JP2008191974A - 価格予測方法 - Google Patents
価格予測方法 Download PDFInfo
- Publication number
- JP2008191974A JP2008191974A JP2007026660A JP2007026660A JP2008191974A JP 2008191974 A JP2008191974 A JP 2008191974A JP 2007026660 A JP2007026660 A JP 2007026660A JP 2007026660 A JP2007026660 A JP 2007026660A JP 2008191974 A JP2008191974 A JP 2008191974A
- Authority
- JP
- Japan
- Prior art keywords
- price
- average
- period
- representative
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】 商品価格の将来の動きを高精度に予測可能な価格予測方法を提供する。
【解決手段】 データベースから、サンプリング周期tで代表価格を取り出す。任意の日時Aにおける過去T/2から未来T/2までの価格の平均を中心平均価格とし、この中心平均価格を連ねたものを中心平均価格ラインMとする。中心平均価格ラインMからの実価格の乖離度Kに基づいて反転ポイントを算出し、現在価格と、現在の推定中心平均価格と、反転ポイントから今後、価格が上がるか下がるかを予測する。
【選択図】 図3
【解決手段】 データベースから、サンプリング周期tで代表価格を取り出す。任意の日時Aにおける過去T/2から未来T/2までの価格の平均を中心平均価格とし、この中心平均価格を連ねたものを中心平均価格ラインMとする。中心平均価格ラインMからの実価格の乖離度Kに基づいて反転ポイントを算出し、現在価格と、現在の推定中心平均価格と、反転ポイントから今後、価格が上がるか下がるかを予測する。
【選択図】 図3
Description
本発明は、価格が変動する商品の将来の価格の動きを予測する価格予測方法に関する。
有価証券などの金融商品、または金や銀、為替など市場で価格が決まる商品は価格が日々変動する。このような商品は、価格が下がったときに買い、価格が上がったときに売ることで利益を得ることができる。したがって、従来から商品の将来の価格の動き予測する方法が数多く提案されている。
たとえば、特許文献1には、金融資産の価格変動システムとして、状態空間モデルを用いて価格予測する方法が開示されている。
しかしながら、価格が将来上がるのか下がるのか予測することは非常に困難であり、特許文献1の方法でも、十分な予測精度を有しているとは言い難い。
上記目的を達成するための第一の課題解決手段は、価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測する価格予測方法で実現される。
また、第二の課題解決手段は、価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測する価格予測装置で実現される。
また第三の課題解決手段は、価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測するコンピュータで実行可能な価格予測プログラムで実現される。
上記課題解決手段によれば、過去の平均価格との乖離度のデータから、その商品価格がどの程度で平均から乖離するか予測できるので、たとえば、現在価格がそのときの平均価格より下に過去の最大乖離度近辺までさがっていれば、その後価格が上がると予測でき、逆に、現在価格がそのときの平均価格より上に過去の最大乖離度近辺まであがっていれば、その後価格が下がると予測できる。このようにして高精度に将来の商品価格を予測することが可能となる。
本発明によれば、価格が変動する商品の将来の価格の動きを高精度に予測することができる。
図1は、本発明の実施の一形態である価格予測装置2の使用状態を示すネットワーク図である。価格予測装置2は、有価証券などの金融商品、または外国為替、金や銀など、市場で価格が決まり、日々、時々刻々と変動する価格の将来の動きを予測する装置である。価格予測装置2は、インターネットなどのネットワーク3を介して証券会社などのサーバ1に接続される。証券会社は、顧客からの売り注文、または買い注文などを証券取引所へ取次ぐ取り次ぎ業務を行なうとともに、現在の商品価格を、商品価格が更新される毎にリアルタイムで更新、または配信する。
価格予測装置2は、PC(personal computer)によって実現される。PCは、キーボード、マウスなどの入力装置、入力した結果を表示するモニタ、CPU(central processing unit:中央演算処理装置)、メモリ、外部記憶装置を有し、本発明の価格予測プログラムが実行される。
