Resumen Técnico: Representaciones de Gráficos Visuales para la Predicción de Regímenes de Criptomonedas

Formulación del Problema

Este estudio aborda la aplicación poco explorada del aprendizaje profundo a imágenes de gráficos financieros para la predicción de regímenes. Si bien los traders técnicos han confiado históricamente en el análisis visual de patrones de velas japonesas para pronosticar movimientos del mercado, la evaluación sistemática de cómo diferentes representaciones visuales y arquitecturas neuronales desempeñan esta tarea sigue siendo limitada. El artículo formula la predicción de regímenes como una tarea de clasificación binaria de imágenes: dada una imagen de gráfico que representa $N$ días de datos históricos de precios, el modelo debe predecir si el activo entrará en un régimen "alcista" (definido como un rendimiento que supera un umbral del 2% en un horizonte forward de 7 días) o en un régimen "bajista". La investigación busca determinar configuraciones óptimas para la codificación de imágenes, componentes del gráfico, arquitectura del modelo y estrategias de aprendizaje por transferencia en datos de Bitcoin, Ethereum y el S&P 500.

Metodología

Los autores realizaron ocho experimentos controlados que abarcaron de 2018 a 2024, utilizando datos diarios OHLCV de Bitcoin (BTC-USD), Ethereum (ETH-USD) y el ETF del S&P 500 (SPY). Cada conjunto de datos contenía 500 muestras, divididas cronológicamente en 70% para entrenamiento, 15% para validación y 15% para prueba para evitar el sesgo de visión hacia el futuro.

Codificación de Imágenes y Componentes

Se compararon tres métodos de codificación de imágenes:

1. Gráficos de Velas Japonesas Crudos: Visualizaciones estándar renderizadas mediante mplfinance, que codifican los precios de Apertura, Máximo, Mínimo y Cierre.
2. Campos Angulares Gramianos (GAF): Codificaciones matemáticas que transforman series temporales en matrices de coordenadas polares (variantes de Suma y Diferencia).
3. GAF Multicanal: Apilamiento de matrices GAF separadas para los precios de Apertura, Rango y Cierre en canales RGB.

Se evaluaron cinco configuraciones de componentes del gráfico, que van desde velas de solo precio hasta superposiciones complejas que incluyen barras de volumen, Medias Móviles Simples (SMA) y Bandas de Bollinger.

Arquitecturas de Modelos

Se probaron cuatro arquitecturas:

• CNN Simple: Una red convolucional personalizada de 4 capas (~422k parámetros).
• ResNet18: Una arquitectura estándar de 11.2M de parámetros.
• EfficientNet-B0: Una arquitectura de 4.0M de parámetros.
• Transformador de Visión (ViT-Tiny): Un modelo basado en atención de 5.5M de parámetros.

Los experimentos variaron la resolución de la imagen (64×64, 128×128, 224×224), las ventanas de retroceso (14, 30, 60, 90 días) y el uso de aprendizaje por transferencia de ImageNet. Los modelos se entrenaron utilizando AdamW con ponderación de clases para manejar el desequilibrio de regímenes, y el rendimiento se evaluó principalmente mediante AUC-ROC para garantizar una capacidad de discriminación independiente del umbral.

Contribuciones Clave

1. Comparación Sistemática de Codificaciones: La primera comparación exhaustiva de gráficos de velas japonesas crudos versus codificaciones matemáticas (GAF) para la clasificación de regímenes financieros.
2. Ablación de Componentes Visuales: Un estudio que cuantifica el impacto de agregar indicadores técnicos (volumen, SMA, Bandas de Bollinger) a las imágenes de gráficos.
3. Evaluación Comparativa de Arquitecturas: La primera comparación directa de CNNs versus Transformadores de Visión en imágenes de gráficos de velas japonesas.
4. Análisis de Aprendizaje por Transferencia: Una evaluación de la eficacia del preentrenamiento en ImageNet en el dominio especializado de gráficos financieros.
5. Interpretabilidad: La aplicación de GradCAM para visualizar y validar las características visuales que las CNN aprenden de los gráficos financieros.
6. Código Abierto: Provisión de código, modelos entrenados y resultados experimentales para la reproducibilidad.

Resultados Experimentales

Codificación de Imágenes

Contrario a la hipótesis de que las codificaciones matemáticas preservan mejor las dependencias temporales, los gráficos de velas japonesas crudos superaron significativamente a las variantes GAF. El enfoque de velas crudas logró un AUC-ROC de 0.760, mientras que las variantes GAF de Suma y Multicanal obtuvieron puntuaciones por debajo del azar (0.310 y 0.252, respectivamente). Los autores sugieren que las transformaciones matemáticas pueden destruir los patrones espaciales esenciales para la extracción de características de las CNN.

