JP2018028945A - 取引管理システム、取引管理方法及び取引管理プログラム - Google Patents
取引管理システム、取引管理方法及び取引管理プログラム Download PDFInfo
- Publication number
- JP2018028945A JP2018028945A JP2017223317A JP2017223317A JP2018028945A JP 2018028945 A JP2018028945 A JP 2018028945A JP 2017223317 A JP2017223317 A JP 2017223317A JP 2017223317 A JP2017223317 A JP 2017223317A JP 2018028945 A JP2018028945 A JP 2018028945A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- stock price
- fluctuation range
- combination
- candidate
- 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】効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援するための取引管理システム、取引管理方法及び取引管理プログラムを提供する。
【解決手段】取引管理システム20は、過去の株価情報を用いて機械学習を行なう予測制御部21を備える。そして、予測制御部21は、複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、株価の変動履歴を含むデータセットを用いて、予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習により予測変動幅を計算する。次に、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、予測精度が高い予測期間及び変動幅の組み合わせを特定する。そして、注文情報を取得した場合、この組み合わせの予測期間後の予測株価について、変動幅との関係を算出し、変動幅との関係に基づいて、取引執行タイミングを決定する。
【選択図】図1
【解決手段】取引管理システム20は、過去の株価情報を用いて機械学習を行なう予測制御部21を備える。そして、予測制御部21は、複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、株価の変動履歴を含むデータセットを用いて、予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習により予測変動幅を計算する。次に、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、予測精度が高い予測期間及び変動幅の組み合わせを特定する。そして、注文情報を取得した場合、この組み合わせの予測期間後の予測株価について、変動幅との関係を算出し、変動幅との関係に基づいて、取引執行タイミングを決定する。
【選択図】図1
Description
本発明は、株取引における株価の変動を予測して取引を支援するための取引管理システム、取引管理方法及び取引管理プログラムに関する。
株式の取引価格(株価)は、投資家の「買い(需要)」と「売り(供給)」の関係において決定されるが、多様な要因に基づいて変動する。このような株式について、有利な取引を行なうためには、株価変動の予測が大切である。
このため、株価を予測するための技術が検討されている(例えば、特許文献1、2参照。)。この特許文献1に開示された技術においては、入力されたデータを用いて相関性チャートを生成し、この相関性チャートに基づいて株価を予測する。そして、予測した株価評価値あるいは相関性チャートを出力する。
また、特許文献2に開示された技術においては、株価予測装置は、単語及び同一コンテンツに含まれる少なくとも2つの単語の組み合わせを各コンテンツからそれぞれ抽出する。更に、コンテンツ数に応じて、企業との関連性の高さを示す関連度を取得し、この関連度と企業名又は関連語の印象を示す値とが反映される評価値を算出する。そして、企業に関連するコンテンツが提供されてから所定期間後の株価変動値を取得し、株式銘柄に対する株価への影響度を予測係数として算出する。そして、この予測係数と評価値とを用いて、この企業の株式銘柄の株価を予測する。
また、証券会社が、大口の顧客との間で株式等の有価証券を相対取引する場合、一般的に、顧客からの売買の引き合いに対して、自社の利益やリスク等を考慮して対応可能な価格を計算して提示する(プライシング)。そして、この注文を自社のポジションとして、取引所に対して実際の売買注文を執行することによりポジションの調整を行なう。この場合、コンピュータがマーケットの動向に応じて、自動的に売買注文のタイミングや数量を決めて注文を繰り返すアルゴリズムトレードが用いられる。
また、証券会社が顧客からの委託注文を取り扱う場合、顧客が証券会社の電子取引執行システムを用いて、取引所に直接注文を出す形態もある。この場合には、証券会社は顧客へアルゴリズムトレードのプログラムを提供し、顧客がこのプログラムを利用して取引を行なう。
また、証券会社が顧客からの委託注文を取り扱う場合、顧客が証券会社の電子取引執行システムを用いて、取引所に直接注文を出す形態もある。この場合には、証券会社は顧客へアルゴリズムトレードのプログラムを提供し、顧客がこのプログラムを利用して取引を行なう。
また、市場への影響等を考慮し、大口注文を分割して取引を行なう場合がある。例えば、TWAP(Time-weighted average price)では、大口注文を均等に分割して等間隔あるいは適当なタイミングで執行する。また、VWAP(Volume Weighted Average Price)では、大口注文を出来高分布に応じて分割し執行する(例えば、非特許文献1参照。)。
