一種用于算法交易的混合框架：將輕量級神經網絡趨勢預測與蠟燭圖模式識別相結合
《Expert Systems with Applications》：A hybrid framework for algorithmic trading: Combining lightweight neural network trend prediction with candlestick pattern recognition
【字體：
大
中
小
】
時間：2026年03月03日
來源：Expert Systems with Applications 7.5
編輯推薦：
提出融合輕量級神經網絡與蠟燭圖模式識別的混合框架HCTP，通過跨市場驗證（GBP/USD、EUR/USD、AUD/USD）在真實交易成本下實現勝率73.6%-76.0%、利潤因子1.29-3.22，較傳統方法提升8.7-10.7個百分點。研究強調長期趨勢與短期信號協同機制及開源可復現性。
Seyed Amir Agah | Ali Yazdian Varjani | Farsad Zamani Boroujeni | Samaneh Yazdani
伊朗德黑蘭伊斯蘭自由大學計算機工程系
摘要
計算智能的快速發展極大地改變了算法交易的方式，然而傳統的技術分析在波動的金融市場中面臨著主觀性和適應性有限的挑戰。本研究通過提出混合蠟燭圖趨勢預測器（HCTP）來解決這些局限性，該框架結合了基于輕量級神經網絡的長期趨勢預測和蠟燭圖模式識別來生成短期交易信號。在三個主要貨幣對（GBP/USD：2019年1月至2025年6月；EUR/USD和AUD/USD：2019年6月至2025年6月）上使用實際執行成本（2.0個點差+3.0個點滑點）進行驗證，HCTP的表現始終優于單獨的蠟燭圖系統，勝率分別達到了73.6%（GBP/USD）、75.9%（EUR/USD）和76.0%（AUD/USD）——這代表了8.7-10.7個百分點的統計學上顯著的提升（非重疊的95% Clopper-Pearson置信區間）。盈利因子范圍為1.29至3.22。與外部買入并持有基準的進一步比較為所報告的性能提供了更多背景信息。然而，這種增強的選擇性是以某些貨幣對的最大回撤增加為代價的（例如，EUR/USD從3.83%增加到28.20%），這反映了故意的權衡：雖然交易次數減少，但與預測的長期趨勢一致的交易具有更高的確定性。通過精確的二項式置信區間對模型進行評估，確認了其在不同外匯市場中的統計上顯著的預測性能和一致的行為。盡管交易頻率有意較低（每對25-53筆交易），但性能提升仍然具有統計學意義。HCTP框架、數據集和回測代碼的開源發布確保了完全的可重復性，并為未來的算法交易研究和實際應用提供了便利。
引言
在過去的二十年里，算法交易通過實現高速、數據驅動的決策方式從根本上改變了金融市場，這種能力超出了人類的能力范圍（Sezer和Ozbayoglu，2018）。外匯市場（Foreign Exchange Market）的全球覆蓋范圍和固有的波動性，特別是像GBPUSD這樣的主要貨幣對，需要先進的計算工具來優化回報同時管理風險（Ozbayoglu等人，2020）。盡管取得了顯著進展，但由于金融市場的動態性質和傳統技術分析的局限性，開發可靠且適應性強的交易算法仍然具有挑戰性（Ansari等人，2022）。
傳統方法基于數學和統計分析，依賴于指標和模式來識別市場趨勢和入場點。然而，這些方法往往受到主觀解釋的影響，依賴于可能無法反映當前情況的歷史數據，并且對快速的市場變化適應能力有限（Picasso等人，2019）。利用人工智能的現代技術，特別是深度學習，通過直接從原始數據中學習復雜模式來彌補了一些這些不足（Henrique等人，2019）。然而，一個關鍵的研究空白仍然存在：許多基于機器學習的交易系統是為單一資產或市場條件優化的，這引發了關于過擬合和魯棒性的擔憂（Teixeira和Barbosa，2024）。
