Компьютерное зрение для трейдинга (Часть 2): Усложняем архитектуру до 2D-анализа RGB-изображений

Введение: когда цифры оживают

В первой части нашего исследования мы показали, как сверточные нейронные сети могут анализировать временные ряды валютных котировок через одномерные фильтры. Теперь мы совершаем качественный скачок: учим алгоритмы воспринимать рынок как целостный ландшафт, наполненный текстурами, паттернами и скрытыми сигналами.

Превращение сухих числовых рядов в изображения позволяет алгоритму анализировать рынок с совершенно новой перспективы. Именно так мыслят мастера трейдинга, видя не просто таблицы данных, а живую картину рынка, где каждая деталь несет в себе значимый сигнал. Алгоритм поднимается над одномерным представлением, обнаруживая структуры и закономерности, которые в числовых рядах остаются незаметными.

Алхимия данных: из чисел в визуальные симфонии

Наш цифровой холст размером 128 на 128 пикселей становится полотном, на котором разворачивается рыночная драма. Строки биржевых котировок трансформируются в многоканальные визуальные карты. 

Красный канал пульсирует ценовыми данными — тем самым священным граалем, за которым гоняются трейдеры. Зелёный оживает, благодаря техническим индикаторам: скользящие средние, MACD, полосы Боллинджера — инструменты, отточенные десятилетиями. Синий канал дышит осцилляторами — RSI, стохастик, показатели волатильности, которые, словно пульс, показывают настроение рынка.

Код, который творит эту магию, обманчиво прост, но за ним скрывается мощь, способная перевернуть наше понимание рынков:

# Фрагмент кода, превращающий данные в RGB-изображение
for t in range(window_size):
    x = int(t / window_size * img_size[1])
    y = int((1 - img_data[j, t]) * img_size[0])
    if 0 <= y < img_size[0] and 0 <= x < img_size[1]:
        img[y, x, 0] = 1.0  # Красный канал для ценовых данных

Когда данные превращаются в изображение, на нём проступают удивительные формы, будто звёзды на ночном небе. Это как увидеть лицо на фотографии, вместо того, чтобы описывать его формулами. Паттерны, которые трейдеры годами учатся распознавать — “голова и плечи”, “двойное дно”, “флаг” — оживают перед алгоритмом, становясь такими же очевидными, как рассвет. 

Чтобы сделать эти картины ещё богаче, мы добавили свечные паттерны. Бычьи свечи горят зелёным, как надежда на рост, медвежьи — красным, как предупреждение об опасности. Фитили рисуются полутонами, словно тени, намекающие на борьбу покупателей и продавцов. Это позволяет модели не только улавливать общие тренды, но и замечать тонкие детали — “молот”, “поглощение”, “доджи”.

Вот как это воплощено в коде:

if close_y < open_y:  # Бычья свеча
    for y in range(close_y, open_y):
        if 0 <= y < img_size[0] and 0 <= x < img_size[1]:
            img[y, x, 1] = 1.0  # Зелёный
else:  # Медвежья свеча
    for y in range(open_y, close_y):
        if 0 <= y < img_size[0] and 0 <= x < img_size[1]:
            img[y, x, 0] = 1.0  # Красный

Эти изображения — не просто визуализация. Они как тепловые карты, где интенсивность цвета отражает энергию рынка, а каждая свеча — это маленький рассказ о битве между быками и медведями. Это новый язык, на котором алгоритм говорит с рынком, и он звучит, как поэзия.

Нейронная архитектура: искусственный трейдер с тройным зрением

Создать искусственного трейдера — это как построить небоскрёб, где каждый этаж выполняет свою задачу, а вместе они творят нечто грандиозное. Наша архитектура — это три параллельных пути, каждый из которых смотрит на рынок под своим углом. Первый путь, с короткими сверточными фильтрами, ловит мгновенные вспышки: пробои уровней, развороты, резкие скачки. Второй, с длинными фильтрами, вглядывается в большие тренды, которые, словно реки, формируют рыночные циклы. Третий путь следит за волатильностью и энергией, анализируя осцилляторы, чтобы понять, спокоен рынок или готов взорваться.