価格予測プログラムは、取得した価格データに基づいて将来の価格の動き予測し、上がると予測した場合には買いシグナルを、下がると予測した場合には売りシグナルをモニタに表示する。また、価格予測装置2は発注機能を有していてもよく、この場合は、買いシグナルが発生した場合に買い注文を証券会社に出し、売りシグナルが発生した場合には売り注文を出す。
図2は、価格予測プログラムの構成を示すブロック図である。価格予測プログラムは、価格データを受信するデータ受信部21、受信した価格データを記憶するデータベース22、データベース22に記憶される価格データを基に、将来価格が上がるか下がるか予測するデータ解析部23を含む。価格予測プログラムはインストールによってPCの外部記憶装置に格納され、実行時にメモリに読み込まれてメモリ上で動作する。また、データベース22は価格データを外部記憶装置に格納し、価格予測プログラムからの指示に従って必要に応じて価格データをメモリに読み込む。
次に、図3〜図5を参照しながら本発明の価格予測方法について説明する。図3は、取得するデータと価格予測方法を説明するためのチャートである。横軸が時間であり、縦軸が価格を示す。価格予測プログラムは、事前解析部とリアルタイム解析部とから構成され、事前解析部は、データベース22に保存した過去のデータから売りまたは買いの条件である反転ポイントを算出し、リアルタイム解析部は、リアルタイムで取得した現在価格と、事前解析部で算出した反転ポイントに基づいて、将来価格が上がるか下がるか判断し、上がると判断すれば買いシグナル、下がると判断すれば売りシグナルを出力する。
まずは、最小の単位となる代表価格について説明する。価格は時々刻々と変化しており、価格予測装置2は、価格が更新される毎に更新価格と更新時刻をセットにして価格データとして保存する。事前解析部では、データベース22に保存されたこれら過去の価格データから、予め定める一定のサンプリング周期tで代表価格を取り出す。
このサンプリング周期tは、たとえば、商品を買ってから売るまでの想定保持期間に基づいて決定する。保持期間が長ければサンプリング周期tも長くなり、短ければサンプリング周期tも短くなり、1分〜1年程度の範囲で幅広く選択することが可能である。目安としては、想定する最短保持期間の半分程度の長さとする。
代表価格は、このように元データから一定の周期tでサンプリングしただけの価格に限らず、たとえばサンプリング周期t間において、始値と終値の平均を代表価格としてもよく、または、サンプリング周期t間の安値と高値の平均を代表価格としてもよい。さらには、株のように価格とともに出来高を取得できる場合には、サンプリング周期t間の価格毎の売買高で加重平均した売買高加重平均価格(VWAP:Volume Weighted Average Price)を代表価格として用いてもよい。また、データベース22に全ての更新価格データを保存するのでなく、サンプリング周期t毎に価格を保存するようにしてもよい。この場合はデータベータ22に保存した全ての価格データが代表価格となる。
この代表価格を連ねたものが実価格ラインLである。そして、この実価格ラインLと、予め定める一定の基準周期Tから中心平均価格ラインMを算出する。基準周期Tとは、サンプリング周期tより大きな周期であり、これも保持期間に応じて決定され、数分〜数年といった広い範囲で選択可能であり、目安としては想定される最大保持期間の2倍程度の長さに選ぶ。
つぎに、中心平均価格ラインMについて説明する。任意の日時Aにおける中心平均価格は、この日時Aを中心とした基準周期T間の代表価格の平均となる。つまり、日時Aより過去T/2から未来T/2間の全ての代表価格を加算し、その個数で割ったものである。この任意の日時Aをサンプリング周期tずつずらしながら中心平均価格を順次求め、これらを連ねたラインが中心平均価格ラインMである。
ここで、中心平均価格ラインMの性質について説明する。実価格ラインLは小さな上下動を繰り返しながら大きな周期でも上下動しており、さらにまた大きな周期も含まれている。これは複数の周期の波が合成されていると見ることができる。別な言い方をすれば、実価格ラインLをフーリエ変換すれ複数の周波数の波に分解されるといえる。
実価格ラインLが複数の周期の波で合成されているとすれば、その中に基準周期Tを周期とする波も含まれるはずである。ここで、中心平均価格ラインMは基準周期Tの平均価格を連ねたものであるので、実価格ラインLの波は中心平均価格ラインMを中心として上下に振動する波となる。そして、サンプリング周期tが基準周期Tに比して十分に小さい場合には、基準周期T一周期あたり、中心平均価格ラインMを実価格ラインLが2〜3回交差するようになる。つまり、実価格ラインLは、基準周期Tをほぼ1周期とした波の軌道を描くことになる。なお、サンプリング周期tが基準周期Tに比して十分に小さいとは、サンプリング周期tが、たとえば基準周期Tの1/10以下である場合とする。
