Deep transformer-based asset price and direction prediction

Derin öğrenme metodolojileri tarafından yönlendirilen algoritmik ticaret alanı son zamanlarda büyük ilgi görmüştür. Bu alanda, dönüştürücüler, evrişimli sinir ağları ve yama gömme tabanlı teknikler bilgisayarla görme topluluğu içinde popüler seçenekler olarak ortaya çıkmıştır. Burada, en yeni bilgisayarla görme metodolojilerinden ve zaman serisi veri kümeleri için görüntü benzeri dönüşüm yeteneğini gösteren mevcut çalışmalardan esinlenerek, varlık fiyatlarını ve yönlü fiyat hareketlerini tahmin etmek için daha gelişmiş dönüştürücü tabanlı ve yama tabanlı yaklaşımlar uyguluyoruz. Kullanılan dönüştürücü modelleri arasında Vision Transformer~(ViT), Data Efficient Image Transformers~(DeiT) ve Swin bulunmaktadır. Dönüştürücüsüz yama gömme tabanlı bir evrişimsel sinir ağı mimarisi için ConvMixer kullanıyoruz. Test edilen dönüştürücü tabanlı ve yama tabanlı metodolojilerimiz, geçmiş zaman serisi veri kümesindeki doğal görüntü benzeri özelliklerden yararlanarak geçmiş fiyat verilerini kullanarak varlık fiyatlarını ve yön hareketlerini tahmin etmeyi amaçlamaktadır. Dikkat tabanlı mimarilerin uygulanmasından önce, tarihsel zaman serisi fiyat veri seti iki boyutlu görüntülere dönüştürülür. Bu dönüşüm, her biri sabit sayıda ardışık gün için verilere katkıda bulunan çeşitli ortak teknik finansal göstergelerin dahil edilmesiyle kolaylaştırılmıştır. Sonuç olarak, veri setinin çeşitli boyutlarını yansıtan farklı bir iki boyutlu görüntü seti oluşturulmuştur. Daha sonra, piyasa vadilerini ve zirvelerini gösteren orijinal görüntülere Tut, Al veya Sat gibi etiketler eklenmiştir. Deneylere göre, eğitilmiş dikkat tabanlı modeller, özellikle sık işlem gören Borsa Yatırım Fonlarının (ETF'ler) bir alt kümesine uygulandığında, temel konvolüsyonel mimarilerden sürekli olarak daha iyi performans göstermektedir. Dikkat tabanlı mimarilerin, özellikle de ViT'nin bu daha iyi performansı, özellikle uzun test ve bekletme süreleri boyunca hem doğruluk hem de diğer finansal değerlendirme ölçütleri açısından belirgindir. Bu bulgular, dönüştürücü tabanlı yaklaşımların varlık fiyatı ve yön tahmininde öngörü yeteneklerini geliştirme potansiyelinin altını çizmektedir. Kodumuz ve işlenmiş veri setlerimiz~https://github.com/seferlab/price_transformer