また、最近では、多層構造のニューラルネットワーク(ディープニューラルネットワーク)の機械学習(ディープラーニング)を利用した人工知能(AI)も検討されつつある。ディープラーニングにおいては、概念を認識する特徴量と呼ばれる変数を発見し、この特徴量を用いて、経済指標等の予測を行なうことができる(例えば、非特許文献2,3参照。)。
また、最近では、多層構造のニューラルネットワーク(ディープニューラルネットワーク)の機械学習(ディープラーニング)を利用した人工知能(AI)も検討されつつある。ディープラーニングにおいては、概念を認識する特徴量と呼ばれる変数を発見し、この特徴量を用いて、経済指標等の予測を行なうことができる(例えば、非特許文献2,3参照。)。
みずほ証券株式会社、「VWAPギャランティ取引」、[online]、みずほ証券株式会社ホームページ、[平成27年11月8日検索]、インターネット<http://www.mizuho-sc.com/product/stock/vwap.html>
片倉賢治等、「深層学習を用いた株価動向推定」、[online]、第7回社会システム部会研究会、[平成27年11月8日検索]、インターネット<http://journals.socsys.org/symposium007/pdf/007-011.pdf>
吉原輝等、「深層学習による経済指標動向推定」、[online]、2014人工知能学会全国大会、[平成27年11月8日検索]、インターネット<https://kaigi.org/jsai/webprogram/2014/pdf/774.pdf>
上述したアルゴリズムトレードにおいては、的確な株価変動の予測が大切である。しかしながら、特許文献1、2に記載された技術においては、株価変動に影響を与える条件のサンプル数に限界があるため、条件によっては、信頼性が低くなる可能性がある。
また、従来の株価変動の予測は、トレーダの裁量に拠る部分が多く、判断材料の他、選択した手法、結果の解釈、精神状態等様々な要素の影響を受ける可能性がある。従って、従来の株価変動の予測は、信頼性が低くなる可能性があり、アルゴリズムトレードにおいては、相場変動リスクを取らない手法が多い。
本発明は、上述の課題に鑑みてなされたものであり、この目的は、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援するための取引管理システム、取引管理方法及び取引管理プログラムを提供することにある。
また、従来の株価変動の予測は、トレーダの裁量に拠る部分が多く、判断材料の他、選択した手法、結果の解釈、精神状態等様々な要素の影響を受ける可能性がある。従って、従来の株価変動の予測は、信頼性が低くなる可能性があり、アルゴリズムトレードにおいては、相場変動リスクを取らない手法が多い。
本発明は、上述の課題に鑑みてなされたものであり、この目的は、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援するための取引管理システム、取引管理方法及び取引管理プログラムを提供することにある。
上記課題を解決するための取引管理システムは、過去の株価情報を用いて機械学習を行なう制御部を備える。そして、前記制御部が、複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習により予測変動幅を計算し、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、予測精度が高い予測期間及び変動幅の組み合わせを特定し、注文情報を取得した場合、前記組み合わせの予測期間後の予測株価について、前記変動幅との関係を算出し、前記変動幅との関係に基づいて、取引執行タイミングを決定する。これにより、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援することができる。
・上記取引管理システムにおいては、前記予測精度を、正解率の平均値及び標準偏差に基づいて算出することが好ましい。これにより、安定性、的確性を向上させた予測を行なうことができる。
・上記取引管理システムにおいては、前記変動幅候補には、変動幅範囲内、変動幅範囲外の上昇、変動幅範囲外の下落の何れか一つを選択することが好ましい。これにより、機械学習に用いるネットワークの出力層を設定することができる。
・上記取引管理システムにおいては、前記変動幅候補には、変動幅範囲内、変動幅範囲外の上昇、変動幅範囲外の下落の何れか一つを選択することが好ましい。これにより、機械学習に用いるネットワークの出力層を設定することができる。
・上記取引管理システムにおいては、注文情報を取得し、前記予測株価が変動幅範囲内となった場合には、執行コストに基づく指値注文を行ない、前記予測株価が変動幅範囲外の上昇となった場合には、買い注文について速やかに約定を行ない、売り注文について前記予測期間の待機を行ない、前記予測株価が変動幅範囲外の下落となった場合には、買い注文について前記予測期間の待機を行ない、売り注文について速やかに約定を行なうことが好ましい。これにより、株価の変動予測に応じた取引を行なうことができる。
・上記取引管理システムにおいては、前記注文情報の全体数量を分割した子注文を生成し、前記各子注文の取引執行タイミングを、前記変動幅との関係に基づいて決定することが好ましい。これにより、大口取引において、市場への影響を抑止しながら、取引執行することができる。
本発明によれば、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援することができる。
以下、取引管理システムの一実施形態を、図1〜図3に従って説明する。本実施形態では、株価予測を行ない、株式取引を支援するための取引管理システムとして説明する。
図1に示すように、担当者端末10、取引管理システム20、注文管理発注システム30を用いる。
図1に示すように、担当者端末10、取引管理システム20、注文管理発注システム30を用いる。
担当者端末10は、取引を行なう担当者が用いるコンピュータ端末である。この担当者端末10は、各種情報の入力を行なうための入力部(キーボードやポインティングデバイス等)や各種情報を出力するための出力部(ディスプレイやプリンタ等)を備えている。本実施形態では、この担当者端末10を用いて、顧客の注文情報(親注文)を入力する。