為了解決這一空白，本研究引入了混合蠟燭圖趨勢預測器（HCTP），這是一個新穎的框架，它將深度學習（輕量級神經網絡）用于長期（每周）趨勢預測與模式識別相結合，用于生成短期（每日）交易信號。HCTP框架的高層次架構如圖1所示。在使用實際執行成本（2.0個點差+3.0個點滑點）對六年樣本外數據（2019-2025年）進行評估時，HCTP在三個結構不同的主要貨幣對（GBP/USD、EUR/USD和與商品相關的AUD/USD）上始終實現了73.6-76.0%的勝率和1.29-3.22的盈利因子——這比單獨的模式識別方法（64.9-66.7%）提高了8.7-10.7個百分點的勝率，并在不同外匯市場中表現出一致的性能。此外，所提出的混合系統使用了統計上嚴格的性能指標進行評估，包括精確的Clopper–Pearson 95%置信區間來確保結果在多個貨幣對上的可靠性和可重復性。
本研究的主要貢獻包括：
- (1)
開發了HCTP：一個結合了基于輕量級神經網絡的趨勢預測和基于模式的信號生成的混合框架，這與之前僅關注其中一種方法的工作不同。
- (2)
在現實交易成本下實現了73.6-76.0%的勝率和1.29-3.22的盈利因子，優于單獨的模式識別方法。
- (3)
跨市場驗證：在GBP/USD、EUR/USD和與商品相關的AUD/USD上展示了一致的性能，解決了資產特定模型的常見局限性。
- (4)
開源發布：提供了框架和數據集，以確保可重復性，這與大多數之前的研究不同。
本文的其余部分組織如下：第2節回顧了算法交易和計算金融領域的相關工作，強調了現有的空白。第3節詳細介紹了HCTP的設計和實現，包括其輕量級神經網絡和模式識別組件。第4節展示了性能評估，并將HCTP與基準進行了比較。第5節對結果進行了批判性討論，分析了關鍵的權衡和性能特征。第6節總結了本研究的主要局限性。最后，第7節總結了主要發現并指出了未來的研究方向。
相關文獻
相關工作
本節回顧了算法交易的文獻，重點關注技術分析和計算智能的整合，以提高交易的準確性和可靠性。回顧分為三個小節：第2.1節討論了傳統的技術分析，第2.2節探討了機器學習和深度學習的應用，第2.3節指出了本研究解決的問題。
混合框架的開發
在本節中，我們介紹了混合蠟燭圖趨勢預測器（HCTP），這是一個新穎的框架，它將深度學習（輕量級神經網絡）用于長期（每周）趨勢預測，并結合蠟燭圖模式識別生成短期（每日）交易信號。第3.1節詳細介紹了基于深度學習的趨勢預測器（DLTP）的開發，第3.2節描述了蠟燭圖模式識別子系統（CPRS），第3.3節介紹了順序混合
評估
第4節提出了所提出框架的實證評估。首先，使用一套全面的盈利能力、風險和風險調整指標分析了HCTP的性能。隨后，將結果與標準的外部市場基準進行了對比。
討論
HCTP取得的性能提升——體現在所有三個主要外匯對上持續的更高勝率（73.6-76.0%）和盈利因子（1.29-3.22）——伴隨著一個可預測且戰略上有動機的權衡：最大回撤的增加。這種行為在算法交易文獻中有充分的記錄，其中選擇性的、確認趨勢的系統更重視信號質量而非數量，因此在臨時情況下接受更深入但頻率較低的回撤期
局限性
盡管HCTP框架的回測結果很有前景，但仍需承認幾個局限性。首先，該系統僅在歷史數據上進行了驗證；其在實時交易中的表現尚未經過測試。現實世界中的因素，包括執行延遲、可變流動性和偶爾超出保守的2個點差假設的點差擴大，可能會影響結果。其次，盡管相同的CPRS模式定義和DLTP架構被應用于所有三個貨幣對，但仍有輕微
結論
本研究介紹了混合蠟燭圖趨勢預測器（HCTP），這是一個新穎的多時間框架，通過結合每周的輕量級神經網絡趨勢預測（DLTP）和每日蠟燭圖模式識別（CPRS），顯著提高了算法交易的性能。
從2019年到2025年，對三個主要外匯對（GBP/USD、EUR/USD和與商品相關的AUD/USD）進行了廣泛的樣本外回測，使用了實際執行成本（2.0個點差+3.0個點滑點）
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文所述的工作。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
