Technische Samenvatting: Visuele Grafiekrepresentaties voor Cryptocurrency Regimevoorspelling

Probleemformulering

Deze studie behandelt de onderbelichte toepassing van deep learning op financiële grafiekafbeeldingen voor regimevoorspelling. Hoewel technische handelaren historisch gezien hebben vertrouwd op visuele analyse van kaarspatronen om marktbewegingen te voorspellen, blijft de systematische evaluatie van hoe verschillende visuele representaties en neurale architecturen presteren op deze taak beperkt. Het artikel formuleert regimevoorspelling als een binaire beeldclassificatietak: gegeven een grafiekafbeelding die $N$ dagen aan historische prijsdata vertegenwoordigt, moet het model voorspellen of het actief een "bull"-regime zal betreden (gedefinieerd als een rendement dat een drempel van 2% over een vooruitkijkende horizon van 7 dagen overschrijdt) of een "bear"-regime. Het onderzoek tracht optimale configuraties te bepalen voor beeldcodering, grafiekcomponenten, modelarchitectuur en transfer learning-strategieën over Bitcoin-, Ethereum- en S&P 500-data.

Methodologie

De auteurs voerden acht gecontroleerde experimenten uit over de periode 2018–2024, met gebruikmaking van dagelijkse OHLCV-data van Bitcoin (BTC-USD), Ethereum (ETH-USD) en de S&P 500 ETF (SPY). Elke dataset bevatte 500 samples, chronologisch verdeeld in 70% training, 15% validatie en 15% test om vooruitkijkende bias te voorkomen.

Beeldcodering en Componenten

Drie methoden voor beeldcodering werden vergeleken:

1. Rauwe Kaarsdiagrammen: Standaard visualisaties gerenderd via mplfinance, die Open, High, Low en Close-prijzen coderen.
2. Gramian Angular Fields (GAF): Wiskundige coderingen die tijdreeksen transformeren naar polaire coördinatenmatrijzen (Som- en Verschilvarianten).
3. Multi-kanaals GAF: Het stapelen van afzonderlijke GAF-matrijzen voor Open, Range en Close-prijzen in RGB-kleurkanalen.

Vijf configuraties van grafiekcomponenten werden geëvalueerd, variërend van kaarsen met alleen prijs tot complexe overlays met volumestaven, Simple Moving Averages (SMA) en Bollinger Bands.

Modelarchitecturen

Vier architecturen werden getest:

• Eenvoudige CNN: Een aangepast 4-laags convolutienetwerk (~422k parameters).
• ResNet18: Een standaard architectuur met 11,2M parameters.
• EfficientNet-B0: Een architectuur met 4,0M parameters.
• Vision Transformer (ViT-Tiny): Een op attention gebaseerd model met 5,5M parameters.

Experimenten varieerden beeldresolutie (64×64, 128×128, 224×224), terugkijkvensters (14, 30, 60, 90 dagen) en het gebruik van ImageNet transfer learning. Modellen werden getraind met AdamW en class weighting om regime-ongelijkheid te hanteren, en prestaties werden primair geëvalueerd met AUC-ROC om onafhankelijke discriminatiecapaciteit van de drempelwaarde te waarborgen.

Belangrijkste Bijdragen

1. Systematische Vergelijking van Coderingen: De eerste uitgebreide vergelijking van rauwe kaarsdiagrammen versus wiskundige coderingen (GAF) voor financiële regimeclassificatie.
2. Ablatie van Visuele Componenten: Een studie die de impact kwantificeert van het toevoegen van technische indicatoren (volume, SMA, Bollinger Bands) aan grafiekafbeeldingen.
3. Architectuur Benchmarking: De eerste directe vergelijking van CNN's versus Vision Transformers op kaarsdiagram-afbeeldingen.
4. Transfer Learning Analyse: Een evaluatie van de effectiviteit van ImageNet pretraining in het gespecialiseerde domein van financiële grafieken.
5. Interpreteerbaarheid: De toepassing van GradCAM om de visuele kenmerken te visualiseren en valideren die CNN's leren uit financiële grafieken.
6. Open Source: Voorziening van code, getrainde modellen en experimentele resultaten voor reproduceerbaarheid.

Experimentele Resultaten

Beeldcodering

In tegenstelling tot de hypothese dat wiskundige coderingen temporale afhankelijkheden beter behouden, presteerden rauwe kaarsdiagrammen aanzienlijk beter dan GAF-varianten. De rauwe kaarsdiagrambenadering behaalde een AUC-ROC van 0,760, terwijl GAF Som- en Multi-kanaals varianten onder het willekeurige niveau scoorden (respectievelijk 0,310 en 0,252). De auteurs suggereren dat wiskundige transformaties de ruimtelijke patronen kunnen vernietigen die essentieel zijn voor CNN-kenmerkextractie.