取引管理システム20は、CPU、RAM、ROM等から構成された制御手段として機能し、アルゴリズムトレードを実行するフレームワーク(基盤)である。この取引管理システム20は、取引処理部20A、ロジック部20B、データストア20C、予測制御部21、予測結果記憶部22を備えている。
取引処理部20Aは、取引を行なうための基本ロジックを管理する。この基本ロジックには、アルゴリズムトレードによる子注文の発注・キャンセル・訂正管理、親注文の残数量管理、エラー処理、コンプライアンスチェック、異常注文ガードシステム、ユーザによるアルゴリズムトレード注文パラメータ訂正に応じた執行スケジュール修正処理等がある。更に、この取引処理部20Aは、注文管理発注システム30から各種情報を、逐次、取得し、データストア20Cに記録する。
ロジック部20Bは、アルゴリズム戦略のビジネスロジックを管理し、取引処理部20Aに対して取引を指示する。このため、ロジック部20Bは、アルゴリズム戦略毎の発注スケジューリング、親注文の数量分割、および執行条件を管理する。
本実施形態では、ビジネスロジックとして、VWAPを用いて取引を行なう。具体的には、ロジック部20Bは、後述する予測制御部21が予測した株価に基づいて、取引処理部20Aに対して、取引の執行を指示する処理を実行する。本実施形態では、顧客の注文情報(親注文)の数量を、過去の出来高分布に応じて分割して、分散して注文(子注文)を行なうVWAP取引を実行する。このため、ロジック部20Bは、子注文を行なう判断タイミング毎に注文数量に関する情報が設定された発注スケジュールを記憶するメモリを備えている。そして、ロジック部20Bは、取引処理部20Aに対し、発注・キャンセル・訂正命令を出す。
本実施形態では、ビジネスロジックとして、VWAPを用いて取引を行なう。具体的には、ロジック部20Bは、後述する予測制御部21が予測した株価に基づいて、取引処理部20Aに対して、取引の執行を指示する処理を実行する。本実施形態では、顧客の注文情報(親注文)の数量を、過去の出来高分布に応じて分割して、分散して注文(子注文)を行なうVWAP取引を実行する。このため、ロジック部20Bは、子注文を行なう判断タイミング毎に注文数量に関する情報が設定された発注スケジュールを記憶するメモリを備えている。そして、ロジック部20Bは、取引処理部20Aに対し、発注・キャンセル・訂正命令を出す。
データストア20Cには、機械学習に用いる過去の株価情報(個別株価及び日経平均株価の変動履歴)、顧客の注文情報が記録される。本実施形態では、出来高時系列データ、板情報時系列データ、株価時系列データ、日経平均出来高時系列データ、日経平均板情報時系列データ、日経平均先物データ等を用いる。具体的には、所定期間(足)の四本値・出来高、直近100クォート、直近100ティックデータ等を用いる。ここでは、所定期間として、ミクロ(例えば数μ秒)からマクロ(例えば1週間)の複数(例えば5種類)のタイムフレームで過去20遷移分を用いる。
予測制御部21は、株価を予測し、取引を支援する処理を実行する。このため、後述する処理(取得段階、学習段階、検証段階、予測段階等を含む処理)を行なう。このための取引管理プログラムを実行することにより、予測制御部21は、取得部210、学習部211、検証部212、予測部213等として機能する。
取得部210は、ディープラーニングや株価予測に用いる各種情報や、顧客の注文情報を、データストア20Cから取得する処理を実行する。この取得部210は、データストア20Cから各種情報を、ディープラーニングに適したフォーマットに変換(事前データ加工)したデータセットを生成する。そして、取得部210は、生成したデータセットをローカルディスクに記録する。このデータセットには、学習用、検証用、予測精度の確認用が含まれる。
取得部210は、ディープラーニングや株価予測に用いる各種情報や、顧客の注文情報を、データストア20Cから取得する処理を実行する。この取得部210は、データストア20Cから各種情報を、ディープラーニングに適したフォーマットに変換(事前データ加工)したデータセットを生成する。そして、取得部210は、生成したデータセットをローカルディスクに記録する。このデータセットには、学習用、検証用、予測精度の確認用が含まれる。
学習部211は、ローカルディスクに記録されたデータセットを読み込み、株価予測を行なうためのディープラーニングにおける隠れ層を生成する処理を実行する。本実施形態では、ローカルディスクに記録された学習用データセットを読み込んで用いる。そして、入力層や出力層等の可視層(Visible Layer)に対して、複数階層の隠れ層(Hidden Layer)を設定したディープビリーフネットワーク(Deep Belief Network:DBN)を用いる。本実施形態においては、入力層(上位層)〜出力層(下位層)間の各隠れ層の階層数や、各隠れ層の判断ノード数は、予め定められている。
また、複数種類の予測期間候補及び変動幅候補(閾値候補)を用いて、安定した予測が可能な値を設定する。例えば、予測期間候補としては、4種類(「30分後」、「1時間後」、「2時間後」、「終値」)を用いる。閾値候補としては、3種類(「0.5%」、「0.3%」、「0.15%」)を用いる。そして、これらの12種類(=4種類×3種類)の組み合わせにおいて、予測期間経過後に、現在価格プラスマイナス閾値の範囲に対して、上昇、範囲内、下落を予測する。
検証部212は、ディープラーニングにより生成した隠れ層におけるノードの予測精度の安定性を検証する処理を実行する。この検証部212は、評価結果を仮記憶するメモリを備える。
予測部213は、ディープビリーフネットワーク(DBN)を用いて、株価を予測する処理を実行する。
予測部213は、ディープビリーフネットワーク(DBN)を用いて、株価を予測する処理を実行する。
予測結果記憶部22には、銘柄毎に予測期間後の株価について、「上昇」、「範囲内」、「下落」が記録される。
注文管理発注システム30は、注文情報に基づいて、取引を行なうコンピュータシステムである。本実施形態では、複数の執行市場の価格を提供するとともに、各執行市場に対して注文を行なう。更に、注文管理発注システム30は、各種株価情報を取引管理システム20に提供する。
