(三)階層分群:輸入為N組512個特徵數值,輸出為M組分群, 須事先指定每一群有K個特徵數值。此外,K-medoids分群是將K-means分群中的平均數計算換成中位數計算及相關優化。
不過,分群後的特徵值由於分散於高維度中(例如每張價格圖像提取512個特徵值時,分群後將分布在512維度),並不易以圖形顯示分群後結果,以下以較少特徵值提供分群後之分布示意。請參考圖4,其係為本新型另一實施例中擷取100組512個特徵值中第35、501特徵值進行分群後的分佈圖,包括99組歷史特徵值和1組目標特徵值的99+1個第35特徵值(X軸)及99+1個第501特徵值(Y軸)所構成的二維分佈圖。圖4中,目標特徵值中的第35特徵值為0.0403119139、第501特徵值為0.457416027,構成座標(0.0403119139, 0.457416027),即特徵點410。特徵點410分群後隸屬於子集群E,除了特徵點410之外,尚有其他七個特徵點(方框E)隸屬於子集群E,如此應較能清楚揭露分群後特徵值之分佈與集群概念。
以下就吸引子聚類分群,並以前述VGG16神經網絡模型擷取的99組歷史特徵值和1組目標特徵值為例,説明分群分析演算法實現方式。就步驟S330之分群分析演算,首先,由於各歷史價格圖像之各組歷史特徵值已分別預指派N個分類標籤其中一個,因此所有各組歷史特徵值已被預先分類為N個標籤組,故以吸引子聚類分群分析演算法將目標價格圖像之此組目標特徵值(例如上述VGG16神經網絡模型提取的512個特徵值),在N個分類標籤所分類之N個標籤組歷史價格圖像之N個標籤組歷史特徵值中,逐一分別參與各標籤組歷史特徵值之分群。意即,若N=2,即總共有2標籤組的歷史特徵值,以先前VGG16神經網絡模型的例子而言,例如為第一標籤組共有44組歷史特徵值(每組512個)、第二標籤組共有55組歷史特徵值(每組512個)、總共99組歷史特徵值來自前述99個歷史價格圖像。先以吸引子聚類分群分析演算法將此組目標特徵值(如上述512個特徵值)和第一標籤組共有44組歷史特徵值(每組512個)進行分群;完成後,再以吸引子聚類分群分析演算法將此組目標特徵值(如上述512個特徵值)和第二標籤組共有55組歷史特徵值(每組512個)進行分群。如此,假設第一標籤組的44組歷史特徵值(每組512個)最終分成11個歷史集群、第二標籤組的55組歷史特徵值(每組512個)最終分成5個歷史集群,則分群後可以分別決定目標價格圖像之此組目標特徵值,被分群為第一標籤組的11個歷史集群中的哪一群、以及被分群為第二標籤組的5個歷史集群的哪一群。
於步驟S340中,處理單元110擷取並執行程式碼122,以計算N個標籤組中,與此組目標特徵值隸屬同一歷史集群的這些歷史特徵值間的一分群特徵距離代表數,以獲得N個分群特徵距離代表數。於一實施例中,各分群特徵距離代表數係分別選自複數分群特徵距離或據以分別計算而得,各分群特徵距離選自歐氏距離(Euclidean Distance)、曼哈頓距離(Manhattan Distance)、切比雪夫距離 ( Chebyshev Distance )、閔可夫斯基距離(Minkowski Distance)、標準化歐氏距離 (Standardized Euclidean distance )、夾角餘弦(Cosine)與佈雷柯蒂斯距離(Bray Curtis Distance)等定義之組合。前述分群特徵距離之計算,用意在找出每個歷史集群的中心與目標特徵值間的距離代表數,例如圖4中特徵點410與其他七個同群的特徵點之間,分別以其特徵值運用上述分群特徵距離的定義計算而得。而分群特徵距離代表數於一實施例中,係選自複數分群特徵距離之算術平均數、幾何平均數、中位數、最大值與最小值的組合。
最後於步驟S350中,處理單元110執行程式碼122,根據這些分群特徵距離代表數輸出對應此金融商品之至少一操作訊號。首先,於一實施例中,根據這些分群特徵距離代表數而輸出對應金融商品之操作訊號,所對應之程序選自執行交易、指派N個分類標籤其中一個給目標價格圖像、或將這些分群特徵距離代表數輸入至一強化學習模型(Reinforcement Learning Model)作為複數學習素材。其次,由於獲得N個分群特徵距離代表數之後,已經可以知道目標特徵值在高維度分佈中,與N個歷史集群的分群特徵距離大小,便於理解目標特徵值較接近N個分類標籤中的哪一個,故可據以輸出上述操作訊號。
不過,如有需要,本新型仍可進一步提供量化的決策依據。請參考圖5A,為本新型另一實施例中運算設備之運作方式之流程示意圖。圖3中之步驟S350,可透過一投資決策信任度之計算而進一步提供量化的決策依據。於步驟S340之後,處理單元110執行程式碼122,根據這些分群特徵距離代表數輸出操作訊號時,可如步驟351所示,根據這些分群特徵距離代表數計算複數投資決策信任度並據以輸出操作訊號,投資決策信任度 = 各分群特徵距離代表數 / 所有分群特徵距離代表數之總和。