実価格ラインLは、中心平均価格ラインMを中心とした上下振動をし、中心平均価格ラインMからある程度上昇すると反転して下落し、中心価格ラインMからある程度下落すると反転して上昇する。本発明の価格予測方法はこの性質を利用して将来の価格の動きを予測するものである。
つぎに、このある程度の上昇、またはある程度の下落の具体的な値について検討する。任意の日時Aにおける中心価格と、そのときの実際の価格との乖離を乖離度Kとする。この乖離度Kを代表価格毎に全て求め、基準周期T毎の中心平均価格ラインMからの上下への最大乖離度を算出し、これらに基づいて反転する可能性の高い反転ポイントを算出する。
それでは、図4のフローチャートを見ながら、価格予測プログラムの事前解析の一例を説明する。予めデータベース22には商品価格の過去データが、商品価格が更新されるたびに、価格と更新時刻とをセットにして全て保存されているものとする。また、サンプリング周期tと基準周期Tは予め設定されているものとする。ステップa1において、データベース22から過去の価格と時刻のデータをすべて取り出す。
次にステップa2において、取り出したデータから、予め設定されるサンプリング周期t毎の代表価格をすべて取り出す。
つぎにステップa3において、サンプリング周期t毎の代表価格と、予め設定される基準周期Tとに基づいて中心平均価格ラインMを算出する。
つぎのステップa4で、サンプリング周期t毎の全ての乖離度Kを算出する。この乖離度Kは、中心価格と、そのときの実際の価格との差でもよく、中心価格に対する実際の価格の割合であってもよい。
ステップa5では、乖離度Kのデータ列から反転ポイントを算出する。反転ポイントとしては、乖離度Kのデータ列の山と谷の頂点である最大乖離度を複数抽出し、これらを平均したものであってもいいし、平均の90%、または110%といったように、平均値を補正した値であってもよい。平均値を用いるのでなく、乖離度Kの全てのデータの標準偏差σを求め、中心平均価格からプラスマイナス2σ、またはプラスマイナス1.5σとなるような価格を反転ポイントとして設定してもよい。このように標準偏差σに基づいた反転ポイントを用いることにより、より安定して機能する反転ポイントを設定することができる。
つぎに、図5を参照してリアルタイム解析について説明する。まず、ステップb1において、現在価格を取得する。この現在価格は、リアルタイムで更新される商品価格が望ましいが、必ずしもリアルタイムで更新されるものでなくてもよく、サンプリング周期tより短い時間の遅れは許容される。言うまでもなく、サンプリング周期tまたは基準周期Tを長く設定した場合には、それに応じた遅れを許容できる。
ステップb2では中心平均価格を求める。ここで注意していただきたいのは、中心平均価格とは、先ほど説明したように、その時刻に対して、T/2過去の時刻からT/2未来の時刻までの間の代表価格の平均である。つまり、現在の価格においては未来の価格がわからないので直接中心平均価格を算出することができない。そこで、現在の中心平均価格を推定する必要がある。
推定方法としては、中心平均価格ラインMの直近の軌道に基づいて推定する。たとえば、直近の中心平均価格ラインMの傾きを求め、それを直線状に延長したときの現在位置を推定中心平均価格とする。または、直近の中心平均価格ラインMを二次曲線で近似し、この二次曲線を現在時刻まで延長して推定中心平均価格を算出してもよく、さらには直近の中心平均価格ラインを三次曲線で近似して推定中心平均価格を算出してもよい。または、近似曲線などで推定するのでなく、単純に直近の中心平均価格をそのまま現在の中心平均価格として使ってもよい。
ステップb3では、先に求めた中心平均価格と、取得した現在価格から乖離度Kを算出する。乖離度Kの算出方法は先に説明したとおりである。
最後のステップb4では、予め設定される反転ポイントと算出した乖離度Kとを比較し、乖離度Kが反転ポイントを超えているか否かを判断する。現在価格が、中心平均価格より下に乖離度Kを超えていれば、将来価格は上昇すると判断できるので買いシグナルを出し、現在価格が、中心平均価格より上に乖離度Kを超えていれば、将来価格は上昇すると判断できるので売りシグナルを出す。
また、商品を保持しているか否かで判断方法を変更してもよい。つまり、保持している場合に、売りシグナルが出る前に価格が下がると売るチャンスを逃してしまうので、早めに売りシグナルを出したほうが安全である。たとえば売りシグナルの場合には、乖離度Kの半分で出すとか、さらには中心平均価格に達したときに出すとかである。
