Gold Price Trend Prediction from Candlestick Chart Images Using Multi-Time Frame Analysis and Machine Learning
Notice bibliographique
Résumé
Candlestick chart patterns are a cornerstone of technical analysis, offering visual cues for trend identification in financial markets. This paper introduces a novel image-based classification framework for detecting daily gold (XAU/USD) trends using a multi-time frame candlestick encoding. Specifically, each sample comprises a 24-hour sequence of hourly candlesticks rendered as a 96×96 RGB image. The corresponding trend label—Uptrend, Downtrend, or Sideways—is determined by analyzing six overlapping 4-hour candles based on directional dominance, average body size, and overall price slope. Using this labeling logic, we generated over 100,000 labeled samples and evaluated three classification models: Random Forest with PCA, a custom 6-layer convolutional neural network (CNN), and MobileNetV2 with transfer learning. All models were trained using stratified 5-fold cross-validation, with CNN-based models enhanced by data augmentation and early stopping. In the binary classification task (Uptrend vs. Downtrend), the custom CNN achieved the highest performance, with an F1-score of 99.24%, followed closely by MobileNetV2 and Random Forest. To assess model performance under more realistic market conditions, we extended the best CNN architecture to a 3-class setting by adding the Sideways label. While overall accuracy declined due to class imbalance and visual ambiguity, the model still demonstrated robust trend differentiation. These results confirm that combining multi-time frame labeling with visual encoding enables effective and scalable financial trend classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».