暗号通貨レジーム予測のための視覚的チャート表現：システマティックな深層学習研究

arXiv cs.CV / 2026/5/5

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

暗号通貨のローソク足データを用いたレジーム予測について、2018〜2024年のBitcoin・Ethereum・S&P 500を対象に、視覚的エンコーディングの違いが性能に与える影響を体系的に検証しています。
rawローソク足チャート、Gramian Angular Fields、マルチチャネルGAFといった複数の画像エンコード手法やチャート構成を比較し、シンプルな入力の方が有利になり得ることを示しています。
4種類のニューラルネット系（CNN、ResNet18、EfficientNet-B0、Vision Transformer）のうち、rawローソク足チャートを用いた小規模な4層CNNが最良で、AUC-ROCは0.892でした。
自然画像と金融チャートのドメインギャップがあるにもかかわらず、ImageNetによる転移学習は4〜16%程度の性能向上につながり、Grad-CAMによる解釈分析も行っています。
表現の複雑さ（例：価格のみのチャート）や解像度（例：128×128）を下げることが、より複雑な表現や事前学習済みモデル、トランスフォーマ型よりも優れる可能性を示唆しています。

Abstract

技術トレーダーは、市場のパターンを特定し、価格変動を予測するために、これまで長くローソク足チャートの視覚的分析に依存してきました。深層学習は画像分類において目覚ましい成功を収めていますが、金融チャート画像への適用はいまだ十分に検討されていません。本論文では、暗号資産のレジーム予測のための異なる視覚表現を比較する体系的な研究を提示します。3つの画像エンコーディング手法（生のローソク足チャート、Gramian Angular Fields、マルチチャネルGAF）、5つのチャート構成コンポーネント、4つのニューラルネットワークアーキテクチャ（CNN、ResNet18、EfficientNet-B0、Vision Transformer）、およびImageNetの転移学習の影響を評価します。2018-2024年にわたるビットコイン、イーサリアム、S&P 500のデータを用いた8つの統制された実験を通じて、視覚的レジーム分類における最適な構成を特定します。結果は、生のローソク足チャートに対する単純な4層CNNが0.892のAUC-ROCを達成し、より大きな事前学習モデルを上回ることを示します。驚くべきことに、より単純な表現（価格のみのチャート、128x128の解像度）は、より複雑な代替案を一貫して上回ります。GradCAMによる解釈可能性分析を提供し、転移学習が、自然画像と金融チャートの間にあるドメインギャップにもかかわらず、性能を4-16%改善することを示します。