次に、上記のように構成された取引管理システム20において、株取引を支援する場合の処理手順について、図2〜図3を用いて説明する。
(設定決定処理)
まず、図2を用いて、設定決定処理を説明する。ここでは、適切な予測期間・閾値を決定する。
(設定決定処理)
まず、図2を用いて、設定決定処理を説明する。ここでは、適切な予測期間・閾値を決定する。
このため、パラメータ設定に用いる予測期間候補及び閾値候補を処理対象として特定し、以下の処理を繰り返す。
この場合、注文管理発注システム30において取り扱われる銘柄を、順次、処理対象として特定し、以下の処理を繰り返す。
この場合、注文管理発注システム30において取り扱われる銘柄を、順次、処理対象として特定し、以下の処理を繰り返す。
まず、取引管理システム20の予測制御部21は、データセットの取得処理を実行する(ステップS1−1)。具体的には、予測制御部21の取得部210は、データストア20Cから、各種情報(処理対象の銘柄の株価情報等)を取得する。次に、取得部210は、各種情報を、ディープラーニングに適したフォーマットに変換する事前データ加工を行なう。これにより、データセット(学習用、検証用、予測精度の確認用)を生成する。そして、取得部210は、生成したデータセットをローカルディスクに格納する。
次に、取引管理システム20の予測制御部21は、データセットの入力処理を実行する(ステップS1−2)。具体的には、予測制御部21の学習部211は、ローカルディスクに格納された学習用データセットを取得し、ディープビリーフネットワーク(DBN)の入力層に設定する。
次に、取引管理システム20の予測制御部21は、出力層生成処理を実行する(ステップS1−3)。具体的には、予測制御部21の学習部211は、学習用データセットに基づいて、出力層を生成する。ここでは、処理対象の予測期間候補後に、予測株価が閾値候補の範囲に対して「上昇」、「範囲内」、「下落」のいずれかを選択する。
次に、取引管理システム20の予測制御部21は、隠れ層生成処理を実行する(ステップS1−4)。具体的には、予測制御部21の学習部211は、設定された入力層、出力層に基づいて、ディープラーニングにより、隠れ層を生成する。ここでは、学習部211は、予め定められた階層数、判断ノード数に基づいて、入力層から順次、隠れ層に関連付けられた判断ノードを生成する。そして、学習部211は、各判断ノードの関連付けを行なう。
以上の処理を、処理対象のすべての銘柄について終了するまで繰り返す。
以上の処理を、処理対象のすべての銘柄について終了するまで繰り返す。
以下、この隠れ層生成処理の一例を詳述する。
新たな学習用データセットを与える度に、以下の処理を実行する。
まず、入力層・第一隠れ層間に構成されるRBM(Restricted Boltzmann Machine)をCD(Contrastive Divergence)法で学習する。
CD法では、入力データからRBMの確率分布の式に基づいて第一隠れ層のデータを求める。この際、RBMのバイアス・ウエイトなどの確率分布式の確定数は更新される。第一隠れ層のデータを、RBMに逆に伝播(第一隠れ層から入力層に伝播)させることで、入力値の新しいサンプルを生成する。すなわち、確率分布の計算式を答えから逆算することになる。これを、再度、入力データとして、RBMの確率分布式より第一隠れ層の出力データを求め、またRBMのバイアス・ウエイトなどを更新(微調整)する。
新たな学習用データセットを与える度に、以下の処理を実行する。
まず、入力層・第一隠れ層間に構成されるRBM(Restricted Boltzmann Machine)をCD(Contrastive Divergence)法で学習する。
CD法では、入力データからRBMの確率分布の式に基づいて第一隠れ層のデータを求める。この際、RBMのバイアス・ウエイトなどの確率分布式の確定数は更新される。第一隠れ層のデータを、RBMに逆に伝播(第一隠れ層から入力層に伝播)させることで、入力値の新しいサンプルを生成する。すなわち、確率分布の計算式を答えから逆算することになる。これを、再度、入力データとして、RBMの確率分布式より第一隠れ層の出力データを求め、またRBMのバイアス・ウエイトなどを更新(微調整)する。
次に、今度は第一隠れ層のデータを、次の入力データとして、上記と同じ動作により、第一隠れ層・第二隠れ層間に構成されるRBMをCD法で学習する。
これを隠れ層が存在する階層数に応じて繰り返す。
そして、最後の隠れ層までの学習が終わった時点で、RBMの学習を完了する。
最後に、ローカルディスクに格納された検証用データセットを用いて、1度だけ全RBMのウエイトとバイアスを入力層のデータから出力層(最終的な答え)を正しく導き出せるように微調整する。
これを隠れ層が存在する階層数に応じて繰り返す。
そして、最後の隠れ層までの学習が終わった時点で、RBMの学習を完了する。
最後に、ローカルディスクに格納された検証用データセットを用いて、1度だけ全RBMのウエイトとバイアスを入力層のデータから出力層(最終的な答え)を正しく導き出せるように微調整する。
上記の処理では、MLP(Multi-Layer Perceptron)と同様の計算を行なう。ここで、MLPとは、古典的なニューラルネット回路の一つであり、複数のパラメータの1次結合で次の階層の一つのノードの値を算出する式の集まりで構成される。具体的には、MLPでは、S層(入力層)、A層(中間層)、R層(出力層)の3つの階層から構成される。S層とA層の間はランダムに接続される。S層には外部から信号が与えられ、A層はS層からの情報を元に反応する。R層はA層の答えに重みづけをして、多数決を行ない、答えを出す。本実施形態では、MLPに対して、各ウエイトの調整は、既存のRBMのウエイト又はバイアスに調整する点で異なる。なお、この調整には、逆伝播誤差法(Backpropagation)を用いる。ここでは、MLPの各階層の式をウエイトのベクトルで微分し、正解と答えの誤差を最小にする極値に近付くように微調整を行なう。
これにより、1つの学習用データセット当たりの処理を終了する。