其次,於一實施例中,目標價格圖像可以被指派為N個分類標籤其中一個。請參考圖5B,為本新型另一實施例中運算設備之運作方式之流程示意圖。於步驟S340之後,處理單元110執行程式碼122,根據這些分群特徵距離代表數輸出操作訊號時,可如步驟352所示,根據這些分群特徵距離代表數將N個分類標籤其中一個指派給目標價格圖像並據以輸出操作訊號。於一例示中,處理模組110根據這些分群特徵距離代表數最小者,所屬之分類標籤(仍是N個分類標籤其中一個)指派給目標價格圖像。於另一例示中,處理模組110根據這些分群特徵距離代表數所計算之投資決策信任度最小者,所屬之分類標籤(仍是N個分類標籤其中一個)指派給目標價格圖像。
圖6為本新型另一實施例中運算設備之運作方式之流程示意圖。於一實施例中,當N=2,歷史特徵值(被處理單元110)分類為一進場標籤組與一不進場標籤組(步驟S311)、而獲得進場標籤組與不進場標籤組之二個分群特徵距離代表數(步驟S341)時,處理單元1105執行程式碼122,根據此二個分群特徵距離代表數較小者,將所屬標籤組之進場標籤或不進場標籤指派給目標價格圖像(步驟S353)。其中,若進場標籤組之分群特徵距離代表數較小,進場標籤被處理單元指派給目標價格圖像,且處理單元更計算一投資決策比率對應進場標籤組,投資決策比率 = 不進場標籤組之該分群特徵距離代表數 / 2個分群特徵距離代表數之和。若不進場標籤組之分群特徵距離代表數較小,不進場標籤被處理單元指派給目標價格圖像,且處理單元更計算一投資決策比率對應不進場標籤組,投資決策比率 = 進場標籤組之分群特徵距離代表數 / 2個分群特徵距離代表數之和。
綜上所述,藉由應用本新型各實施例之整體技術方案,運算設備採用卷積神經網絡模型對金融商品之歷史價格圖與目標價格圖完整提取價格數據及趨勢圖形隱含的歷史特徵值及目標特徵值,並進一步透過分群分析演算法獲取相對客觀之N個分群特徵距離代表數,計算量化且客觀之投資決策信任度作為系統決策依據,避免了先前技術未能完整解析價格數據及其趨勢,以及採用客觀性欠佳之分析結果判斷進場時機,導致採用局部偏頗數據而忽略部分變數,難以維持長期績效及可靠度等之技術問題。
本新型所述以流程圖及步驟進行說明的運算設備之運作方式僅為各種實施例之例示,其流程實施順序或步驟分層可在本新型揭露範圍內任意重組,並不以說明書及圖式所揭露者為限。隨著各步驟、順序介紹之各型態格式的實體/數位或硬體/軟體元件,不受其被揭露的步驟或順序所侷限。
雖然本新型以前述之實施例揭露如上,然其並非用以限定本新型,任何熟習相關技術者,在不脫離本新型之精神和範圍內,當可作些許之更動與潤飾,因此本新型之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。
100‧‧‧運算設備
110‧‧‧處理單元
120‧‧‧儲存單元
121‧‧‧作業系統
122‧‧‧程式碼
130‧‧‧輸入單元
140‧‧‧顯示單元
150‧‧‧網路單元
160‧‧‧主控電路
210‧‧‧K線圖
220‧‧‧美國線圖
230‧‧‧點數圖
240/250‧‧‧第一卷積層圖像
S310、S311、S320、S330、S340、S341‧‧‧步驟
S350、S351、S352、S353‧‧‧步驟
110‧‧‧處理單元
120‧‧‧儲存單元
121‧‧‧作業系統
122‧‧‧程式碼
130‧‧‧輸入單元
140‧‧‧顯示單元
150‧‧‧網路單元
160‧‧‧主控電路
210‧‧‧K線圖
220‧‧‧美國線圖
230‧‧‧點數圖
240/250‧‧‧第一卷積層圖像
S310、S311、S320、S330、S340、S341‧‧‧步驟
S350、S351、S352、S353‧‧‧步驟
[圖1] 為本新型一實施例中運算設備之硬體方塊示意圖。 [圖2A] 為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖。 [圖2B] 為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖。 [圖2C] 為本新型另一實施例中歷史價格圖像/目標價格圖像的示意圖。 [圖2D] 為本新型另一實施例中目標價格圖像經過VGG16卷積神經網絡模型第一卷積層所提取的64張特徵圖像之示意圖。 [圖2E] 為本新型另一實施例中目標價格圖像經過ResNet卷積神經網絡模型第一卷積層所提取的64張特徵圖像之示意圖。 [圖3] 為本新型另一實施例中運算設備之運作方式之流程示意圖。 [圖4] 為本新型另一實施例之本新型另一實施例中擷取100組512個特徵值中第35、501特徵值進行分群後的分佈圖。 [圖5A] 為本新型另一實施例中運算設備之運作方式之流程示意圖。 [圖5B] 為本新型另一實施例中運算設備之運作方式之流程示意圖。 [圖6] 為本新型另一實施例中運算設備之運作方式之流程示意圖。