Grafiekcomponenten

Eenvoud bleek superieur. Kaarsen met alleen prijs leverden de hoogste AUC-ROC op (0,815). Het toevoegen van volumestaven, voortschrijdende gemiddelden of Bollinger Bands degradeerde consequent de prestaties, waarbij de configuratie "Alle Indicatoren" daalde naar 0,704. Dit suggereert dat technische indicatoren ofwel visuele ruis introduceren of redundantie informatie bieden die al impliciet aanwezig is in de prijsdata.

Terugkijkvenster en Resolutie

• Terugkijkvenster: Een venster van 30 dagen behaalde de beste prestatie (0,734 AUC), terwijl kortere (14 dagen) en langere (60/90 dagen) vensters slechter presteerden.
• Resolutie: Een resolutie van 128×128 pixels behaalde de piek AUC-ROC van 0,892. Lagere resolutie (64×64) verloor fijnmazige patronen, terwijl hogere resolutie (224×224) ruis introduceerde of meer data vereiste dan beschikbaar was.

Modelarchitectuur

Een eenvoudig 4-laags CNN (~422k parameters) presteerde beter dan alle grotere, voorgetrainde modellen. Het behaalde een AUC-ROC van 0,831, waarmee het ResNet18 (0,662), EfficientNet-B0 (0,365) en ViT-Tiny (0,570) overtrof. De grotere modellen vertoonden ernstig overfitting op de beperkte dataset van 500 samples, wat suggereert dat voor dit specifieke domein en deze datavolume modelcomplexiteit schadelijk is.

Transfer Learning

Ondanks het domeinverschil tussen natuurlijke afbeeldingen en financiële grafieken, verbeterde ImageNet pretraining consequent de prestaties. Voor ResNet18 verhoogde pretraining de AUC-ROC met 4,1 procentpunten; voor EfficientNet-B0 was de winst 16,1 procentpunten. Dit geeft aan dat laag-niveau kenmerken (randen, texturen) die van ImageNet zijn geleerd, effectief overdragen naar grafiekanalyse.

Cross-Asset Generalisatie

Prestaties varieerden aanzienlijk per actief. Bitcoin toonde de sterkste voorspelbaarheid (0,734 AUC), terwijl Ethereum (0,492) en de S&P 500 (0,459) presteerden in de buurt van of onder het willekeurige niveau. De auteurs schrijven de voorspelbaarheid van Bitcoin toe aan de dominantie van retail-handelaars die vertrouwen op technische analyse, wat zelfvervullende patronen creëert.

Interpreteerbaarheid

GradCAM-visualisaties bevestigden dat het model zich richt op recente prijsactie (de rechterkant van de grafiek) en kaarsen met grote lichamen (significante momentum). Het model besteedde ook aandacht aan kleurtransities (trendomkeringen), waarbij de geleerde kenmerken in lijn zijn met gevestigde principes van technische analyse.

Betekenis en Claims

Het artikel concludeert dat "eenvoud wint" bij visuele regimevoorspelling. De geïdentificeerde optimale configuratie is een eenvoudig CNN getraind op rauwe, prijs-only kaarsdiagrammen met een resolutie van 128×128 en een terugkijkvenster van 30 dagen.

Belangrijke implicaties die door de auteurs worden getrokken, zijn:

• Data Representatie: Rauwe visualisaties behouden voorspellende informatie beter dan abstracte wiskundige coderingen.
• Feature Engineering: Het toevoegen van technische indicatoren aan afbeeldingen is contraproductief; minder visuele rommel leidt tot betere modelprestaties.
• Modelselectie: Beoefenaars moeten eenvoudige modellen prioriteren boven grote, voorgetrainde architecturen wanneer data beperkt is, aangezien complexe modellen gemakkelijk overfitting vertonen.
• Transfer Learning: Zelfs met een aanzienlijk domeinverschil biedt ImageNet pretraining een meetbare boost in prestaties.
• Marktspecificiteit: Visuele patronen zijn voorspelbaarder in cryptocurrency-markten (specifiek Bitcoin) dan in traditionele aandelen, waarschijnlijk vanwege marktmicrostructuur en deelnemersgedrag.

De auteurs benadrukken dat deze bevindingen praktische richtlijnen bieden voor het ontwerpen van visuele trading-systemen, en suggereren dat engineering-inspanningen zich moeten richten op datakwaliteit en probleemformulering in plaats van het verhogen van modelcomplexiteit. Zij waarschuwen dat resultaten kunnen variëren bij grotere datasets en dat voorspelbare patronen kunnen worden ge-arbitrageerd naarmate markten evolueren.