また、中心平均価格より下に大きく乖離すれば、戻るときにも中心平均価格より上に大きく乖離する傾向があるので、実際に反転したときの乖離度を記憶しておき、その乖離度の大きさに応じ、実際の乖離度が大きければ売りシグナルを遅く出し、小さければ売りシグナルを早く出すように制御してもよい。
また、売買シグナルは反転ポイントに達したときに出すのでなく、反転ポイントに達した後、実際に反転したことを確認して出すようにしてもよい。つまり、頂点に達してから予め定める値戻ったときにシグナルを出す。この予め定める値は、たとえば過去のデータから、何%といった割合で決めておく。また、この値は乖離度によって変化するようにしておいても良い。
このようにして、売買シグナルが発生すれば、モニタに表示するなどしてユーザに売買指示を与える。また、発注機能を備えている場合には、そのまま証券会社に売買の発注を行って自動売買してもよい。ここでは、売買シグナルが出たとき、証券会社に成行で注文するとして説明しているが、これに限らず、反転ポイント、または反転ポイントに基づいて算出した値を指値として注文を出すように制御してもよい。
その後、再びステップb1に戻ってデータ取得を繰り返す。このようにして、サンプリング周期t毎にリアルタイムで解析を行う。
ここで、反転ポイントについてさらに詳細に検討する。反転ポイントは予め設定される一定の値としたが、一定の値に限らず、乖離度Kを算出するごとにリアルタイムで再計算し、つねに反転ポイントを最適な値に更新するようにしてもよい。また、乖離度を計算する毎でなく、一定期間毎に再計算するようにしてもよい。
乖離度Kは価格ラインのトレンドの転換時に大きくなる傾向がある。トレンドとは、上昇傾向か下降傾向かといった大きな価格の動きの傾向であり、これはたとえば移動平均によって判断することができる。移動平均とは、現在時刻から、予め定める一定時間過去の全ての価格データを平均した平均データを、現在時刻から過去にずらしながら求めたデータである。たとえば、予め定める一定時間を前記基準周期Tとし、ずらす時間を、サンプリング周期tとしてもよい。このように設定した場合、移動平均をT/2過去にずらしたものと中心平均価格ラインMと一致することになる。
そして、移動平均の傾きがプラスであれば上昇トレンドにあると判断し、マイナスであれば下降トレンドにあると判断し、下降トレンドから上昇トレンド、または上昇トレンドから下降トレンドに切り替わった位置をトレンド転換位置と判断する。前述したように、このトレンド転換位置にあるときには、乖離度Kが大きくなる傾向があるので、反転ポイントを算出するときには、転換位置にある場合とそれ以外の場合にわけて算出してもよい。そして、リアルタイム解析においても、現在トレンド転換位置にあるかどうかを判別し、トレンド転換位置にあると判断されれば、反転ポイントをより大きくなるように設定すれば、さらに効果的に価格の動きを予測することができる。
トレンド転換を判別するには、上述した方法にかぎらず、移動平均を基準周期Tより長く取ってもよく、さらには移動平均をつかうのでなく、単純に現在価格と、過去の複数の価格とを比較し、その相対関係により上昇トレンドにあるのか、下降トレンドにあるのか、トレンド転換にあるのか、保ち合いかといった判断をするようにしてもよい。
基準周期Tは、保持期間に応じて選択するとしたが、これに限らず、代表価格をフーリエ変換し、実価格ラインLに含まれる複数の波の周期と振幅を算出し、この周期と振幅の組み合わせから基準周期Tを取り出しても良い。周期が短いと振幅が小さくなり、周期が長いと振幅が大きくなる傾向がある。周期が短いとは、売買頻度が高くなることを示しており、振幅が大きいとは、一回の売買で得られる利益が大きくなることを示している。このことを考慮して、最終的な利益が最も大きくなるように基準周期Tを選ぶことで利益をさらに上げることができる。
上述した価格予測システムは、1台のPCで構成するようにしているが、本発明はこのような構成に限定されるものではなく、たとえば事前解析とリアルタイム解析を別のPCで行い、事前解析の解析結果の反転ポイントを、リアルタイム解析を行うPCにネットワークを介して事前に送るように構成してもよい。リアルタイム解析を行うPCでは、リアルタイムに価格を取得して反転ポイントに達したかで相場を予測する。この場合、事前解析を行うPCは反転ポイントのみを送るのでなく、商品名(銘柄)とその反転ポイントをセットにして送るようにしてもよい。
本発明の価格予測方法は実行可能なコンピュータプログラムとして、たとえばCD−ROM(compact disk ‐read only memory)、またはDVD(digital Versatile Disc)などの記録媒体に記録されて配布され、PCなどのコンピュータにインストールされて実行される。配布方法は記録媒体を介さず、ネットワークを介してプログラムを直接PCに送って配布してもよい。
