Smarttrade524

Smart Trade 勉強会
〜機械学習を用いた株価予測(2)〜

事前準備
1. QuantXに登録
https://factory.quantx.io/
2. サンプルコード
https://factory.quantx.io/developer/3d4fd86b53a948b3827f689caf931297
3. サンプルコードの解説記事
https://qiita.com/sarubobo29/items/b94ccb6c1305c157fafb

本日のテーマ
×
機械学習 QuantX
機械学習を用いた株価予測アルゴリズム

本日の目標
◆ 前回の勉強会のフィードバック
o ソースコードが難しくて分からなかった
o QuantXの使い方がよく分からない
❑ 今回の目標
➢簡単な機械学習をQuantXで実装
➢ソースコードの理解と自身で変更できるように
➢何かしらのヒントになって貰えれば…

本日のながれ
1. QuantXの紹介
2. 前回の機械学習アルゴリズムの復習
3. 前回からの改善点(おまけ)
4. ソースコードの解説（メイン）

QuantXとは
https://quantx.io/
https://factory.quantx.io/

機械学習とは
◆ 明示的にプログラムしなくても学習する能力を
コンピュータに与える研究分野
データ学習予測
有用なパターンや判断基準を抽出未知のデータに対して
学習したモデルで予測
例)
「これは猫だ！」
「10日後に株価は
今より上がる！」

機械学習の種類
回帰
分類

教師あり学習とは？
ネコ
イヌ学習データモデル
＋
学習済みモデル
学習済みモデル未知データ
ネコ！
予測
1. 学習データで学習済みモデルを生成
2. 学習済みのモデルを使って未知データを予測

教師あり学習をもう少し具体的に…
◆身長と体重から性別を予測
身長体重性別
171cm 62kg 男性
145cm 38kg 女性
158cm 45kg 女性
161cm 55kg 男性
～省略～
150cm 45kg ???
172cm 65kg ???
学習データラベル
未知データ

身長
体
重
学習データのプロット図
:男性
:女性
身長
体
重
学習データから
規則性を見つける
1. 学習データで学習済みモデルを生成
学習

:???
(身長，体重)
2. 学習済みのモデルを使って未知データを予測
身長
体
重
未知データに対して規則をもとに予測
男性と判断
女性と判断

前回の復習
手順1. 問題設定 (何をラベルにするか？)
⇒ 10日後の価格が上がっているか？
手順2. データの加工(何を使って予測するか？)
⇒ テクニカル指標
手順3. モデルを使って学習
手順4. テストデータで予測

前回の復習
◆ 正解データは？ ⇒ 10日後価格が上がっているかどうか
◆ 特徴量は？ ⇒ テクニカル指標
2017/01/01 10,000
2017/01/02 10,300
日付終値
2017/12/31 9,200
RSI 移動平均線の差
35 220
38 200
73 160
正解データ
True
False
True
・・・
2017/09/13 9,200 73 160 True
学
習
デ
ー
タ
テ
ス
ト
デ
ー
タ
2017/09/14 9,500 76 166 False
・・・
・・・
・・・
・・・
・・・・・・
・・・
・・・
・・・

テクニカル指標の説明
⚫ テクニカル指標…
過去のチャートから次の値動きの目安になる情報を抽出したもの
RSIの具体例

前回の復習
◆ 予測結果はQuantX上で簡単に可視化可能
2017/12/31 9,200 73 160 True
・・・
2017/09/14 9,500 76 166 False
日付終値 RSI 移動平均線の差 (正解データ)予測
True
True
Trueの時に買い！Falseで売り！
・・・
・・・
・・・
・・・
・・・

前回からの改善点
前回 : 10日後の価格が上がっているか？
今回 : t日以内に先に±n％変動するか、もしくはしないか
前回 : テクニカル指標をそのまま
今回 : 価格の変動を考慮
Qiita解説記事 :
https://qiita.com/sarubobo29/items/b94ccb6c1305c157fafb
サンプルコード :
https://factory.quantx.io/developer/3d4fd86b53a948b3827f689caf931297

手順1. 問題設定
◆ ラベル(正解データ)を何にするのか？
⇒ t日以内に先にn%上昇するか下落するか、どちらでもないか
日付終値正解データ銘柄A
・・・
・・・
2017/01/01 1,000
2017/01/02 1,050
2017/01/03 1,030
2017/01/04 1,020
2017/01/05 980
2017/01/06 1,000
2017/01/07 990
2017/01/08 1,000
2017/01/09 1,010
+1
-1
-1
-1
+1
0
+1
+1
???
・・・
t = 3、n = 2のときの例

