意大利的研究人员已经将卷积神经网络（CNN）的新兴科学与人工智能的一门学科-深度学习融合在一起，以实现市场预测系统，与以前使用AI方法进行管理的尝试相比，该系统具有更大的收益和更少的损失股票投资组合。由卡利亚里大学的Silvio Barra教授领导的研究小组在IEEE / CAA自动化学报上发表了他们的发现。
来自卡利亚里大学的团队着手制定一项由AI管理的“买入并持有”（B＆H）策略-一种决定是否采取三种可能行动中的一种的系统-长期行动（购买股票并在交易之前出售股票）市场收盘），做空（卖出股票，然后在市场收盘之前买回）和持有（决定当天不投资股票）。他们提出的系统的核心是分析从当前和过去的市场数据生成的分层图像的自动循环。较早的B＆H系统的决策基于机器学习，而该学科在很大程度上依赖于基于过去性能的预测。
通过让他们建议的网络分析覆盖过去数据的当前数据，他们将市场预测向前走了一步，从而提供了一种更能反映经验丰富的投资者而不是机器人直觉的学习方式。他们建议的网络可以根据当前和过去发生的情况来调整其购买/出售阈值。考虑到当今的因素，与不具备实时学习能力的随机猜测和交易算法相比，都可以提高收益。
为了训练他们的CNN进行实验，研究小组使用了2009年至2016年的S＆P 500数据。标准普尔500指数被视为对整个全球市场健康状况的试金石。
首先，他们提出的交易系统以大约50％的准确度预测市场，或者大约足以在现实世界中达到收支平衡的准确度。他们发现短期异常值超出预期或表现不佳，从而产生了一个称为“随机性”的因素。意识到这一点，他们添加了阈值控制，最终极大地稳定了他们的方法。
巴拉教授说：“减轻随机性会产生两个简单但重要的后果。”“当我们失败时，我们往往会损失很少，而当我们获胜时，我们往往会赢得相当大的胜利。”
根据Barra教授的说法，将需要进一步的增强，因为已经使用的其他自动交易方法使市场变得越来越难以预测。
参考：Silvio Barra，Salvatore Mario Carta，Andrea Corriga，Alessandro Sebastian Podda和Diego Reforgiato Recupero撰写的“用于财务预测的深度学习和图像序列时间编码”，2020年5月，IEEE / CAA自动化学报。DOI：
10.1109 / JAS.2020.1003132
