Fugu-MT 論文翻訳(概要): Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study

論文の概要: Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study

arxiv url: http://arxiv.org/abs/2605.00875v1
Date: Sat, 25 Apr 2026 04:32:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:49.43603
Title: Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study
Title（参考訳）: 暗号レジーム予測のためのビジュアルチャート表現:体系的深層学習研究
Authors: Dustin M. Haggett,
Abstract要約: 技術トレーダーは長い間、市場パターンを特定し価格の動きを予測するためにロウソクスティックチャートのビジュアル分析に頼ってきた。ディープラーニングは画像分類において顕著な成功を収めてきたが、財務図画像への応用はいまだに未検討である。本稿では,暗号通貨体制予測のための異なる視覚的表現を比較検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Technical traders have long relied on visual analysis of candlestick charts to identify market patterns and predict price movements. While deep learning has achieved remarkable success in image classification, its application to financial chart images remains underexplored. This paper presents a systematic study comparing different visual representations for cryptocurrency regime prediction. We evaluate three image encoding methods (raw candlestick charts, Gramian Angular Fields, and multi-channel GAF), five chart component configurations, four neural network architectures (CNN, ResNet18, EfficientNet-B0, and Vision Transformer), and the impact of ImageNet transfer learning. Through eight controlled experiments on Bitcoin, Ethereum, and S&P 500 data spanning 2018-2024, we identify optimal configurations for visual regime classification. Our results show that a simple 4-layer CNN on raw candlestick charts achieves 0.892 AUC-ROC, outperforming larger pretrained models. Surprisingly, simpler representations (price-only charts, 128x128 resolution) consistently outperform more complex alternatives. We provide interpretability analysis using GradCAM and demonstrate that transfer learning improves performance by 4-16% despite the domain gap between natural images and financial charts.
Abstract（参考訳）: 技術トレーダーは長い間、市場パターンを特定し価格の動きを予測するためにロウソクスティックチャートのビジュアル分析に頼ってきた。ディープラーニングは画像分類において顕著な成功を収めてきたが、財務図画像への応用はいまだに未検討である。本稿では,暗号通貨体制予測のための異なる視覚的表現を比較検討する。我々は,3つの画像符号化手法(raw candlestick charts, Gramian Angular Fields, multi-channel GAF),5つのチャート構成,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),イメージネット転送学習の影響を評価した。 2018-2024年におけるBitcoin、Ethereum、S&P 500のデータに関する8つの制御された実験を通じて、視覚的システマティクス分類のための最適な設定を特定した。その結果, 生のロウソクスティックチャート上の単純な4層CNNは0.892 AUC-ROCを実現し, より大規模な事前学習モデルよりも優れていた。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、より複雑な代替よりも一貫して優れている。我々はGradCAMを用いた解釈可能性解析を行い、自然な画像と財務チャートの領域差にもかかわらず、転送学習によって性能が4-16%向上することを示した。

関連論文リスト

Fast Graph Neural Network for Image Classification [0.0]
本研究では,グラフ畳み込みネットワーク(GCN)とボロノイ図を統合して画像分類を強化する手法を提案する。提案モデルは,各種ベンチマークデータセットの事前処理効率と分類精度の両方において,大幅な改善を実現する。
論文参考訳（メタデータ） (2025-08-20T17:57:59Z)
From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images [4.806505912512235]
グラフニューラルネットワーク(GNN)は、グラフベースの機械学習タスクの強力なアプローチとして登場した。以前の研究では、分類や異常検出などの下流タスクに対して、画像由来のグラフ表現にGNNを適用していた。 GNNに基づくグラフレベルの異常検出における多数の画像-グラフ変換手法の有効性を厳密に比較した研究はない。我々は、最先端のGLADモデルを用いた皮膚内視鏡画像の広範な実験を行い、純粋に教師なし、弱教師付き、完全に監督された体制における性能と効率について検討した。
論文参考訳（メタデータ） (2025-08-15T22:16:29Z)
Enhanced Convolutional Neural Networks for Improved Image Classification [0.40964539027092917]
CIFAR-10は、小規模のマルチクラスデータセットの分類モデルの性能を評価するために広く使用されているベンチマークである。本稿では,より深い畳み込みブロック,バッチ正規化,ドロップアウト正規化を統合したCNNアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-02-02T04:32:25Z)
Investigating Market Strength Prediction with CNNs on Candlestick Chart Images [0.0]
時系列データのない生のろうそくの視覚情報を用いた効率的なコンピュータビジョンベースモデルを構築した。 YOLOv8で検出されたろうそくのパターンを取り入れた影響を特に分析した。重要な知見は,ロウソクスティックパターンが画像データのみよりもモデル性能を向上しないことを示している。
論文参考訳（メタデータ） (2025-01-21T15:59:21Z)
Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文参考訳（メタデータ） (2022-01-15T01:54:25Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)
Graph Representation Learning for Spatial Image Steganalysis [11.358487655918678]
空間画像ステガナリシスのためのグラフ表現学習アーキテクチャを提案する。詳細なアーキテクチャでは、各画像をグラフに変換し、ノードは画像のパッチを表し、エッジはパッチ間の局所的な関連を示す。注意ネットワークにグラフを供給することにより、効率的なステガナリシスのための識別的特徴を学習することができる。
論文参考訳（メタデータ） (2021-10-03T09:09:08Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-12-05T10:10:12Z)
Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文参考訳（メタデータ） (2020-10-22T20:13:43Z)
ResNeSt: Split-Attention Networks [86.25490825631763]
このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
論文参考訳（メタデータ） (2020-04-19T20:40:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。