そして、以上の処理を、学習用データセットの数(例えば、営業日数×銘柄数×時点数×ケース数)だけ、繰り返す。
これにより、1つの学習用データセット当たりの処理を終了する。
そして、以上の処理を、学習用データセットの数(例えば、営業日数×銘柄数×時点数×ケース数)だけ、繰り返す。
次に、取引管理システム20の予測制御部21は、評価処理を実行する(ステップS1−5)。具体的には、予測制御部21の検証部212は、予測精度の確認用データセットをローカルディスクから取得し、出力層(予測期間候補後の実際の株価)の適否を特定する。そして、検証部212は、銘柄に関連付けて、正解、不正解を特定し、予測精度(正解率)をメモリに仮記憶する。
次に、取引管理システム20の予測制御部21は、組み合わせに関連付けて結果の記憶処理を実行する(ステップS1−6)。具体的には、予測制御部21の検証部212は、予測期間候補、閾値候補の組み合わせに関連付けて、各予測時間で最も可能性が高かった予測を選択する最頻解における正解、不正解の割合(最頻解比率)を算出する。更に、検証部212は、ディープラーニングによる予測精度を算出する。そして、検証部212は、予測精度から最頻解比率を差し引いた平均値及び標準偏差を算出する。そして、検証部212は、〔平均値/標準偏差〕を算出し、メモリに仮記憶する。
次に、取引管理システム20の予測制御部21は、安定した組み合わせの特定処理を実行する(ステップS1−7)。具体的には、予測制御部21の検証部212は、メモリに仮記憶された〔平均値/標準偏差〕の値が最も高い組み合わせを特定する。本実施形態では、予測期間として「1時間」、閾値候補として「0.5%」の組み合わせを特定した場合を想定する。そして、検証部212は、特定した組み合わせにおける予測期間、閾値を予測部213に引き継ぐ。
(取引処理)
次に、図3を用いて、取引処理を説明する。ここでは、発注スケジュールに応じて、組み合わせ(予測期間、閾値)を用いて算出した株価予測値に基づいて、注文管理発注システム30における取引を支援する。
次に、図3を用いて、取引処理を説明する。ここでは、発注スケジュールに応じて、組み合わせ(予測期間、閾値)を用いて算出した株価予測値に基づいて、注文管理発注システム30における取引を支援する。
まず、取引管理システム20は、注文情報の取得処理を実行する(ステップS2−1)。具体的には、顧客から注文情報(親注文)を受けた担当者は、担当者端末10に、注文情報を入力する。この場合、取引管理システム20の取引処理部20Aは、顧客の注文情報を、担当者端末10から取得する。ここでは、買い注文を取得した場合を想定する。
次に、取引管理システム20は、注文情報の分割処理を実行する(ステップS2−2)。具体的には、取引管理システム20のロジック部20Bは、親注文の銘柄について、注文管理発注システム30から、注文情報に含まれる全体数量を、過去の平均的な日中出来高分布に応じた割合で分割する。本実施形態では、判断タイミング(例えば、5分刻み)で、日中出来高分布に応じた数量の子注文に、親注文の数量を分割した発注スケジュールを生成し、メモリに記録する。
次に、取引管理システム20の予測制御部21は、予測期間・閾値の組み合わせを用いて株価予測処理を実行する(ステップS2−3)。具体的には、予測制御部21の取得部210は、注文管理発注システム30から、この銘柄に関する各種情報を取得し、予測用データセットに事前加工する。そして、予測部213は、予測用データセットを、ディープビリーフネットワークの入力層に設定する。次に、予測部213は、設定決定処理において生成した隠れ層の各ノードを計算し、出力層の値を取得する。ここでは、出力層として、予測期間後の株価(予測結果)について、閾値範囲(±0.5%)よりも「上昇」、閾値範囲の「レンジ内」、閾値範囲よりも「下落」のいずれかを特定する。そして、予測部213は、予測結果(予測期間後の株価)を予測結果記憶部22に記録する。
次に、取引管理システム20は、予測株価は「レンジ内」かどうかについての判定処理を実行する(ステップS2−4)。具体的には、ロジック部20Bは、予測結果記憶部22に記録された予測結果に基づいて、「レンジ内」かどうかを判定する。
予測株価は「レンジ内」と判定した場合(ステップS2−4において「YES」の場合)、取引管理システム20は、執行コストの期待値が最小となる指値発注処理を実行する(ステップS2−5)。具体的には、取引管理システム20のロジック部20Bは、株式の売買に伴って発生する執行コストの期待値を算出し、この執行コストが最小となる値を算出する。ここでは、直近の所定期間のボラティリティ及びトレンドを考慮し、執行コストを算出し、約定時刻(今回の予測期間の終了)までの残り時間に合わせて、この執行コストが最小となる指値を算出する。そして、ロジック部20Bは、取引処理部20Aを介して、算出した値を指値として、注文管理発注システム30に注文指示を送信する。
予測株価は「レンジ内」と判定した場合(ステップS2−4において「YES」の場合)、取引管理システム20は、執行コストの期待値が最小となる指値発注処理を実行する(ステップS2−5)。具体的には、取引管理システム20のロジック部20Bは、株式の売買に伴って発生する執行コストの期待値を算出し、この執行コストが最小となる値を算出する。ここでは、直近の所定期間のボラティリティ及びトレンドを考慮し、執行コストを算出し、約定時刻(今回の予測期間の終了)までの残り時間に合わせて、この執行コストが最小となる指値を算出する。そして、ロジック部20Bは、取引処理部20Aを介して、算出した値を指値として、注文管理発注システム30に注文指示を送信する。
一方、予測株価は「レンジ内」でないと判定した場合(ステップS2−4において「NO」の場合)、取引管理システム20は、予測は「上昇」又は「下落」かどうかについての判定処理を実行する(ステップS2−6)。
予測株価は「上昇」と判定した場合(ステップS2−6において「上昇」の場合)、取引管理システム20は、売り気配に即約定処理を実行する(ステップS2−7)。具体的には、取引管理システム20のロジック部20Bは、取引執行タイミングとして即時を決定し、取引処理部20Aを介して、現在の売り気配(売り希望者の株数と株価)について、注文管理発注システム30に約定指示を送信する。
