JP2020061027A

JP2020061027A - Information processing system, information processing method, program, and storage medium

Info

Publication number: JP2020061027A
Application number: JP2018192781A
Authority: JP
Inventors: 太志西村; Futoshi Nishimura
Original assignee: NS Solutions Corp
Current assignee: NS Solutions Corp
Priority date: 2018-10-11
Filing date: 2018-10-11
Publication date: 2020-04-16
Anticipated expiration: 2038-10-11
Also published as: JP7122214B2

Abstract

To reproduce an operation of an actual market using fewer resources and shorter time.SOLUTION: An information processing system includes: prediction means for predicting board information in future at the time point of updating of the board information when first order information is input on the basis of any one or both of the board information in the past at the time when the updated board information and the first order information are input when the first order information is input by using a neural network; and generation means for generating second order information on the basis of the board information to be updated on the basis of the predicted board information in future and the first order information.SELECTED DRAWING: Figure 5

Description

本発明は、情報処理システム、情報処理方法、プログラム及び記憶媒体に関する。 The present invention relates to an information processing system, an information processing method, a program and a storage medium.

マーケットインパクト減衰係数を用いて、マーケットシミュレーションを提供する技術が提案されている（特許文献１）。 A technique for providing a market simulation using a market impact attenuation coefficient has been proposed (Patent Document 1).

特開２０１５−２２６９０号公報JP, 2015-22690, A

しかしながら、特許文献１の技術では、現実に近い市場の動きを再現することはできなかった。また、特許文献１の技術では、マーケットインパクト減衰係数を算出するために、ＣＰＵ等のリソースを多く使い、算出する時間もかかっていた。 However, the technique of Patent Document 1 could not reproduce a market movement close to reality. Further, in the technique of Patent Document 1, in order to calculate the market impact attenuation coefficient, many resources such as a CPU are used and it takes time to calculate.

本発明の情報処理システムは、ニューラルネットワークを用いて、第１の注文情報が入力された際に更新された板情報及び前記第１の注文情報が入力されたときより過去の板情報の何れか又は双方に基づいて、前記第１の注文情報が入力された際に板情報が更新されたときより未来の板情報を予測する予測手段と、前記予測された未来の板情報と前記第１の注文情報に基づき更新された板情報とに基づき第２の注文情報を生成する生成手段と、を有する。 The information processing system of the present invention uses a neural network to select one of the board information updated when the first order information is input and the board information older than when the first order information is input. Or, based on both of them, a predicting unit that predicts future plate information more than when the plate information is updated when the first order information is input, the predicted future plate information, and the first Generating means for generating second order information based on the board information updated based on the order information.

本発明によれば、より少ないリソース、及びより短い時間で、より現実に近い市場の動きを再現することができる。 According to the present invention, more realistic market movements can be reproduced with less resources and less time.

図１は、本実施形態のシステムのシステム構成の一例を示す図である。FIG. 1 is a diagram showing an example of a system configuration of the system of this embodiment. 図２は、マーケットシミュレーションシステムのハードウェア構成の一例を示す図である。FIG. 2 is a diagram showing an example of the hardware configuration of the market simulation system. 図３は、マーケットシミュレーションシステムの機能構成等の一例を示す図である。FIG. 3 is a diagram showing an example of the functional configuration of the market simulation system. 図４は、マーケットシミュレーションシステムにおける、注文情報が入力された際の情報処理の一例を示すフローチャートである。FIG. 4 is a flowchart showing an example of information processing in the market simulation system when order information is input. 図５は、Ｓ４０３の処理の詳細の一例を示すフローチャートである。FIG. 5 is a flowchart showing an example of details of the process of S403. 図６Ａは、板情報の一例を示す図（その１）である。FIG. 6A is a diagram (part 1) illustrating an example of the board information. 図６Ｂは、板情報の一例を示す図（その２）である。FIG. 6B is a diagram (part 2) illustrating an example of the board information. 図６Ｃは、価格−時刻の時系列データの一例を示す図である。FIG. 6C is a diagram showing an example of price-time time series data. 図７は、ＬＳＴＭを用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。FIG. 7 is a diagram showing an example of learning of the plate generation NN 303 when the LSTM is used. 図８Ａは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を説明するための図（その１）である。FIG. 8A is a diagram (part 1) for describing an example of learning of the plate generation NN 303 when using CNN. 図８Ｂは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を説明するための図（その２）である。FIG. 8B is a diagram (part 2) for explaining an example of learning of the plate generation NN 303 when CNN is used. 図９は、ＣＮＮにより学習した学習済みモデルに基づいて転移学習する一例を示す図である。FIG. 9 is a diagram showing an example of transfer learning based on a learned model learned by CNN.

