先前於Day14時有提到使用人工智慧（深度學習）技術用來進行技術型態識別，於今天開始會有四天的時間來討論這個議題。首先討論深度學習在股票投資方面的應用，接著則是探討一個在GitHub上的股票型態識別的專案以做為之後幾天討論與程式實作的出發點。

深度學習在股票投資之應用

這段內容與前面幾天的課題較無關聯，主要在於網路上的文章(如「Stock Market Predictions with LSTM in Python」或「用深度學習幫你解析K線圖！」）與坊間課程很多使用深度學習之LSTM模型來預測未來股價（或趨勢發展）。上述的作法就是將一堆股價資料去訓練進深度學習模型，之後拿訓練好的模型去預測未來的股價或走勢；雖說與「技術分析」方式並不相同但兩者的意圖卻大同小異，都是想從股價歷史資料中透過統計方式來找出樣態或規則。稍微帶過這方面的議題，接下來回到技術型態的討論。

頭肩頂型態的深度學習識別專案

接下來幾天都會說明與討論深度學習技術用來識別技術型態的部分，在進行之前會在網路上找找是否有先進或同好做過這方面的研究與實作。找了很久發現在GitHub上有一個stock-pattern-recorginition專案（若還有關於這方面的研究或實作歡迎留言分享），該專案概要如下：

本專案提出了一種用於頭肩型態識別的深度學習方法。本專案使用二維Ｋ線圖作為輸入而不是一維向量來預測股票趨勢。使用二維圖像的原因是，有關股票價格的圖像（例如Ｋ線圖）更常被股票投資者使用，並且更容易理解。
與使用一維向量相比，這種方法幾乎不需要任何預處理，並且模型可以使用原始像素。此外，圖像可以包含多個時間序列。另一個原因是卷積神經網絡（CNN）更加穩定。
這種方法可以幫助各類型的交易者在沒有太多股市經驗的情況下分析股市。
它可以幫助投資者在不需要大量人力資源的情況下快速從股市中找到頭肩型態。從 20 個股票指數中收集並標記了 185 個頭肩頂型態。Faster R-CNN 用於訓練包含 150 張圖像的模型。正如預期的那樣，只有 150 張庫存圖片，AP@0.5IOU是64%。該模型仍然存在過擬合問題，因為 150 張圖像不足以訓練。為了解決這些過擬合問題，提供了兩種方法，包括數據分割方法和數據變異方法。數據分割的目的是消除簡單圖表中的噪音。然而，這種方法會導致誤報率顯著增加。數據變異法是解決這一問題的較好方法。基於 30 個原始圖像輸入 8000 個變異圖像的模型的 AP@0.5IOU為74%，比具有 150 個原始圖像的模型提高了 10%。

這個專案會找出頭肩頂型態，模型推論結果如下所示：

原先我想嘗著「復現」這個專案，但它並沒有提供數據集（請參考這篇討論）；另一個問題是它是使用TensorFlow 1（在Day2時有提到深度學習方面的實作都會在Google Colab上進行，但Google Colab已不支援TensorFlow 1.x），因此無法直接使用該專案。但會以這個專案的思路做為接下來以深度學技術識別技術型態之說明與程式實作：

• Day27會先說明物件偵測（Object Detection ）之模型與演算法，stock-pattern-recorginition專案就是使用物件偵測方式來識別型態，當然在這邊對於該演算法之說明只會帶過（鐵人賽已有先進與同好對此議題發表過很多天的內容，在這邊只有一天的篇幅可以說明）。程式實作則是在Google Colab上使用TensorFlow 2 Object Detection API來建置一個（使用公開資料集的）物件偵測偵測模型以做為案例。

• Day28則會建立一個底部型態的實驗資料集，這個資料集不區分是什麼底型。之所以稱為實驗資料集，其原因在於有限資料來源（都由我的股票投資筆記中取得股票老師繪製的底型圖形）與作業時間的關係，導致中包含的股票檔數與筆數將會有所限制。此外也會討論到資料來源與資料擴增（Data Augmentation）等相關方面的議題。

• Day29則是會建置一個物件偵測偵測模型來進行技術型態識別。但由於Day28之實驗資料集限制，因此該模型只能做為一個示範並不能應用於實際的場合。