Код, который воплощает эту идею, выглядит так:

local_path = Conv1D(64, 3, padding='same', activation='relu')(inputs[:,:,:,0])
trend_path = Conv1D(64, 7, padding='same', activation='relu')(inputs[:,:,:,1])
vol_path = Conv1D(64, 5, padding='same', activation='relu')(inputs[:,:,:,2])

Эти пути сливаются в единое целое, но перед этим проходят через механизм внимания — технологию, которая учит модель фокусироваться на главном, как трейдер, который в шуме новостей и графиков видит только ключевой сигнал. Маркус дю Сотой, автор “Кода креативности”, сравнивает это с медитацией: “Модель учится отбрасывать шум и видеть суть”. Одна строка кода делает это реальностью:

attention_layer = Attention()([merged, merged])

Но это ещё не всё. Мы добавили двунаправленный LSTM-слой, который двунаправленно смотрит на данные вперёд и назад, как историк, перелистывающий страницы прошлого и будущего. Это помогает уловить сложные закономерности: затяжные консолидации, скрытые реверсии, моменты, когда рынок замирает перед рывком. А затем, глобальное объединение признаков, словно дирижёр, собирает все ноты в единую симфонию, создавая целостное видение рынка.

Финальный штрих — многозадачное обучение. Модель не просто решает, пойдёт цена вверх или вниз, она предсказывает, насколько сильно рынок двинется. Питер Линч, легендарный инвестор, однажды сказал: “Знать, что акция вырастет, — это одно. Предвидеть, что она вырастет ровно на 8%, — совсем другое”. Наша модель делает именно это, как шахматист, который видит не только ход, но и всю партию.

Через замочную скважину: как алгоритм раскрывает свои мысли

Код, который делает это возможным, прост, но за ним скрывается революция:

attention = np.mean(np.abs(attention_maps[i]), axis=-1)
heatmap = cv2.applyColorMap(np.uint8(255 * attention_resized), cv2.COLORMAP_JET)

Эта визуализация — начало новой науки, нейронной интерпретации рынков. Впервые мы не просто получаем прогноз из чёрного ящика, а понимаем, почему он сделан. 

Ещё одно открытие — специализация нейронов. Анализируя активации внутренних слоёв, мы увидели, что одни нейроны “загораются” только на резких разворотах, другие — на плавных трендах, третьи — на затишьях перед бурей. Это как в человеческом мозге, где разные зоны отвечают за зрение или слух.

Модель создала свою собственную карту рынка, классифицируя ситуации так, как не делал ни один аналитик. Например, она обнаружила нестандартные дивергенции между RSI и ценой, которые опытные трейдеры позже подтвердили как значимые. Это не просто алгоритм — это новый способ видеть рынок.

Прозрачность решений: когда машина объясняет себя

Наша система не просто выдаёт прогнозы — она объясняет, как пришла к ним. Мы можем нарисовать график, где области внимания модели выделены красным, показывая, на что она смотрит. Это как заглянуть в мысли трейдера, который обводит ключевые точки на графике. Код для такой визуализации выглядит так:

def plot_prediction_with_attention(data, prediction, attention_weights):
    plt.plot(data.index, data['close'], label='Цена закрытия', color='black', linewidth=2)
    for i in range(len(data.index) - 1):
        plt.axvspan(data.index[i], data.index[i+1], 
                   alpha=attention_weights[i] * 0.3, color='red')

Такие картинки превращают модель из загадки в партнёра. Трейдер видит не только, что рынок пойдёт вверх, но и почему: какие индикаторы, какие свечи, какие моменты убедили алгоритм. Модель скользит по данным, выдавая предсказания кадр за кадром, словно режиссёр, снимающий фильм о рынке. Это не просто числа — это история, рассказанная в движении.

imageio.mimsave(gif_path, frames, duration=0.5)

Истории успеха: как модель меняет игру

Чтобы понять, как модель работает на практике, представьте трейдера по имени Анна, которая работает в небольшом проп-трейдинговом фонде в Чикаго. Анна годами полагалась на свой опыт и интуицию, но рынок становился всё сложнее, а конкуренция — всё жёстче. Когда она начала использовать такую модель, её подход изменился. Вместо того, чтобы часами анализировать графики, она теперь смотрит на тепловые карты внимания, которые модель рисует поверх EURUSD. Эти карты показывают, где рынок готов развернуться, где тренд набирает силу, где стоит ждать затишья. Но также модель может полностью избавить девушку от стресса, эволюционировав в торгового робота. 