本発明の価格予測方法は、金や銀などの商品、有価証券、為替など、市場で価格が変動する商品の相場の動きを予測することができるので、これから上がると予測される商品を買い、上がったときに売ることで利益を得ることができ、各種資産管理など幅広く適用可能な技術である。
1 サーバ
2 価格予測装置
3 ネットワーク
21 データ受信部
22 データベース
23 データ解析部
K 乖離度
L 実価格ライン
M 中心平均価格ライン
T 基準周期
t サンプリング周期
2 価格予測装置
3 ネットワーク
21 データ受信部
22 データベース
23 データ解析部
K 乖離度
L 実価格ライン
M 中心平均価格ライン
T 基準周期
t サンプリング周期
Claims (3)
- 価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測する価格予測方法。
- 価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測する価格予測装置。
- 価格の変動する商品の価格を、所定のサンプリング周期で代表価格を取得し、前記サンプリング周期よりも長い基準周期間の代表価格の平均を、基準周期をずらして複数算出し、各基準周期間の平均価格と、その平均価格に対応する実価格との乖離度をそれぞれ算出し、過去の複数の乖離度と、現在の平均価格と、現在価格とに基づいて将来の価格の動きを予測するコンピュータで実行可能な価格予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007026660A JP2008191974A (ja) | 2007-02-06 | 2007-02-06 | 価格予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007026660A JP2008191974A (ja) | 2007-02-06 | 2007-02-06 | 価格予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008191974A true JP2008191974A (ja) | 2008-08-21 |
Family
ID=39752012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007026660A Pending JP2008191974A (ja) | 2007-02-06 | 2007-02-06 | 価格予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2008191974A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010082343A1 (ja) * | 2009-01-16 | 2010-07-22 | 有限会社増田経済研究所 | 増田足チャートの生成表示装置 |
JP2011150652A (ja) * | 2010-01-25 | 2011-08-04 | Mitsubishi Research Institute Inc | Vwap取引市場システムおよびvwap取引方法 |
KR20230039962A (ko) * | 2021-09-15 | 2023-03-22 | 조영호 | 상품 가격정보 제공서버 및 이를 이용한 상품 검색방법 |
-
2007
- 2007-02-06 JP JP2007026660A patent/JP2008191974A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010082343A1 (ja) * | 2009-01-16 | 2010-07-22 | 有限会社増田経済研究所 | 増田足チャートの生成表示装置 |
US8463685B2 (en) | 2009-01-16 | 2013-06-11 | Masuda Economic Research Institute Ltd. | Masuda stick chart generation and display apparatus |
JP2011150652A (ja) * | 2010-01-25 | 2011-08-04 | Mitsubishi Research Institute Inc | Vwap取引市場システムおよびvwap取引方法 |
KR20230039962A (ko) * | 2021-09-15 | 2023-03-22 | 조영호 | 상품 가격정보 제공서버 및 이를 이용한 상품 검색방법 |