一方、予測は「下落」と判定した場合(ステップS2−6において「下落」の場合)、取引管理システム20は、予測期間を待ってから売り気配に約定処理を実行する(ステップS2−8)。具体的には、取引管理システム20のロジック部20Bは、取引執行タイミングとして、現在時刻に対して予測期間(本実施形態では、1時間)を加算した注文時期を算出する。そして、ロジック部20Bは、取引処理部20Aに対して、取引執行タイミングにおいて、売り気配に対して約定指示を送信する予約登録を行なう。なお、算出した取引執行タイミングが、注文管理発注システム30の取引終了時刻を超えている場合には、取引処理部20Aに対して、取引終了時刻を注文時期として予約登録する。そして、取引処理部20Aは、予約登録された取引執行タイミングまで待機して、取引処理部20Aを介して、待機後に約定を行なう。
本実施形態の取引管理システムによれば、以下のような効果を得ることができる。
(1)本実施形態では、取引管理システム20の予測制御部21は、設定決定処理により、ディープラーニングに用いる各種設定を決定する。これにより、判断条件が多く、同一条件のサンプル数が少ない場合にも、予測全体の期待値を高めることができる。更に、複数階層の機械学習(ディープラーニング)を用いることにより、株価に影響を与える多様な要因を考慮して、的確な予測を行なうことができる。そして、アルゴリズムトレード戦術の執行成績を向上させることができる。
(1)本実施形態では、取引管理システム20の予測制御部21は、設定決定処理により、ディープラーニングに用いる各種設定を決定する。これにより、判断条件が多く、同一条件のサンプル数が少ない場合にも、予測全体の期待値を高めることができる。更に、複数階層の機械学習(ディープラーニング)を用いることにより、株価に影響を与える多様な要因を考慮して、的確な予測を行なうことができる。そして、アルゴリズムトレード戦術の執行成績を向上させることができる。
(2)本実施形態では、取引管理システム20の予測制御部21は、出力層生成処理を実行する(ステップS1−3)。ここでは、一定時間(予測期間候補)後の株価の閾値範囲との関係を予測する。これにより、即時執行、指値取引、所定時間経過後の執行を選択することができる。更に、取引管理システム20の予測制御部21は、ディープラーニングによる予測精度から最頻解比率を差し引いた平均値、標準偏差を算出し、〔平均値/標準偏差〕を算出する。そして、〔平均値/標準偏差〕の値が最も高い組み合わせを特定する。これにより、最頻解を算出する株価予測をベンチマークとして、より的確な予測を行なうことができる。また、平均値/標準偏差に基づいて組み合わせを特定するため、的確性と安定性とを考慮した設定を行なうことができる。
(3)本実施形態では、取引管理システム20の予測制御部21は、予測株価は「レンジ内」と判定した場合(ステップS2−4において「YES」の場合)、取引管理システム20は、執行コストの期待値が最小となる指値発注処理を実行する(ステップS2−5)。一方、予測株価は「上昇」と判定した場合(ステップS2−6において「上昇」の場合)、取引管理システム20は、売り気配に即約定処理を実行する(ステップS2−7)。また、予測株価は「下落」と判定した場合(ステップS2−6において「下落」の場合)、取引管理システム20は、予測期間を待ってから売り気配に約定処理を実行する(ステップS2−8)。これにより、VWAP取引のメリットを活かしながら、アルゴリズムトレード戦術の執行成績の向上を図ることができる。
また、上記実施形態は、以下のように変更してもよい。
・上記実施形態では、VWAP取引にディープラーニングを適用したが、適用対象はVWAP取引に限定されるものではない。他の手法を用いて、株価を予測して取引を行なう場合にも用いることができる。
・上記実施形態では、VWAP取引にディープラーニングを適用したが、適用対象はVWAP取引に限定されるものではない。他の手法を用いて、株価を予測して取引を行なう場合にも用いることができる。
・上記実施形態では、予測のために、データセットとして株価情報(個別株価及び日経平均株価)を用いる。予測に用いる情報はこれらに限定されるものではない。例えば、株価変動のチャート図の形状から、画像認識処理により特徴量を算出し、この特徴量を用いて、隠れ層の判断ノードを生成するようにしてもよい。
・上記実施形態では、ディープビリーフネットワーク(DBN)を用いたが、機械学習方法は、これに限定されるものではない。
・上記実施形態では、ディープビリーフネットワーク(DBN)を用いたが、機械学習方法は、これに限定されるものではない。
・上記実施形態では、予め実行した設定決定処理により特定した組み合わせ(予測期間、閾値)を用いて、取引処理を実行する。設定決定処理の実行タイミングはこれに限定されるものではない。例えば、設定決定処理を定期的に実行したり、注文情報を取得したときに実行したりするようにしてもよい。
・上記実施形態では、判断タイミング(例えば、5分刻み)で、日中出来高分布に応じた数量の子注文に、親注文の数量を分割した発注スケジュールを生成する。ここで、判断タイミングは、5分刻みに限定されるものではない。
・上記実施形態では、取引処理において、買い注文を取得した場合を想定した。売り注文を受けた場合において、予測株価は「上昇」と判定した場合(ステップS2−6において「上昇」の場合)、予測期間を待ってから買い気配に約定処理を実行する。また、予測は「下落」と判定した場合(ステップS2−6において「下落」の場合)、取引管理システム20の予測制御部21は、買い気配に即約定処理を実行する。
・上記実施形態では、取引処理において、買い注文を取得した場合を想定した。売り注文を受けた場合において、予測株価は「上昇」と判定した場合(ステップS2−6において「上昇」の場合)、予測期間を待ってから買い気配に約定処理を実行する。また、予測は「下落」と判定した場合(ステップS2−6において「下落」の場合)、取引管理システム20の予測制御部21は、買い気配に即約定処理を実行する。
