DeepSupp: 基于注意力驱动的相关性模式分析识别动态时间序列的支持和阻力水平-计算机科学-深度学习-时间序列.pdfVIP

DeepSupp:基于注意力驱动的相关性模式分析识别动态时间序列的支持和阻力

水平

BorisKriuk,LogicNg,ZarifAlHossain

HongKongUniversityofScienceandTechnology

ClearWaterBay,HongKong

{bkriuk,lcngab,zahossain}@connect.ust.hk

Abstract的价格门槛[3]。当价格接近支撑位时，交易者预计会

本受到买家带来的向上压力；相反，阻力位则预计将引发

译支撑位和阻力位（SR）水平是技术分析的核心，指卖出。

中导交易者进行进场、出场和风险管理。尽管广泛使用，实证研究表明，SR水平的预测相关性得到确认，

1传统的SR识别方法常常无法适应现代波动市场的复[2,14]发现金融公司发布的SR水平对未来的市场价格

v杂性。最近的研究引入了机器学习技术来应对以下挑变动具有统计学上的显著影响。高频逐笔数据的分析

1

7战，但大多数研究重点在于价格预测而非结构级别识表明，价格更有可能在已建立的SR水平处反弹而不是

9别。本文提出了DeepSupp，一种新的深度学习方法，突破这些水平[6,20]。这些研究结果与SR水平作为金

1

0用于通过多头注意力机制检测金融支撑水平，分析空融市场中的行为锚点这一更广泛的概念相一致。

.

7间相关性和市场微观结构关系。DeepSupp结合了先进SR水平的实际效用进一步体现在其广泛采用上。

0的特征工程，构建动态相关矩阵以捕捉不断演变的市基于SR水平的交易区间突破策略是使用最频繁且有效

5

2场关系，并采用基于注意力的自动编码器进行鲁棒的的技术交易规则之一[1]。调查显示，经常以SR水平为

:

v表现学习。最终的支持位是通过无监督聚类提取的，利中心的技术分析被86%的专业基金管理人[12]和近三

i

x用DBSCAN来识别重要的价格阈值。在SP500股票分之一的个人投资者[8]采用。

r

a代码上的全面评估表明，DeepSupp超越了六种基准方传统方法如趋势线分析、移动平均和斐波那契回

法，在六个金融指标中达到了最先进的性能，包括关键撤长期以来一直主导实践，但它们缺乏适应当今动荡

支撑精度和市场状态敏感性。无论市场条件如何变化，市场所需的灵活性。计算方法的recentadvancements

DeepSupp始终如一的结果解决了SR水平检测中的关引入了更复杂的方法，如分位数回归和隐马尔可夫模

键缺口，为现代财务分析提供了一种可扩展且可靠的型，尽管它们仍然难以处理金融时间序列的非平稳性

解决方案。我们的方法突显了基于注意力的架构在揭和多维性。

示细微市场模式以及改进技术交易策略方面的潜力。这项研究做出了三个关键贡献：

1.我们引入了DeepSupp，一种新的深度学习方法，

1.介绍它利用多头注意力机制来识别空间相关性中的有

意义的支持水平。

支撑位和阻力位（SR）是技术分析中的基础概念，