환율 시계열 데이터를 클러스터링 한 이야기

본 기사 내용 요약

환율 데이터를 클러스터링해 보았습니다.

k-means, 유클리드 거리를 사용했습니다.

상위 다리 (보다 긴 시간축) 데이터를 결합하면 유용합니다.

상위 다리를 사용하면, 라벨(이식:1, 손해:-1, 보유 시간에 의한 결제:0)의 비율의 편향이 양호화되었다.

개발 환경

Colaboratory

scikit-learn

데이터 준비

2018.01~2019.04의 USD/KRW 사용,
5분 다리에서의 이동 평균선의 골든 크로스의 엔트리 포인트를 샘플 데이터로 했습니다. (2482 데이터)
* 특징량:
* 엔트리 포인트 전 약 3 시간 분의 데이터 (ohlc)
* RSI

라벨링

라벨링은 다음 규칙에 따라 수행되었습니다.


Result
라벨


Profit
1

Loss
-1

보유시간에 의한 결제
0


이번은, 대략 3등분되도록 손절과 이식의 라인을 설정했습니다.

클러스터링

예상 결과

이하의 그래프와 같이, 클러스터마다 "이식"/"손절"/"보유 시간에 의한 결제"가 각각 깨끗하게 나누어질 것을 기대했습니다.



이것이라면, 클러스터 2의 경우는 다마시라고 판단해, 트레이드를 배웅할 수 있군요.

결과

scikit-learn의 TimeSeriesKMeans를 사용하여 클러스터링하고 각 클러스터의 레이블 비율을 표시하고 승률 순서로 정렬했습니다.



이마이치. .
승률 최대 클러스터는 45%, 최소 클러스터는 22%였습니다.
원래가 거의 3등분(33%)이므로, 조금은 나눌 수 있을 것 같습니다만, 좀 더 깨끗하게 나누어져 싶은 곳입니다.

상위 발 추가

개선을 목표로 다음의 더 긴 시간 발 정보를 특징 량에 추가하기로 결정했습니다.
* 30분 발로 오실레이터계의 인디케이터
* 2시간 발로 트렌드 팔로우형 인디케이터

그 결과는 다음과 같습니다.


승률 최대 클러스터는 63%, 최소 클러스터는 14%였습니다.
상위 다리의 정보를 추가하여 오이타 양화했습니다.
상위 다리의 정보가 유용하다는 것을 다시 확인할 수 있었기 때문에 좋았던 것이 아닐까요.
이 정도의 결과라면 다마시를 회피하는 것은 어려울 것 같습니다만, 포지션의 수량의 조정에는 사용할 수 있을 것이라고 개인적으로는 생각했습니다.

기사를 읽어 주셔서 감사합니다.

참고

파이썬에서 시계열 데이터를 클러스터링해 봅시다.

금융 기계 학습