Claims (15)
- 一種用於金融商品價格圖像處理之運算設備,包含: 一主控電路; 一儲存單元,儲存一程式碼;及 一處理單元,透過該主控電路可操作地電性連接該儲存單元,該處理單元經該主控電路由該儲存單元擷取並執行該程式碼,以透過一卷積神經網絡模型對一金融商品之複數歷史價格圖像分別提取一組歷史特徵值,各該歷史價格圖像已分別預指派N個分類標籤其中一個,而將該些組歷史特徵值分類為N個標籤組,其中N為大於等於2之整數,該處理單元以該卷積神經網絡模型對該金融商品之一目標價格圖像提取一組目標特徵值,該處理單元以一分群分析演算法將該目標價格圖像之該組目標特徵值,在該N個分類標籤所分類之該N個標籤組歷史價格圖像之該N個標籤組歷史特徵值中,逐一分別參與各該標籤組歷史特徵值之分群(Clustering),以分別決定該目標價格圖像之該組目標特徵值,在各該標籤組歷史特徵值中分別被分群為複數歷史集群中的其中一個,該處理單元計算各該N個標籤組中,與該組目標特徵值隸屬同一該歷史集群的該些歷史特徵值間的一分群特徵距離代表數,以獲得N個該些分群特徵距離代表數,該處理單元根據該些分群特徵距離代表數輸出至少一操作訊號。
- 如請求項1所述之運算設備,其中該處理單元根據該些分群特徵距離代表數輸出該操作訊號時,更包含根據該些分群特徵距離代表數將該N個分類標籤其中一個指派給該目標價格圖像並據以輸出該操作訊號。
- 如請求項1所述之運算設備,其中該處理單元根據該些分群特徵距離代表數輸出該操作訊號時,更包含根據該些分群特徵距離代表數計算複數投資決策信任度並據以輸出該操作訊號,各該投資決策信任度 = 各該分群特徵距離代表數 / 所有該些分群特徵距離代表數之總和。
- 如請求項1所述之運算設備,其中該些分類標籤選自進場標籤、不進場標籤與複數非進場標籤之組合。
- 如請求項1所述之運算設備,其中當N=2,該些歷史特徵值被該處理單元分類為一進場標籤組與一不進場標籤組,而獲得二個該分群特徵距離代表數時,該處理單元根據其二者較小者,將所屬該標籤組之該進場標籤或該不進場標籤指派給該目標價格圖像。
- 如請求項5所述之運算設備,其中若該進場標籤組之該分群特徵距離代表數較小,該進場標籤被該處理單元指派給該目標價格圖像,且該處理單元更計算一投資決策比率對應該進場標籤組,該投資決策比率 = 該不進場標籤組之該分群特徵距離代表數 / 該二個分群特徵距離代表數之和。
- 如請求項5所述之運算設備,其中若該不進場標籤組之該分群特徵距離代表數較小,該不進場標籤被該處理單元指派給該目標價格圖像,且該處理單元更計算一投資決策比率對應該不進場標籤組,該投資決策比率 = 該進場標籤組之該分群特徵距離代表數 / 該二個分群特徵距離代表數之和。
- 如請求項1所述之運算設備,其中各該分群特徵距離代表數係分別選自複數分群特徵距離或據以分別計算而得,各該分群特徵距離選自歐氏距離(Euclidean Distance)、曼哈頓距離(Manhattan Distance)、切比雪夫距離 ( Chebyshev Distance )、閔可夫斯基距離(Minkowski Distance)、標準化歐氏距離 (Standardized Euclidean distance )、夾角餘弦(Cosine)與佈雷柯蒂斯距離(Bray Curtis Distance)等定義之組合。
- 如請求項1所述之運算設備,其中各該分群特徵距離代表數係選自複數分群特徵距離之算術平均數、幾何平均數、中位數、最大值與最小值的組合。
- 如請求項1所述之運算設備,其中該些歷史價格圖像分別對應於一歷史採樣週期內之複數連續交易日,該些歷史價格圖像之個數,與該歷史採樣週期之該些連續交易日之天數相同。
- 如請求項1所述之運算設備,其中各該歷史價格圖像對應於相同之一樣本時間長度之複數歷史價格。
- 如請求項1所述之運算設備,其中該卷積神經網絡模型選自InceptionV3、Xception、VGG16、VGG19、ResNet、InceptionResNetV2、MobileNet等神經網絡模型其中之一或其任意組合。
- 如請求項1所述之運算設備,其中該分群分析演算法選自吸引子聚類分群(Affinity Propagation Clustering)、K-Means分群(K-Means Clustering)、K-Medoids分群(K-Medoids Clustering)、階層分群(Hierarchical Clustering)其中之一或其任意組合。
