株価予想

株価予想
2016-06-25
Masataka Nishimori

Agenda
● 問題設定
● 先行事例紹介
● Deep Learningで予測

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 )

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！

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.

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

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%！
Machine Learning with Financial Time Series Data on Google Cloud Platform

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)
Machine Learning with Financial Time Series Data on Google Cloud Platform

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

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．

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）

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．

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．

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．

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

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

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)
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

株価予想

Recommandé

Recommandé

Contenu connexe

Similaire à 株価予想

Similaire à 株価予想 (6)

Dernier

Dernier (9)

株価予想