Обучение модели на основе CNN для анализа графиков
Сверточные нейронные сети традиционно используются для обработки изображений. В применении к крипто-торговле есть два подхода: анализ графиков как изображений (буквально скриншоты) и применение 1D CNN к числовым временным рядам OHLCV данных. Оба подхода дают интересные результаты.
1D CNN для временных рядов: применяет свёрточные фильтры вдоль временной оси. Каждый фильтр учится распознавать локальные паттерны определённой длины — аналог "ручного" поиска паттернов, но автоматический.
Multi-scale свертки: разные размеры ядер для разных таймфреймов. Захватывает паттерны на нескольких масштабах одновременно.
TCN (Temporal Convolutional Network): более современная альтернатива с dilated causal convolutions. Экспоненциально увеличивает receptive field без роста параметров.
CNN на отрендленных графиках: рендерим candlestick график как изображение, передаем в ResNet/EfficientNet для классификации.
Pretraining на синтетических данных: важная техника - предварительно обучаем CNN на синтетических свечных данных с известными паттернами. Дает модели начальное понимание паттернов перед дообучением на реальных данных.
CNN+LSTM гибрид: CNN извлекает локальные паттерны, LSTM захватывает долгосрочные зависимости.
Разрабатываем CNN-based систему: 1D TCN на числовых данных, 2D CNN на отрендленных графиках, CNN+LSTM гибрид, ensemble предсказания и interpretability через activation maps.