10…担当者端末、20…取引管理システム、20A…取引処理部、20B…ロジック部、21C…データストア、21…予測制御部、210…取得部、211…学習部、212…検証部、213…予測部、22…予測結果記憶部、30…注文管理発注システム。
Claims (7)
- 過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムであって、
前記制御部が、
複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
少なくとも板情報時系列データを含む株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習を用いてディープビリーフネットワークにより予測変動幅を計算し、
前記組み合わせ毎に、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
前記予測期間候補及び変動幅候補の組み合わせの中で、予測精度が高い予測期間及び変動幅の組み合わせを特定し、
注文情報を取得した場合、前記注文情報に関連するデータセットを前記ディープビリーフネットワークの入力層に用いて、前記特定した組み合わせの予測期間後の予測株価について、前記特定した組み合わせの変動幅との関係を算出し、
前記予測期間後の変動幅との関係に基づいて、前記注文情報の取引執行タイミングを決定することを特徴とする取引管理システム。 - 前記予測精度を、正解率の平均値及び標準偏差に基づいて算出することを特徴とする請求項1に記載の取引管理システム。
- 前記変動幅候補には、変動幅範囲内、変動幅範囲外の上昇、変動幅範囲外の下落の何れか一つを選択することを特徴とする請求項1又は2に記載の取引管理システム。
- 注文情報を取得し、
前記予測株価が変動幅範囲内となった場合には、執行コストに基づく指値注文を行ない、
前記予測株価が変動幅範囲外の上昇となった場合には、買い注文について速やかに約定を行ない、売り注文について前記予測期間の待機を行ない、
前記予測株価が変動幅範囲外の下落となった場合には、買い注文について前記予測期間の待機を行ない、売り注文について速やかに約定を行なうことを特徴とする請求項1〜3のいずれか一項に記載の取引管理システム。 - 前記注文情報の全体数量を分割した子注文を生成し、前記各子注文の取引執行タイミングを、前記変動幅との関係に基づいて決定することを特徴とする請求項4に記載の取引管理システム。
- 過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムを用いて株価予測を行なう方法であって、
前記制御部が、
複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
少なくとも板情報時系列データを含む株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習を用いてディープビリーフネットワークにより予測変動幅を計算し、
前記組み合わせ毎に、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
前記予測期間候補及び変動幅候補の組み合わせの中で、予測精度が高い予測期間及び変動幅の組み合わせを特定し、
注文情報を取得した場合、前記注文情報に関連するデータセットを前記ディープビリーフネットワークの入力層に用いて、前記特定した組み合わせの予測期間後の予測株価について、前記特定した組み合わせの変動幅との関係を算出し、
前記予測期間後の変動幅との関係に基づいて、前記注文情報の取引執行タイミングを決定することを特徴とする取引管理方法。 - 過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムを用いて株価予測を行なうためのプログラムであって、
前記制御部を、
複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
少なくとも板情報時系列データを含む株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、2階層以上の隠れ層からなる機械学習を用いてディープビリーフネットワークにより予測変動幅を計算し、
前記組み合わせ毎に、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
前記予測期間候補及び変動幅候補の組み合わせの中で、予測精度が高い予測期間及び変動幅の組み合わせを特定し、
注文情報を取得した場合、前記注文情報に関連するデータセットを前記ディープビリーフネットワークの入力層に用いて、前記特定した組み合わせの予測期間後の予測株価について、前記特定した組み合わせの変動幅との関係を算出し、
前記予測期間後の変動幅との関係に基づいて、前記注文情報の取引執行タイミングを決定する手段として機能させることを特徴とする取引管理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017223317A JP2018028945A (ja) | 2017-11-21 | 2017-11-21 | 取引管理システム、取引管理方法及び取引管理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017223317A JP2018028945A (ja) | 2017-11-21 | 2017-11-21 | 取引管理システム、取引管理方法及び取引管理プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015251015A Division JP6250623B2 (ja) | 2015-12-24 | 2015-12-24 | 取引管理システム、取引管理方法及び取引管理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018028945A true JP2018028945A (ja) | 2018-02-22 |
Family
