编辑推荐：
提出融合轻量级神经网络与蜡烛图模式识别的混合框架HCTP，通过跨市场验证（GBP/USD、EUR/USD、AUD/USD）在真实交易成本下实现胜率73.6%-76.0%、利润因子1.29-3.22，较传统方法提升8.7-10.7个百分点。研究强调长期趋势与短期信号协同机制及开源可复现性。
Seyed Amir Agah | Ali Yazdian Varjani | Farsad Zamani Boroujeni | Samaneh Yazdani
伊朗德黑兰伊斯兰自由大学计算机工程系
摘要
计算智能的快速发展极大地改变了算法交易的方式，然而传统的技术分析在波动的金融市场中面临着主观性和适应性有限的挑战。本研究通过提出混合蜡烛图趋势预测器（HCTP）来解决这些局限性，该框架结合了基于轻量级神经网络的长期趋势预测和蜡烛图模式识别来生成短期交易信号。在三个主要货币对（GBP/USD：2019年1月至2025年6月；EUR/USD和AUD/USD：2019年6月至2025年6月）上使用实际执行成本（2.0个点差+3.0个点滑点）进行验证，HCTP的表现始终优于单独的蜡烛图系统，胜率分别达到了73.6%（GBP/USD）、75.9%（EUR/USD）和76.0%（AUD/USD）——这代表了8.7-10.7个百分点的统计学上显著的提升（非重叠的95% Clopper-Pearson置信区间）。盈利因子范围为1.29至3.22。与外部买入并持有基准的进一步比较为所报告的性能提供了更多背景信息。然而，这种增强的选择性是以某些货币对的最大回撤增加为代价的（例如，EUR/USD从3.83%增加到28.20%），这反映了故意的权衡：虽然交易次数减少，但与预测的长期趋势一致的交易具有更高的确定性。通过精确的二项式置信区间对模型进行评估，确认了其在不同外汇市场中的统计上显著的预测性能和一致的行为。尽管交易频率有意较低（每对25-53笔交易），但性能提升仍然具有统计学意义。HCTP框架、数据集和回测代码的开源发布确保了完全的可重复性，并为未来的算法交易研究和实际应用提供了便利。
引言
在过去的二十年里，算法交易通过实现高速、数据驱动的决策方式从根本上改变了金融市场，这种能力超出了人类的能力范围（Sezer和Ozbayoglu，2018）。外汇市场（Foreign Exchange Market）的全球覆盖范围和固有的波动性，特别是像GBPUSD这样的主要货币对，需要先进的计算工具来优化回报同时管理风险（Ozbayoglu等人，2020）。尽管取得了显著进展，但由于金融市场的动态性质和传统技术分析的局限性，开发可靠且适应性强的交易算法仍然具有挑战性（Ansari等人，2022）。
传统方法基于数学和统计分析，依赖于指标和模式来识别市场趋势和入场点。然而，这些方法往往受到主观解释的影响，依赖于可能无法反映当前情况的历史数据，并且对快速的市场变化适应能力有限（Picasso等人，2019）。利用人工智能的现代技术，特别是深度学习，通过直接从原始数据中学习复杂模式来弥补了一些这些不足（Henrique等人，2019）。然而，一个关键的研究空白仍然存在：许多基于机器学习的交易系统是为单一资产或市场条件优化的，这引发了关于过拟合和鲁棒性的担忧（Teixeira和Barbosa，2024）。
为了解决这一空白，本研究引入了混合蜡烛图趋势预测器（HCTP），这是一个新颖的框架，它将深度学习（轻量级神经网络）用于长期（每周）趋势预测与模式识别相结合，用于生成短期（每日）交易信号。HCTP框架的高层次架构如图1所示。在使用实际执行成本（2.0个点差+3.0个点滑点）对六年样本外数据（2019-2025年）进行评估时，HCTP在三个结构不同的主要货币对（GBP/USD、EUR/USD和与商品相关的AUD/USD）上始终实现了73.6-76.0%的胜率和1.29-3.22的盈利因子——这比单独的模式识别方法（64.9-66.7%）提高了8.7-10.7个百分点的胜率，并在不同外汇市场中表现出一致的性能。此外，所提出的混合系统使用了统计上严格的性能指标进行评估，包括精确的Clopper–Pearson 95%置信区间来确保结果在多个货币对上的可靠性和可重复性。
本研究的主要贡献包括：
- (1)
开发了HCTP：一个结合了基于轻量级神经网络的趋势预测和基于模式的信号生成的混合框架，这与之前仅关注其中一种方法的工作不同。
- (2)
在现实交易成本下实现了73.6-76.0%的胜率和1.29-3.22的盈利因子，优于单独的模式识别方法。
- (3)
跨市场验证：在GBP/USD、EUR/USD和与商品相关的AUD/USD上展示了一致的性能，解决了资产特定模型的常见局限性。
- (4)
开源发布：提供了框架和数据集，以确保可重复性，这与大多数之前的研究不同。
本文的其余部分组织如下：第2节回顾了算法交易和计算金融领域的相关工作，强调了现有的空白。第3节详细介绍了HCTP的设计和实现，包括其轻量级神经网络和模式识别组件。第4节展示了性能评估，并将HCTP与基准进行了比较。第5节对结果进行了批判性讨论，分析了关键的权衡和性能特征。第6节总结了本研究的主要局限性。最后，第7节总结了主要发现并指出了未来的研究方向。
相关文献
相关工作
本节回顾了算法交易的文献，重点关注技术分析和计算智能的整合，以提高交易的准确性和可靠性。回顾分为三个小节：第2.1节讨论了传统的技术分析，第2.2节探讨了机器学习和深度学习的应用，第2.3节指出了本研究解决的问题。
混合框架的开发
在本节中，我们介绍了混合蜡烛图趋势预测器（HCTP），这是一个新颖的框架，它将深度学习（轻量级神经网络）用于长期（每周）趋势预测，并结合蜡烛图模式识别生成短期（每日）交易信号。第3.1节详细介绍了基于深度学习的趋势预测器（DLTP）的开发，第3.2节描述了蜡烛图模式识别子系统（CPRS），第3.3节介绍了顺序混合
评估
第4节提出了所提出框架的实证评估。首先，使用一套全面的盈利能力、风险和风险调整指标分析了HCTP的性能。随后，将结果与标准的外部市场基准进行了对比。
讨论
HCTP取得的性能提升——体现在所有三个主要外汇对上持续的更高胜率（73.6-76.0%）和盈利因子（1.29-3.22）——伴随着一个可预测且战略上有动机的权衡：最大回撤的增加。这种行为在算法交易文献中有充分的记录，其中选择性的、确认趋势的系统更重视信号质量而非数量，因此在临时情况下接受更深入但频率较低的回撤期
局限性
尽管HCTP框架的回测结果很有前景，但仍需承认几个局限性。首先，该系统仅在历史数据上进行了验证；其在实时交易中的表现尚未经过测试。现实世界中的因素，包括执行延迟、可变流动性和偶尔超出保守的2个点差假设的点差扩大，可能会影响结果。其次，尽管相同的CPRS模式定义和DLTP架构被应用于所有三个货币对，但仍有轻微
结论
本研究介绍了混合蜡烛图趋势预测器（HCTP），这是一个新颖的多时间框架，通过结合每周的轻量级神经网络趋势预测（DLTP）和每日蜡烛图模式识别（CPRS），显著提高了算法交易的性能。
从2019年到2025年，对三个主要外汇对（GBP/USD、EUR/USD和与商品相关的AUD/USD）进行了广泛的样本外回测，使用了实际执行成本（2.0个点差+3.0个点滑点）
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
