Feb, 2024

货币交易中的长短期记忆模式识别

PDF
TL;DR本研究通过 Richard D. Wyckoff 在 20 世纪初设计的 Wyckoff 阶段框架，深入分析金融市场的研究。重点研究了 Wyckoff 框架中的积累模式，探讨了交易范围和次级测试的阶段，阐明了它们在理解市场动态和发现潜在交易机会方面的重要性。通过剖析这些阶段的复杂性，本研究揭示了通过市场结构创造流动性的过程，为交易者如何利用这些知识预测价格走势和做出明智决策提供了洞察力。为了有效检测和分析 Wyckoff 模式，需要具有处理复杂市场数据的强大计算模型，其中使用卷积神经网络（CNN）分析空间数据，使用长短期记忆（LSTM）模型分析时间数据。生成重要市场波动代表的摆动点和引入噪声增强模型泛化能力的填充点是训练数据的创建过程。激活函数（如 sigmoid 函数）在确定神经网络模型的输出行为方面起着关键作用。研究结果表明深度学习模型在金融数据中检测 Wyckoff 模式的显著功效，突出了其在金融市场模式识别和分析领域的潜力。总之，本研究强调了人工智能驱动方法在金融分析和交易策略中的变革潜力，AI 技术的整合正在塑造交易和投资实践的未来。
发现论文，激发创造
  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 外币时间序列预测的现成神经网络架构的成本

    本研究旨在比较不同的长短期记忆（LSTM）神经网络结构和专门用于外汇市场预测的 ANN 架构之间的性能和资源需求，包括模型的执行时间、内存和计算资源消耗。我们的目标是证明专门的架构在外汇市场预测方面不仅能够取得更好的结果，而且在资源消耗和执行时间方面相对于 LSTM 架构更为优越。这种比较分析将对这两种类型的架构在外汇市场环境中的时间序列预测的适用性提供重要的见解。

    May, 2024

  • 循环网络识别具有低维振荡的模式

    通过对一个受 SET 卡牌游戏启发的简单任务上训练的循环神经网络（RNN）进行解读，本研究提出了一种新颖的动力学机制用于模式识别。我们将训练后的 RNN 解释为通过低维极限环中的相位转移以类似于有限状态自动机（FSA）中的状态转换来识别模式。我们通过手工创建一个简单的振荡模型来验证这一解释，该模型能够复现训练后的 RNN 的动力学。我们的发现不仅暗示了一种潜在的能够进行模式识别的动力学机制，还暗示了一种潜在的 FSA 的神经实现。最重要的是，这项工作为深度学习模型解释性的讨论做出了贡献。

    Oct, 2023

  • 使用卷积神经网络将蜡烛图编码为图像进行模式分类

    提出了一种基于 GAF 和 CNN 的方法，可以自动识别蜡烛图的 8 种主要模式，并在实际数据中获得 90.7％的平均准确率。

    Jan, 2019

  • 学习记忆模式：用于交通预测的模式匹配记忆网络

    提出了一种新的交通预测方法，将预测问题转化为模式匹配任务，通过构建一种新型的交通预测模型，即模式匹配记忆网络（PM-MemNet），该模型能够通过键值存储结构将数据与代表性模式进行匹配来进行预测，并且利用了图卷积和注意力机制的增强存储器结构来建模路况的时空相关性。实验结果表明，PM-MemNet 比现有的模型更准确，并具有更高的响应性。

    Oct, 2021

  • 短期记忆卷积

    本文提出了一种名为 Short-Term Memory Convolution（STMC）的卷积神经网络方法，用于音频领域中的实时处理，该方法能够以低延迟比 LSTM 网络更稳定快速地进行训练和推理，实现了语音分离和声场分类的更快速度和更高的准确性。

    Feb, 2023

  • 短期 FOREX 预测的神经网络架构比较分析

    设计和实施的 LSTM 神经网络与基于技术分析指标模拟器的 ANN 自定义架构进行了比较分析，并得出了有关每个架构的适用性以及实施所需的时间和计算资源成本的有价值结论。ANN 自定义架构以更高的敏感度、更少的资源和更少的时间产生了更好的预测质量，适用于低功耗计算系统和需要快速决策的应用场景。

    May, 2024

  • 使用奖励调节反向 STDP 学习的定制 DNN 进行时间模式识别

    本研究提出了一种新颖的算法，利用奖励调节行为、赫布规则和反赫布规则来识别动态数据集中时间间隔短的训练模式，该算法通过预处理将输入数据合理化并翻译成具有特征丰富但稀疏的脉冲时间序列数据，随后使用前馈式神经脉冲网络处理该数据以识别训练模式，并进行加权检查以确保已检测到正确的模式。

    Jul, 2023

  • 使用卷积长短期记忆学习检测暴力视频

    本文提出了一个基于深度学习神经网络的方法来自动识别监控视频中的暴力行为，具有很高的识别精度。该方法采用卷积神经网络和长短时记忆网络，能够捕捉到视频中局部的时空特征，实现对局部运动的分析，并通过对相邻帧的差异计算来增强所提出方法的识别功能。实验证明，该方法表现优于现有的同类方法，具有广泛的研究价值。

    Sep, 2017

  • 实时桥梁冲刷预测中长短期记忆与卷积神经网络的应用

    利用深度学习算法基于历史传感器监测数据，包括河床高程、流量高程和流速，对桥墩周围的冲刷深度变化进行预测，研究了不同模型在实时冲刷预测中的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。此研究揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

    Apr, 2024