Componentes del Gráfico

La simplicidad demostró ser superior. Las velas de solo precio produjeron el AUC-ROC más alto (0.815). La adición de barras de volumen, medias móviles o Bandas de Bollinger degradó consistentemente el rendimiento, con la configuración "Todos los Indicadores" cayendo a 0.704. Esto sugiere que los indicadores técnicos o bien introducen ruido visual o proporcionan información redundante ya implícita en los datos de precios.

Ventana de Retroceso y Resolución

• Retroceso: Una ventana de 30 días logró el mejor rendimiento (0.734 AUC), mientras que las ventanas más cortas (14 días) y más largas (60/90 días) tuvieron un desempeño inferior.
• Resolución: Una resolución de 128×128 píxeles alcanzó el pico de AUC-ROC de 0.892. Una resolución más baja (64×64) perdió patrones de grano fino, mientras que una resolución más alta (224×224) introdujo ruido o requirió más datos de los disponibles.

Arquitectura del Modelo

Una CNN simple de 4 capas (~422k parámetros) superó a todos los modelos preentrenados más grandes. Logró un AUC-ROC de 0.831, superando a ResNet18 (0.662), EfficientNet-B0 (0.365) y ViT-Tiny (0.570). Los modelos más grandes exhibieron un sobreajuste severo en el conjunto de datos limitado de 500 muestras, lo que sugiere que, para este dominio específico y volumen de datos, la complejidad del modelo es perjudicial.

Aprendizaje por Transferencia

A pesar de la brecha de dominio entre imágenes naturales y gráficos financieros, el preentrenamiento en ImageNet mejoró consistentemente el rendimiento. Para ResNet18, el preentrenamiento aumentó el AUC-ROC en 4.1 puntos porcentuales; para EfficientNet-B0, la ganancia fue de 16.1 puntos porcentuales. Esto indica que las características de bajo nivel (bordes, texturas) aprendidas de ImageNet se transfieren eficazmente al análisis de gráficos.

Generalización Transversal de Activos

El rendimiento varió significativamente según el activo. Bitcoin mostró la mayor predictibilidad (0.734 AUC), mientras que Ethereum (0.492) y el S&P 500 (0.459) tuvieron un desempeño cercano o por debajo del azar. Los autores atribuyen la predictibilidad de Bitcoin al dominio de los traders minoristas que confían en el análisis técnico, creando patrones autocumplidos.

Interpretabilidad

Las visualizaciones de GradCAM confirmaron que el modelo se centra en la acción reciente de los precios (el lado derecho del gráfico) y en velas con cuerpos grandes (momentum significativo). El modelo también prestó atención a las transiciones de color (reversiones de tendencia), alineando sus características aprendidas con los principios establecidos del análisis técnico.

Significado y Afirmaciones

El artículo concluye que "la simplicidad gana" en la predicción visual de regímenes. La configuración óptima identificada es una CNN simple entrenada en gráficos de velas japonesas crudos, de solo precio, a una resolución de 128×128 con un retroceso de 30 días.

Las implicaciones clave extraídas por los autores incluyen:

• Representación de Datos: Las visualizaciones crudas preservan mejor la información predictiva que las codificaciones matemáticas abstractas.
• Ingeniería de Características: Agregar indicadores técnicos a las imágenes es contraproducente; menos desorden visual conduce a un mejor rendimiento del modelo.
• Selección de Modelos: Los practicantes deben priorizar modelos simples sobre arquitecturas grandes y preentrenadas cuando los datos son limitados, ya que los modelos complejos se sobreajustan fácilmente.
• Aprendizaje por Transferencia: Incluso con una brecha de dominio significativa, el preentrenamiento en ImageNet proporciona un impulso medible en el rendimiento.
• Especificidad del Mercado: Los patrones visuales son más predictivos en los mercados de criptomonedas (específicamente Bitcoin) que en las acciones tradicionales, probablemente debido a la microestructura del mercado y al comportamiento de los participantes.

Los autores enfatizan que estos hallazgos ofrecen orientación práctica para el diseño de sistemas de trading visual, sugiriendo que los esfuerzos de ingeniería deben centrarse en la calidad de los datos y la formulación del problema en lugar de aumentar la complejidad del modelo. Advierten que los resultados pueden variar con conjuntos de datos más grandes y que los patrones predecibles podrían ser arbitrados a medida que los mercados evolucionan.