Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

株価予想

3,237 views

Published on

Deep Learningを用いた循環物色の予想と関連研究の紹介.

Published in: Technology
  • Be the first to comment

株価予想

  1. 1. 株価予想 2016-06-25 Masataka Nishimori
  2. 2. Agenda ● 問題設定 ● 先行事例紹介 ● Deep Learningで予測
  3. 3. 株価とは 株価とは、1株あたりの株の価格のことです。株式市場には株式会社が発行した分だけ株が存在し、投資 家の「需要(買い)」と「供給(売り)」の関係の中で価格が付けられています。 つまり、買いたい人よりも売りたい人が多ければ株価は下がり、売りたい人よりも買いたい人が多ければ株 価は上がるのです。 (株初心者に贈る株式投資入門より )
  4. 4. 株価とは 株価とは、1株あたりの株の価格のことです。株式市場には株式会社が発行した分だけ株が存在し、投資 家の「需要(買い)」と「供給(売り)」の関係の中で価格が付けられています。 つまり、買いたい人よりも売りたい人が多ければ株価は下がり、売りたい人よりも買いたい人が多ければ株 価は上がるのです。 (株初心者に贈る株式投資入門より ) なんとか予測できるようにしたい!
  5. 5. 問題設定 ● 前日までの株価は既知 ● 当日終値 < N日後終値(N=1,2,3,...)を予想 ● 特定の銘柄ではなくS&P500など株価指数を予想する文献も多数[1,2,3] NOTE: S&P500(エス アンド ピー ファイブハンドレッド、Standard & Poor's 500 Stock Index)は、アメリカ合衆 国の投資情報会社であるスタンダード・アンド・プアーズ社が算出しているアメリカの代表的な株価指数。ニュー ヨーク証券取引所、NYSE MKT、NASDAQに上場している銘柄から代表的な500銘柄の株価を基に算出され る、時価総額加重平均型株価指数(wikipediaより) [1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015. [2]. Machine Learning with Financial Time Series Data on Google Cloud Platform [3]. Huang, Wei, Yoshiteru Nakamori, and Shou-Yang Wang. "Forecasting stock market movement direction with support vector machine." Computers & Operations Research 32.10 (2005): 2513-2522.
  6. 6. どれぐらいの正答率なの? ● 正答率 ○ 約55% - 64%[1,2,3,4] ○ びっくりするほど当たらないです. ● 実験 ○ 終値の推移だけで予想すると55%ぐらい ○ テクニカル指標を特徴量に追加しても改善は見られず ● 傾向 ○ 株価情報の外的情報を組み込めると正答率が上がりやすい
  7. 7. 先行事例-1 (1/2) ● 問題設定 ○ S&P500(米)の前日終値 < 当日終値を予想 ● 工夫 ○ 各株価指数の前日比の相関と取引時間の時間差を利用 ○ 当日のDAX(独)やFTSE(英)の値動きとSP500(米)は似ていることを利用 ● 特徴量 ○ 各株価指数の直近3日分の終値の前日比 ● 手法 ○ 4層の全結合ニューラルネット ● 正答率 ○ 72.2%! [2]. Machine Learning with Financial Time Series Data on Google Cloud Platform Machine Learning with Financial Time Series Data on Google Cloud Platform
  8. 8. 先行事例-1 (2/2) ● 問題点 ○ おそらく買える間がない (上がるかどうか予想できない前日に S&P500を買う必要あり) ● 修正 ○ S&P500(米)の購入時点を前日終値から当日始値に変更 ○ DAX(独)とFTSE(英)は当日終値ではなく当日始値に変更 ● 正答率 ○ 56.17%(修正後) [2]. Machine Learning with Financial Time Series Data on Google Cloud Platform Machine Learning with Financial Time Series Data on Google Cloud Platform
  9. 9. 先行事例2 (1/1) ● 問題設定 ○ S&P500の当日終値 < 翌日終値 ● 工夫 ○ ニュース情報を利用 ● 手法 ○ CNN(Deep Learningの一種) ● 正答率 ○ 64.18%(state-of-the-art) [1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015. Deep Learning for event-driven stock prediction
  10. 10. 提案 - CNNで株価予想 ● 循環物色して次に上がりそうな銘柄を見つけられるか試してみる.
  11. 11. 循環物色とは?  株式投資に当たっては、投資家は常により良い投資対象銘柄を探し求め(物色し)、その対象は循環して いくことが多々あります。物色対象は、上昇相場においては出遅れ銘柄が買いの対象になり、下落相場に おいては下げ渋っている銘柄が売りの対象になります。また、上昇相場において、出遅れ銘柄あるいは出 遅れ業種が次々と買いの対象になったりします。このように投資対象銘柄が循環することを「循環物色」と いいます。(マネー百科より)
  12. 12. 循環物色とは?  株式投資に当たっては、投資家は常により良い投資対象銘柄を探し求め(物色し)、その対象は循環して いくことが多々あります。物色対象は、上昇相場においては出遅れ銘柄が買いの対象になり、下落相場に おいては下げ渋っている銘柄が売りの対象になります。また、上昇相場において、出遅れ銘柄あるいは出 遅れ業種が次々と買いの対象になったりします。このように投資対象銘柄が循環することを「循環物色」と いいます。(マネー百科より) つまり「風が吹けば桶屋が儲かる」方式の銘柄があるらしい.
  13. 13. 入力データ構造 ● なんとかして循環物色するパターンを見つけたい. ○ つまり銘柄同士の依存関係を解析させたい. ● 各種銘柄を画像のピクセルと考える. ● 各種特徴量をチャンネルとして追加. 特徴量 - N日前の終値に対する - 前日比 - 移動平均 - RSI - ...入力データ 銘柄A 銘柄B CNN 銘柄Bの株価の変動を予測 出力データ銘柄の位置は固定で 銘柄を敷き詰める.
  14. 14. なぜ敷き詰めるのか? ● 訓練データが大量に必要(数十万〜) ○ 20年以上続く銘柄でも 5,000件程度 ● CNNの並進不変性を利用 ○ 24x24で並べてランダムに 16x16に切り取って訓練データとする 特徴量 - N日前の終値に対する - 前日比 - 移動平均 - RSI - ...入力データ 銘柄A 銘柄B CNN 銘柄Bの株価の変動を予測 出力データ銘柄の位置は固定で 銘柄を敷き詰める.
  15. 15. 実験結果 ● 正答率 ○ 50 〜 55% (´・ω・`) ● 原因 ○ ノイズが多すぎて循環物色するパターンを拾えていない. ● 改良できそうな箇所 ○ 敷き詰める銘柄の選び方 ○ 相場よりも割安といった情報の特徴量への追加
  16. 16. 結論 ● 従来手法の予測精度は55〜64% ● 循環物色のパターン解析はノイズが多く難しそう. ● 精度が高くても,急落で利益が吹っ飛ぶこともあるので注意! ○ 例: LTCM,英のEU離脱
  17. 17. References [1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015. 金融ニュースを加味してCNNで予測.(state-of-the-art) [2]. Machine Learning with Financial Time Series Data on Google Cloud Platform 取引時間の差を利用したS&P500の変動予測 [3]. Huang, Wei, Yoshiteru Nakamori, and Shou-Yang Wang. "Forecasting stock market movement direction with support vector machine." Computers & Operations Research 32.10 (2005): 2513-2522. SVMで株価の動きを予測. [4]. Madge, Saahil. "Predicting Stock Price Direction using Support Vector Machines." SVMを利用した株価予測

×