以下、本発明の実施形態について図面に基づいて説明する。 Embodiments of the present invention will be described below with reference to the drawings.

図１は、本実施形態のシステムのシステム構成の一例を示す図である。
本実施形態のシステムは、ユーザ端末１１０とマーケットシミュレーションシステム１２０とを含む。マーケットシミュレーションシステム１２０は、情報処理システムの一例である。
ユーザ端末１１０は、マーケットシミュレーションシステム１２０を利用するユーザの端末であって、ネットワークを介してマーケットシミュレーションシステム１２０と通信可能に接続されている。ユーザ端末１１０は、単体の装置であってもよし、複数の装置から構成されたシステムであってもよい。
マーケットシミュレーションシステム１２０は、株の売り買いを行う市場のバックテスト環境を提供するシステムである。また、マーケットシミュレーションシステム１２０は、実データに基づいてマーケットインパクトを学習したニューラルネットワークを利用したマーケットシミュレーターである。
マーケットシミュレーションシステム１２０は、ユーザ端末１１０から注文情報が入力されると、注文情報が入力された際の板情報を、入力された注文情報に基づき更新し、更新した板情報と、注文情報が入力されたときより過去の板情報とに基づいて、注文情報が入力されたときより未来の板情報を予測する。そして、マーケットシミュレーションシステム１２０は、予測した未来の板情報と更新した板情報とに基づき、ユーザ端末１１０から入力された注文情報に応じた、注文情報を生成する。
このような処理を行うことにより、自然な市場の動きを表現でき、バックテストの有効性も向上する。また、マーケットインパクト減衰係数を算出する方法に比べて、より少ないリソース、及びより短い時間で現実の市場の動きを再現可能とすることができる。 FIG. 1 is a diagram showing an example of a system configuration of the system of this embodiment.
The system of this embodiment includes a user terminal 110 and a market simulation system 120. The market simulation system 120 is an example of an information processing system.
The user terminal 110 is a terminal of a user who uses the market simulation system 120, and is communicably connected to the market simulation system 120 via a network. The user terminal 110 may be a single device or a system including a plurality of devices.
The market simulation system 120 is a system that provides a backtest environment for a market where stocks are bought and sold. The market simulation system 120 is a market simulator that uses a neural network that learns the market impact based on actual data.
When the order information is input from the user terminal 110, the market simulation system 120 updates the board information when the order information is input, based on the input order information, and the updated board information and the order information are input. The future board information is predicted based on the past board information when the order information is entered and the future board information when the order information is entered. Then, the market simulation system 120 generates the order information according to the order information input from the user terminal 110, based on the predicted future board information and the updated board information.
By performing such processing, it is possible to express natural market movements and improve the effectiveness of backtesting. Further, compared to the method of calculating the market impact attenuation coefficient, it is possible to reproduce the actual market movement with less resources and in a shorter time.