- 如請求項1所述之運算設備,其中各該歷史價格圖像與該目標價格圖像選自K線圖(Candlestick chart)、美國線圖(OHLC chart)與點數圖(Point and Figure Chart),以及均線指標圖、震盪指標圖、趨勢指標圖、移動平均線圖、指數平滑異同移動平均線圖、隨機指標圖、相對強弱指標圖、買賣氣勢指標圖、買賣意願指標圖、威廉指標圖、漲跌比率指標圖、買賣超測試指標圖、動向指數圖、心理線指標圖、動量指標圖、騰落指標、VIX波動率指標圖與其他源自該金融商品之價格的任何圖像之組合。
- 如請求項1所述之運算設備,其中根據該些分群特徵距離代表數而輸出對應該金融商品之該操作訊號,所對應之程序選自執行交易、指派該N個分類標籤其中一個給該目標價格圖像、或將該些分群特徵距離代表數輸入至一強化學習模型作為複數學習素材。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106219521U TWM561277U (zh) | 2017-12-29 | 2017-12-29 | 用於金融商品價格圖像處理之運算設備 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106219521U TWM561277U (zh) | 2017-12-29 | 2017-12-29 | 用於金融商品價格圖像處理之運算設備 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM561277U true TWM561277U (zh) | 2018-06-01 |
Family
ID=63257457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106219521U TWM561277U (zh) | 2017-12-29 | 2017-12-29 | 用於金融商品價格圖像處理之運算設備 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM561277U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI781339B (zh) * | 2019-08-10 | 2022-10-21 | 鍾尉誠 | 基於可調整的時間區間內之市場趨勢的金融商品自動交易方法 |
TWI790466B (zh) * | 2020-08-05 | 2023-01-21 | 國立高雄科技大學 | 有價證券價格型態圖形化投資決策系統 |
TWI835638B (zh) * | 2022-05-04 | 2024-03-11 | 國立清華大學 | 於非對稱策略架構下以階層式強化學習訓練主策略的方法 |
-
2017
- 2017-12-29 TW TW106219521U patent/TWM561277U/zh not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI781339B (zh) * | 2019-08-10 | 2022-10-21 | 鍾尉誠 | 基於可調整的時間區間內之市場趨勢的金融商品自動交易方法 |
TWI790466B (zh) * | 2020-08-05 | 2023-01-21 | 國立高雄科技大學 | 有價證券價格型態圖形化投資決策系統 |
TWI835638B (zh) * | 2022-05-04 | 2024-03-11 | 國立清華大學 | 於非對稱策略架構下以階層式強化學習訓練主策略的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasan et al. | Review of the state of the art of deep learning for plant diseases: A broad analysis and discussion | |
Adetunji et al. | House price prediction using random forest machine learning technique | |
Srivastava et al. | Comparative analysis of deep learning image detection algorithms | |