KR102622204B1 (ko) * | 2021-09-15 | 2024-01-08 | 조영호 | 상품 가격정보 제공서버 및 이를 이용한 상품 검색방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Segnon et al. | Modeling and forecasting the volatility of carbon dioxide emission allowance prices: A review and comparison of modern volatility models | |
Gatheral et al. | Zero-intelligence realized variance estimation | |
US7693801B2 (en) | Method and system for forecasting commodity prices using capacity utilization data | |
Patel | Optimizing market making using multi-agent reinforcement learning | |
KR101764147B1 (ko) | 온라인 농산물 가격 예측 방법 및 시스템 | |
Groß‐KlußMann et al. | Predicting bid–ask spreads using long‐memory autoregressive conditional Poisson models | |
Srinivasan et al. | Semi-Markov decision process with partial information for maintenance decisions | |
Gulay et al. | Comparison of forecasting performances: Does normalization and variance stabilization method beat GARCH (1, 1)‐type models? Empirical Evidence from the Stock Markets | |
Fornero et al. | Learning about commodity cycles and saving-investment dynamics in a commodity-exporting economy | |
JP6435803B2 (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
JP2008191974A (ja) | 価格予測方法 | |
JP5084968B1 (ja) | 市場リスク予測装置、市場リスク予測方法及び市場リスク予測プログラム | |
JP2005234673A (ja) | 売買時期決定支援プログラム及びそのプログラムを備えた売買注文システム | |
Golub et al. | Multi-scale representation of high frequency market liquidity | |
JP6877328B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
US20210232970A1 (en) | Systems and methods for risk-sensitive reinforcement learning | |
Karapanagiotidis | Dynamic modeling of commodity futures prices | |
Bottieau et al. | Automatic risk adjustment for profit maximization in renewable dominated short‐term electricity markets | |
JP6632180B1 (ja) | 株式投資のための情報処理装置及び情報処理プログラムを記録した記録媒体 | |
CN114004626A (zh) | 专利的货币价值评估方法,系统和应用程序 | |
CN112529710A (zh) | 一种基于日内波动率预测的资产自动交易方法和装置 | |
JP6861437B2 (ja) | 取引市場予測システム、取引市場予測方法、および取引市場予測プログラム | |
JP4562809B1 (ja) | 金融取引支援方法、その装置およびそのプログラム | |
US20070239585A1 (en) | Transaction Strategy | |
Soares et al. | Software time estimation using regression methods |