図２は、マーケットシミュレーションシステム１２０のハードウェア構成の一例を示す図である。
マーケットシミュレーションシステム１２０は、ハードウェア構成として、ＣＰＵ２０１、メモリ２０２、表示部２０３、入力部２０４、通信部２０５を少なくとも有する。
ＣＰＵ２０１は、マーケットシミュレーションシステム１２０の全体を制御する。ＣＰＵ２０１がメモリ２０２に記憶されたプログラムに基づき処理を実行することにより、後述する図３のマーケットシミュレーションシステム１２０の機能及び、後述する図４、図５のフローチャートの処理が実現される。メモリ２０２は、プログラム、ＣＰＵ２０１がプログラムに基づき処理を実行する際に用いるデータ、例えば後述する過去板情報３０４、過去注文情報３０５等、を記憶する。表示部２０３は、各種情報を表示する。入力部２０４は、キーボード、マウス、表示部２０３に表示された画面等を介したユーザの操作等を受け付け、入力する。表示部２０３及び入力部２０４は、タッチパネルディスプレイ等、一体として構成されてもよい。通信部２０５は、マーケットシミュレーションシステム１２０をネットワークに接続し、ネットワークを介した外部装置との通信処理を行う。メモリ２０２は、記憶媒体の一例である。
他の例としては、マーケットシミュレーションシステム１２０の機能や処理の少なくとも一部は、複数のＣＰＵ、メモリを協働させることにより実現してもよい。また、他の例としては、マーケットシミュレーションシステム１２０の機能や処理の少なくとも一部は、ハードウェア回路を用いて実現してもよい。また、他の例としては、マーケットシミュレーションシステム１２０の機能及び処理は、複数の装置が協働して実現してもよい。
ユーザ端末１１０もマーケットシミュレーションシステム１２０と同様のハードウェア構成を有し、ユーザ端末１１０のＣＰＵがユーザ端末１１０のメモリに記憶されているプログラムに基づき処理を実行することによって、ユーザ端末１１０の機能を実現させる。 FIG. 2 is a diagram showing an example of the hardware configuration of the market simulation system 120.
The market simulation system 120 has at least a CPU 201, a memory 202, a display unit 203, an input unit 204, and a communication unit 205 as a hardware configuration.
The CPU 201 controls the entire market simulation system 120. When the CPU 201 executes processing based on the program stored in the memory 202, the function of the market simulation system 120 of FIG. 3 described later and the processing of the flowcharts of FIGS. 4 and 5 described later are realized. The memory 202 stores a program, data used when the CPU 201 executes processing based on the program, such as past board information 304 and past order information 305 described later. The display unit 203 displays various information. The input unit 204 receives and inputs a user operation or the like via a keyboard, a mouse, a screen displayed on the display unit 203, and the like. The display unit 203 and the input unit 204 may be integrally configured, such as a touch panel display. The communication unit 205 connects the market simulation system 120 to a network and performs communication processing with an external device via the network. The memory 202 is an example of a storage medium.
As another example, at least a part of the functions and processes of the market simulation system 120 may be realized by cooperating a plurality of CPUs and memories. Further, as another example, at least a part of the functions and processes of the market simulation system 120 may be realized by using a hardware circuit. Further, as another example, the functions and processing of the market simulation system 120 may be implemented by a plurality of devices working together.
The user terminal 110 also has the same hardware configuration as the market simulation system 120, and the CPU of the user terminal 110 executes the processing based on the program stored in the memory of the user terminal 110 so that the functions of the user terminal 110 are realized. make it happen.