Zhang et al. | Deeplob: Deep convolutional neural networks for limit order books | |
Wang et al. | Automatic image‐based plant disease severity estimation using deep learning | |
Kamara et al. | An ensemble of a boosted hybrid of deep learning models and technical analysis for forecasting stock prices | |
Bagheri et al. | Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization | |
WO2022213465A1 (zh) | 基于神经网络的图像识别方法、装置、电子设备及介质 | |
Khodaee et al. | Forecasting turning points in stock price by applying a novel hybrid CNN-LSTM-ResNet model fed by 2D segmented images | |
US11568212B2 (en) | Techniques for understanding how trained neural networks operate | |
US11710552B2 (en) | Method and system for refining label information | |
Chew et al. | Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism | |
TWM561277U (zh) | 用於金融商品價格圖像處理之運算設備 | |
WO2023004632A1 (zh) | 知识图谱的更新方法、装置、电子设备、存储介质及程序 | |
Ramos-Carreño et al. | scikit-fda: a Python package for functional data analysis | |
Wu et al. | Imaging feature-based clustering of financial time series | |
Ji et al. | Recurrent convolutions of binary-constraint cellular neural network for texture recognition | |
TW201931265A (zh) | 用於金融商品價格圖像處理之運算設備及其方法 | |
Cheng et al. | A quarterly time-series classifier based on a reduced-dimension generated rules method for identifying financial distress | |
Bründl et al. | Semantic part segmentation of spatial features via geometric deep learning for automated control cabinet assembly | |
JP6930195B2 (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
CN113657022B (zh) | 一种芯片故障识别方法及相关设备 | |
Ke et al. | An automatic instrument recognition approach based on deep convolutional neural network | |
Hultin et al. | A generative model of a limit order book using recurrent neural networks | |
Yakubovskyi et al. | Combined neural network model for real estate market range value estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4K | Annulment or lapse of a utility model due to non-payment of fees |