ID=61248568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017223317A Pending JP2018028945A (ja) | 2017-11-21 | 2017-11-21 | 取引管理システム、取引管理方法及び取引管理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018028945A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230027903A (ko) * | 2021-08-20 | 2023-02-28 | 유한책임회사 블루바이저시스템즈 | 학습모델에 기초한 주가 변동 예측 장치 |
-
2017
- 2017-11-21 JP JP2017223317A patent/JP2018028945A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230027903A (ko) * | 2021-08-20 | 2023-02-28 | 유한책임회사 블루바이저시스템즈 | 학습모델에 기초한 주가 변동 예측 장치 |
KR102614106B1 (ko) | 2021-08-20 | 2023-12-14 | 유한책임회사 블루바이저시스템즈 | 학습모델에 기초한 주가 변동 예측 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Herskovic et al. | Firm volatility in granular networks | |
Rao et al. | Compound mechanism design of supplier selection based on multi-attribute auction and risk management of supply chain | |
US7707062B2 (en) | Method and system of forecasting customer satisfaction with potential commercial transactions | |
JP6250623B2 (ja) | 取引管理システム、取引管理方法及び取引管理プログラム | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
Burnie | Exploring the interconnectedness of cryptocurrencies using correlation networks | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN107665448A (zh) | 用于确定消费贡献价值的方法、装置以及存储介质 | |
Barlow | Excel models for business and operations management | |
US20230186213A1 (en) | Systems and methods for identifying, quantifying, and mitigating risk | |
Yelland et al. | Forecasting demand for fashion goods: a hierarchical Bayesian approach | |
JP2005174313A (ja) | 特許又は技術の経済価値算出方法及び装置 | |
Rekik et al. | Modeling (and learning from) Inventory Inaccuracies in e‐retailing/B2B contexts | |
US20140195312A1 (en) | System and method for management of processing workers | |
Song et al. | Decision Biases of Strategic Customers with Private Product‐Value Information: An Experimental Study | |
JP2014006578A (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 | |
JP2018028945A (ja) | 取引管理システム、取引管理方法及び取引管理プログラム | |
US20090240557A1 (en) | Method, apparatus and computer program product for valuing a technological innovation | |
CN114757630A (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
Saha et al. | Enhancing production inventory management for imperfect items using fuzzy optimization strategies and Differential Evolution (DE) algorithms | |
Nagare et al. | Extended distribution‐free newsvendor models with demand updates using experts’ judgment | |
JP5184321B2 (ja) | マーケットインパクト推計システム | |
JP2011054051A (ja) | 注文処理システムおよびその方法、並びにプログラム | |
Blochwitz et al. | Validation of Banks’ Internal Rating Systems: A Supervisory Perspective | |
Biçer | Supply Chain Analytics: An Uncertainty Modeling Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180205 |