図３は、マーケットシミュレーションシステム１２０の機能構成等の一例を示す図である。
マーケットシミュレーションシステム１２０は、機能構成として、取引所シミュレータ３０１、注文シミュレータ３０２、板生成ニューラルネットワーク（以下、板生成ＮＮという）３０３を少なくとも有する。過去板情報３０４は、実際の市場における過去の板情報を記憶する記憶部（ＤＢ、メモリ等）である。過去注文情報３０５は、実際の市場における過去の注文情報を記憶する記憶部（ＤＢ、メモリ等）である。板生成ＮＮ３０３は、マーケットインパクト（こういう注文が入ったら市場はこう動く）を学習した（過去データに基づきパラメータ調整した）、学習済みモデルである。後述するように、板生成ＮＮ３０３は、ＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）により学習した学習済みモデルであってもよいし、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ）により学習した学習済みモデルであってもよい。また、後述するように、板生成ＮＮ３０３は、ＲＮＮ、又はＣＮＮにより学習した学習済みモデルに基づいて転移学習された学習済みモデルであってもよい。板生成ＮＮ３０３の学習及び転移学習については、後述する図７−図９を用いて説明する。
取引所シミュレータ３０１は、板情報をユーザ端末１１０に送信することで、板情報を提示する。板情報の例は、後述する図６Ａ及び図６Ｂに示す。ユーザ端末１１０は、送信された板情報を受信し、ユーザ端末１１０の表示部に表示する。過去注文情報３０５は、過去板情報３０４より生成される。過去板情報３０４には、過日の現実の板情報が時系列で記憶されている。注文シミュレータ３０２は、それらの板情報から過去の注文情報を生成することができる。即ち、注文シミュレータ３０２は、ある時刻における過去板情報と、その次の時刻における過去板情報との差分から、そのときに発生した注文情報を生成する。この処理は、シミュレーションの開始前に行って、すべての過去注文情報を事前に生成し、過去注文情報３０５に記憶させておいてもよいし、マーケットシミュレーションシステム１２０でカウントされるシミュレーション上の時刻（シミュレーション時刻）に従って生成されてもよい。
注文シミュレータ３０２は、シミュレーション時刻に応じて過去注文情報３０５から過去の注文情報を取得し、取引所シミュレータ３０１に過去の注文情報を入力する。即ち、注文シミュレータ３０２は、シミュレーションを行うユーザ等によるユーザ端末１１０からの注文が入力される前は、過日に取引所で実際に発生した注文を同じタイミングで再生することになる。取引所シミュレータ３０１は、過去の注文情報が入力されると、入力された注文情報に応じた約定シミュレーションを実行し、約定情報をユーザ端末１１０に送信することで、約定情報を提示する。
この様に過去の市場の動きを再現しているときに、ユーザ端末１１０から注文情報が入力されると、取引所シミュレータ３０１は、入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。ユーザ端末１１０から入力される注文情報は、第１の注文情報の一例である。取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、更新した板情報を現在板情報として注文シミュレータ３０２に入力する。 FIG. 3 is a diagram showing an example of the functional configuration of the market simulation system 120.
The market simulation system 120 has at least an exchange simulator 301, an order simulator 302, and a plate generation neural network (hereinafter, referred to as plate generation NN) 303 as functional configurations. The past board information 304 is a storage unit (DB, memory, etc.) that stores past board information in the actual market. The past order information 305 is a storage unit (DB, memory, etc.) that stores past order information in the actual market. The plate generation NN 303 is a learned model in which the market impact (the market moves like this when an order is entered) is learned (parameters are adjusted based on past data). As will be described later, the plate generation NN 303 may be a trained model learned by an RNN (Recurring Neural Network) or a trained model learned by a CNN (Convolution Neural Network). Further, as described later, the plate generation NN 303 may be a learned model that has undergone transfer learning based on a learned model that has been learned by the RNN or CNN. Learning of the plate generation NN 303 and transfer learning will be described with reference to FIGS. 7 to 9 described later.
The exchange simulator 301 presents the board information by transmitting the board information to the user terminal 110. An example of the board information is shown in FIGS. 6A and 6B described later. The user terminal 110 receives the transmitted board information and displays it on the display unit of the user terminal 110. The past order information 305 is generated from the past board information 304. In the past board information 304, actual board information of another day is stored in time series. The order simulator 302 can generate past order information from the plate information. That is, the order simulator 302 generates the order information generated at that time from the difference between the past board information at a certain time and the past board information at the next time. This process may be performed before the simulation is started to generate all past order information in advance and store the past order information in the past order information 305. It may be generated according to the simulation time).
The order simulator 302 acquires past order information from the past order information 305 according to the simulation time, and inputs the past order information to the exchange simulator 301. That is, the order simulator 302 reproduces the order actually generated on the exchange on the same day at the same timing before the order is input from the user terminal 110 by the user who performs the simulation. When the past order information is input, the exchange simulator 301 executes the contract simulation according to the input order information and sends the contract information to the user terminal 110 to present the contract information.
When order information is input from the user terminal 110 while the past market movements are being reproduced in this way, the exchange simulator 301 displays the order information when the order information is input, based on the input order information. Update board information. The order information input from the user terminal 110 is an example of first order information. The exchange simulator 301 presents the updated board information to the user terminal 110. Moreover, the exchange simulator 301 inputs the updated board information to the order simulator 302 as current board information.