Технические тонкости: как модель учится видеть

Одним из ключевых шагов было использование RobustScaler для нормализации данных. Рынки — это хаос, где выбросы вроде внезапных новостей могут исказить картину. RobustScaler помогает модели оставаться устойчивой, игнорируя эти аномалии. Вот как это работает:

scaler = RobustScaler()
if window_data[indicator].std() != 0:
    img_data[j] = scaler.fit_transform(window_data[indicator].values.reshape(-1, 1)).flatten()

Ещё одна хитрость — размытие изображений с помощью гауссова фильтра. Это сглаживает шум, помогая модели сосредоточиться на общих паттернах, а не на случайных всплесках. Это как надеть очки, чтобы увидеть лес за деревьями:

img = gaussian_filter1d(img, sigma=0.5, axis=0)
img = gaussian_filter1d(img, sigma=0.5, axis=1)

Обучение модели — это отдельная сага. Мы использовали колбэки, чтобы она не переобучалась, сохраняла лучшие версии и адаптировала скорость обучения. EarlyStopping останавливает процесс, если модель начинает “зубрить” и выучивать данные, а ReduceLROnPlateau снижает шаг, когда прогресс замедляется. Это как учить ребёнка кататься на велосипеде: поддерживаешь, пока он не поедет сам.

callbacks = [
    EarlyStopping(monitor='val_direction_accuracy', patience=15, restore_best_weights=True, verbose=1, mode='max'),
    ModelCheckpoint(filepath=os.path.join(checkpoint_dir, 'best_model.keras'), monitor='val_direction_accuracy', save_best_only=True, verbose=1),
    ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=7, min_lr=0.00001, verbose=1)
]

Результаты графика обучения обнадеживают — точность на тестовой выборке не так уж и падает и остается стабильно выше 53% , и это на небольшом количестве эпох обучения:

Наша улучшенная архитектура уже демонстрирует многообещающие результаты, но это лишь начало пути. 

Интеграция фундаментальных данных

Текущая модель работает исключительно с техническими данными. Следующий логический шаг — интеграция фундаментальных факторов: экономических показателей, новостных событий, рыночных настроений. Это можно реализовать через мультимодальное обучение, где новостной контекст преобразуется в векторные представления и объединяется с техническими данными.

Временная иерархия и фрактальная структура рынков

Рынки имеют фрактальную природу: паттерны проявляются на разных таймфреймах с поразительным самоподобием. Архитектура на основе иерархической обработки разных таймфреймов (от минутных до месячных графиков) может выявлять сложные многоуровневые закономерности.

Адаптивное обучение и метаобучение

Рынки постоянно эволюционируют, что требует непрерывной адаптации моделей. Перспективным направлением является разработка системы мета-обучения, которая автоматически корректирует архитектуру и параметры модели, в зависимости от изменения рыночных условий.

Эти детали — не просто код. Это фундамент, на котором модель учится видеть рынок глубже, чем любой трейдер.

Заглядывая в будущее: новые горизонты

Наша модель — это только начало, первый мазок на большом холсте. Представьте, что мы добавим новости и экономические данные. Трансформеры превратят заголовки Bloomberg и отчёты ФРС в векторы, которые модель смешает с графиками и индикаторами. Решение о повышении ставки, или внезапный твит Илона Маска, станут частью картины, которую видит алгоритм. Это как дать трейдеру не только график, но и весь контекст мира.

Рынки — это фракталы, где паттерны повторяются на разных масштабах, от минут до месяцев. Если мы научим модель смотреть на все таймфреймы одновременно, она сможет находить вложенные тренды, которые ускользают даже от лучших аналитиков. Представь модель, которая видит “голову и плечи” на дневном графике, а внутри неё — микропаттерн на пятиминутке. Это как разглядеть галактику и её звёзды одним взглядом.

А что, если модель будет сама себя улучшать? Метаобучение позволит ей адаптироваться к сменам рыночных режимов — от штиля до бури. Если рынок становится волатильным, она сама подстроит свои параметры, как капитан, который правит рулём в шторм. Это не фантазия — это следующий шаг, который уже маячит на горизонте.

Прозрачность — ещё одна цель. Мы хотим, чтобы трейдеры не просто доверяли модели, но учились у неё. Более глубокие визуализации внимания и активаций покажут, как алгоритм думает, и, возможно, научат нас самих видеть рынок иначе. Представьте, что модель выделяет паттерн, который никто раньше не замечал, и трейдеры начинают называть его “нейронным крестом” в её честь. Это будет не просто инструмент, а новый способ мышления.