テクニカルトレーダーは長年にわたり、ロウソク足チャートの視覚的分析に依存して市場パターンを識別し、価格変動を予測してきました。深層学習は画像分類で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応用はまだ十分に探求されていません。先日、スティーブンス工科大学の研究論文が、暗号通貨のレジーム予測における異なる視覚的表現方法の体系的な比較を発表しました。この研究では、3つの画像符号化方法（生のロウソク足チャート、Gramian Angular Field（GAF）、マルチチャネルGAF）、5つのチャート構成（価格のみ、出来高と価格、移動平均など）、4つのニューラルネットワークアーキテクチャ（単純なCNN、ResNet18、EfficientNet-B0、Vision Transformer）、およびImageNet転移学習の影響を評価しました。研究チームは、2018年から2024年までのビットコイン、イーサリアム、S&P 500のデータを使用して8つの制御実験を実施し、視覚的レジーム分類の最適な構成を特定しました。
実験結果は、単純な4層CNNが生のロウソク足チャートで0.892のAUC-ROCを達成し、EfficientNet-B0やVision Transformerなどのより大規模な事前学習モデルを凌駕することを示しました。驚くべきことに、価格のみのチャートや128x128の低解像度といった単純な表現方法が、複雑な代替案よりも一貫して優れたパフォーマンスを示しました。これは、金融チャート分析において必ずしも複雑な手法が有効とは限らず、シンプルな設計が重要なパターンを捉えるのに適している可能性を示唆しています。研究者はまた、GradCAM技術を用いて解釈可能性分析を行い、モデルが注目する価格領域を明らかにしました。さらに、自然画像と金融チャートの間には顕著なドメインギャップがあるにもかかわらず、ImageNet転移学習は4〜16％の性能向上をもたらし、転移学習がドメインを超えた応用においても有効であることを実証しました。
この研究は、深層学習を金融チャート分析に適用するための体系的なベンチマークと実践的な洞察を提供します。著者は、モデル開発においてはシンプルな表現を優先し、転移学習を活用することを推奨しています。今後の研究では、より広範なデータセットや高度な解釈可能性手法を探求することができます。この論文は2025年秋学期のコースプロジェクトとして提出され、全9ページ、8図、9表から構成され、著者はDustin M. Haggett、論文番号はarXiv:2605.00875です。