注文シミュレータ３０２は、現在板情報が入力されると、現在板情報とユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報とを現在までの板情報として板生成ＮＮ３０３に入力する。
このとき注文シミュレータ３０２に入力される過去の所定の期間の板情報は、過去板情報又は図示しないシミュレーション板履歴情報記憶部から読み出されキャッシュ的な情報として記憶したものを利用してもよい。なお、シミュレーション履歴板情報記憶部は、取引所シミュレータ３０１におけるシミュレーションによって生成される板の履歴情報を例えばキャッシュ的に記憶する。
例えば、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときが８月６日１０時００分だった場合、現在板情報は８月６日１０時００分の板情報となる。また、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報として、注文シミュレータ３０２は、過去板情報３０４又は図示しないシミュレーション履歴板情報記憶部より、８月６日９時５５分の板情報を取得する。この例の場合、注文シミュレータ３０２は、８月６日１０時００分の板情報と８月６日９時５５分の板情報とを板生成ＮＮ３０３に入力する。
なお、ここでは、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報として、５分前の板情報を１つだけ取得したが、これに限定されるものではない。５分前の板情報、１０分前の板情報の２つを取得するようにしてもよいし、２つ以上を取得するようにしてもよい。同様に、５分前ではなく、１分前の板情報を取得するようにしてもよい。間隔及び数は後述する板生成ＮＮ３０３の学習に依存する。なお、過去板情報としては、実際の連続した時系列データ（実際に板が発生した時間間隔変動）でもよいし、データ間を平均化したものでもよい。即ち、板は均等に５分間隔等で発生するわけではないが、例えば、３分、７分、３分、７分の時間間隔で板が発生していた場合、それらを５分間隔に平均し、３分と７分のタイミングの価格で５分のタイミングの価格を補完し、５分間隔の板情報として用意しておいてもよい。
なお、履歴情報を用いて制約条件を課したほうが、予測精度を向上させることができるが、要求される精度に応じて現在板情報のみから次板情報を予測するような構成としてもよい。 When the current board information is input, the order simulator 302 displays the current board information and the board information for a predetermined period past when the order information was input to the exchange simulator 301 from the user terminal 110 up to the present. Is input to the plate generation NN 303.
At this time, the plate information in the past predetermined period input to the order simulator 302 may be the past plate information or the one read from the simulation plate history information storage unit (not shown) and stored as cache-like information. The simulation history plate information storage unit stores, for example, a cache of plate history information generated by the simulation in the exchange simulator 301.
For example, when the order information is input from the user terminal 110 to the exchange simulator 301 at 10:00 on August 6, the current board information is the board information at 10:00 on August 6. In addition, as the board information for a predetermined period in the past from the time when the order information is input from the user terminal 110 to the exchange simulator 301, the order simulator 302 uses the past board information 304 or the simulation history board information storage unit (not shown) The board information at 9:55 on June 6 is acquired. In the case of this example, the order simulator 302 inputs the plate information at 10:00 on August 6th and the plate information at 9:55 on August 6th into the plate generation NN 303.
Note that, here, only one piece of board information 5 minutes ago is acquired as board information for a predetermined period past when the order information was input to the exchange simulator 301 from the user terminal 110, but the present invention is not limited to this. Not something. Two pieces of the board information 5 minutes ago and the board information 10 minutes ago may be acquired, or two or more pieces may be acquired. Similarly, it is also possible to acquire the board information one minute before instead of five minutes ago. The interval and the number depend on the learning of the plate generation NN 303 described later. The past board information may be actual continuous time-series data (time interval fluctuations in which boards actually occur) or may be data averaged. That is, the plates are not evenly generated at intervals of 5 minutes, but for example, when the plates are generated at time intervals of 3 minutes, 7 minutes, 3 minutes, and 7 minutes, they are averaged at intervals of 5 minutes. However, the price of the timing of 5 minutes may be complemented by the prices of the timing of 3 minutes and the timing of 7 minutes, and the plate information may be prepared at intervals of 5 minutes.
Although it is possible to improve the prediction accuracy by imposing a constraint condition using the history information, a configuration may be adopted in which the next board information is predicted only from the current board information according to the required accuracy.