手順2. データの加工
◆ 正解データを何で予測するか？
⇒今回はテクニカル指標で予測＋価格の変動も考慮
日付移動平均線移動平均線の差移動平均線の変動率
2017/01/01 1,000 NaN NaN
2017/01/02 1,050 +50 +0.050
2017/01/03 1,030 -20 -0.019
2017/01/04 1,020 -10 -0.009
2017/01/05 980 -40 -0.039
2017/01/06 1,000 +20 +0.020
2017/01/07 990 -10 -0.010
2017/01/08 1,000 +10 +0.010
2017/01/09 1,010 -20 -0.020
・・・
・・・
・・・

ソースコードの大まかな流れ
手順0. 使用するライブラリと銘柄選択
手順1. 教師データの生成
手順4. テストデータで予測
何をどこでどうやって変更するか説明します
ソースコード ⇨ 具体例って流れで説明します

手順0. 使用するライブラリと銘柄選択
今回利用するライブラリ
利用する銘柄を選択

P-21
tがperiod，percentがnに対応
t日以内に先にn%上がると予測 ⇒ +1
t日以内に先にn%下がると予測 ⇒ -1
t日以内にどちらにも変動しない ⇒ 0
◆ t日以内に先に±n％変動するか、もしくはしないかで予測

◆ 手順1の具体例 (period = 3, percent = 2)
日付終値正解データ
Jp.stock.XXXX
・・・
・・・
2017/01/01 1,000
2017/01/02 1,050
2017/01/03 1,030
2017/01/04 1,020
2017/01/05 980
2017/01/06 1,000
2017/01/07 990
2017/01/08 1,000
2017/01/09 1,010
+1
-1
-1
-1
+1
0
+1
+1
???
・・・
cp label

P-21
使用する指標を入れる準備
使用したい指標を追加可能
指標の計算
◆ 価格変動を考慮したテクニカル指標

◆ 手順2の具体例 (rsi7, sma7のみ)
日付終値 sma7_pct
・・・
・・・2017/01/01 1,000
2017/01/02 1,050
2017/01/03 1,030
2017/01/04 1,020
2017/01/05 980
2017/01/06 1,000
2017/01/07 990
2017/01/08 1,000
2017/01/09 1,010
NaN
NaN
NaN
NaN
NaN
NaN
NaN
+0.010
-0.020
・・・
cp
rsi7
NaN
NaN
NaN
NaN
NaN
NaN
NaN
50
38
・・・
Jp.stock.XXXX rsi7 sma7_pct

◆ 特徴量を結合
日付 sma7_pct
・・・
2017/01/01
2017/01/02
2017/01/03
2017/01/04
2017/01/05
2017/01/06
2017/01/07
2017/01/08
2017/01/09
・・・
df_x
rsi7
NaN
NaN
NaN
NaN
NaN
NaN
NaN
50
38
・・・
正解データ
+1
-1
-1
-1
+1
0
+1
+1
???
label
・・・
NaN
NaN
NaN
NaN
NaN
NaN
NaN
+0.010
-0.020

手順3, 4 学習と予測
学習データとテストデータに分割
学習
予測

◆ 手順3, 4の例
日付 sma7_pct
2017/01/01
2017/01/02
・
・
・
2017/06/30
2017/07/01
・
・
・
2017/12/30
2017/12/31
df_x
rsi7 正解データ
+1
-1
・
・
・
+1
label
学
習
デ
ー
タ
テ
ス
ト
デ
ー
タ
X_train
X_test
y_train
y_test
0
・
・
・
+1
0

◆ 手順3, 4の流れ
学習データ
(X_train, y_train)
学習済みclf テストデータ
(X_test)
clf
(ランダムフォレスト)
＋＋
予測
(pred)
学習
(fit)

手順4. 予測(シグナルの生成)
◆ QuantXに合わせてsignalを生成
日付
2017/01/01
2017/01/02
・
・
・
2017/06/30
2017/07/01
・
・
・
2017/12/30
2017/12/31
signal
正解データ
0
0
・
・
・
0
label
学
習
デ
ー
タ
テ
ス
ト
デ
ー
タ
0
・
・
・
+1
0
+1
-1
・
・
・
+1
全て０
pred
1
・
・
・
0
-1

バックテスト
◆ Signalに基づいてQuantX上で可視化
◆ 注文条件はhandle_signalsで設定

最後に…
⇒ ルールベースで予め絞り込む
手順2. データの整形(何を使って予測するか？)
⇒ ここを頑張る！
⇒ 時系列データを扱えるアルゴリズム(LSTMとか)
➢ 個人的に思う改善できそうなこと

Smarttrade524

Recommended

Recommended

More Related Content

Similar to Smarttrade524

Similar to Smarttrade524 (20)

Recently uploaded

Recently uploaded (9)

Smarttrade524