注文シミュレータ３０２は、板生成ＮＮ３０３より、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として次板情報を受け取る。即ち、板生成ＮＮ３０３は、現在板情報及び過去の所定期間の板情報から次板情報を生成する。板生成ＮＮ３０３は、後述するようにして、現在板情報及び過去の所定期間の板情報から次板情報を生成するように学習（パラメータが調整）されたニューラルネットワークである。
上述した例では、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときが８月６日１０時００分だった場合、次板情報は、８月６日１０時０５分の板情報となる。注文シミュレータ３０２は、現在板情報と次板情報とに基づき、ユーザ端末１１０から入力された入力情報に応じた注文情報を生成する。
ときに、一般的な取引シミュレータでは、次板情報は、注文シミュレータ３０２により生成された注文情報と、現在板情報とに基づいて、生成されるものである。しかし、本実施形態のマーケットシミュレーションシステム１２０では、板生成ＮＮ３０３により現在板情報及び過去の所定期間の板情報から次板情報を予測し、注文シミュレータ３０２は、そこから逆算する形で注文情報を生成する。
一般的な取引シミュレータでは、注文シミュレータにおいて数式等の係数を用いてマーケットインパクトを考慮した注文を生成するが、どうしても人工的な動きとなってしまい、不自然な注文となることが多い。これに対して、上述のように、実際のマーケットにおける板の動きを学習させたニューラルネットワークを用いることで、マーケットインパクトを考慮した注文が違和感のない形で再現される。
生成された注文情報は、第２の注文情報の一例である。そして、注文シミュレータ３０２は、生成した注文情報を取引所シミュレータ３０１に入力する。
取引所シミュレータ３０１は、注文シミュレータ３０２から入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。
なお、更新された板情報は、基本的には板生成ＮＮ３０３で生成された次板情報と同じになる場合もあるため、そのような場合には、取引所シミュレータ３０１は、板生成ＮＮ３０３で生成された次板情報で板情報を更新してもよい。但し、特別気配の場合や板寄せが行われる場合等のデータについては例えば除外する等の例外的な処理が必要になるため、基本的には、注文シミュレータ３０２において現在板情報及び／又は過去板情報と次板情報とから注文情報を生成し、取引所シミュレータ３０１において改めて板情報を更新する必要がある。
取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、ユーザ端末１１０から入力された注文情報と注文シミュレータ３０２とから入力された注文情報とに基づき約定シミュレーションを実行し、約定情報をユーザ端末１１０に送信することで、約定情報を提示する。 The order simulator 302 receives the next board information from the board generation NN 303 as future board information from when the order information was input to the exchange simulator 301. That is, the plate generation NN 303 generates the next plate information from the current plate information and the plate information in the past predetermined period. The plate generation NN 303 is a neural network that has been learned (parameters have been adjusted) so as to generate the next plate information from the current plate information and the plate information in the past predetermined period, as described later.
In the above-mentioned example, when the order information is input from the user terminal 110 to the exchange simulator 301 at 10:00 on August 6, the next board information is the board information on August 6, 10:05. Becomes The order simulator 302 generates order information according to the input information input from the user terminal 110, based on the current board information and the next board information.
Sometimes, in a general trading simulator, the next board information is generated based on the order information generated by the order simulator 302 and the current board information. However, in the market simulation system 120 of the present embodiment, the plate generation NN 303 predicts the next plate information from the current plate information and the plate information of a predetermined period in the past, and the order simulator 302 generates the order information from the back calculation form. To do.
In a general trading simulator, an order considering the market impact is generated by using a coefficient such as a mathematical formula in the order simulator, but it is inevitable that the order is artificial and the order is unnatural. On the other hand, as described above, by using the neural network in which the movement of the board in the actual market is learned, the order considering the market impact can be reproduced in a comfortable manner.
The generated order information is an example of second order information. Then, the order simulator 302 inputs the generated order information to the exchange simulator 301.
The exchange simulator 301 updates the board information when the order information is input, based on the order information input from the order simulator 302.
In addition, since the updated board information may be basically the same as the next board information generated by the board generation NN303, in such a case, the exchange simulator 301 generates the board generation NN303. The board information may be updated with the generated next board information. However, since exceptional processing such as exclusion is required for data such as in the case of special quotes or when iterating is performed, basically, the order simulator 302 is used to display the current board information and / or the past board. It is necessary to generate order information from the information and the next board information and update the board information again in the exchange simulator 301.
The exchange simulator 301 presents the updated board information to the user terminal 110. In addition, the exchange simulator 301 executes a contract simulation based on the order information input from the user terminal 110 and the order information input from the order simulator 302, and transmits the contract information to the user terminal 110, thereby executing the contract. Present information.

図４は、マーケットシミュレーションシステム１２０における、注文情報が入力された際の情報処理の一例を示すフローチャートである。
Ｓ４０１において、取引所シミュレータ３０１は、ユーザ端末１１０から注文情報が入力されたか否かを判定する。取引所シミュレータ３０１は、ユーザ端末１１０から注文情報が入力されたと判定した場合、Ｓ４０２に処理を進め、ユーザ端末１１０から注文情報が入力されていないと判定した場合、Ｓ４０１の処理を繰り返す。
Ｓ４０２において、取引所シミュレータ３０１は、入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。この処理は、第１の更新処理の一例である。
取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、更新した板情報を現在板情報として注文シミュレータ３０２に入力する。
取引所シミュレータ３０１より現在板情報が入力されると、Ｓ４０３において、注文シミュレータ３０２は、注文情報生成処理を実行する。注文情報生成処理の詳細は、後述する図５を用いて説明する。注文情報を生成すると、注文シミュレータ３０２は、注文情報を、取引所シミュレータ３０１に入力する。
なお、注文シミュレータ３０２は、上述のとおり過去板情報３０４の板情報に基づく過去注文情報３０５の再現も行う。したがって、注文シミュレータ３０２は、過去板情報３０４及び過去注文情報３０５に基づく再現注文と、ユーザ端末１１０から注文が入力された場合における板生成ＮＮ３０３により生成される板情報に基づくマーケットインパクト注文とをシームレスな切り替え理論により行う。即ち、注文シミュレータ３０２は、通常は再現注文を生成しつつ、ユーザ端末１１０からの注文入力が発生した場合にはマーケットインパクト注文の生成にスイッチするような制御を行う。
Ｓ４０３で生成された注文情報が入力されると、Ｓ４０４において、取引所シミュレータ３０１は、注文情報が入力された際の板情報を更新する。この処理は、第２の更新処理の一例である。取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。この処理は、提示処理の一例である。
Ｓ４０５において、取引所シミュレータ３０１は、ユーザ端末１１０から入力された注文情報と注文シミュレータ３０２とから入力された注文情報（又はそれにより更新された板情報）とに基づき約定シミュレーションを実行する。 FIG. 4 is a flowchart showing an example of information processing in the market simulation system 120 when order information is input.
In S401, the exchange simulator 301 determines whether order information is input from the user terminal 110. If the exchange simulator 301 determines that the order information has been input from the user terminal 110, the exchange simulator 301 advances the process to step S402. If it determines that the order information has not been input from the user terminal 110, the exchange simulator 301 repeats the process of step S401.
In S402, the exchange simulator 301 updates the board information when the order information is input, based on the input order information. This process is an example of the first update process.
The exchange simulator 301 presents the updated board information to the user terminal 110. Moreover, the exchange simulator 301 inputs the updated board information to the order simulator 302 as current board information.
When the current board information is input from the exchange simulator 301, the order simulator 302 executes order information generation processing in S403. Details of the order information generation process will be described with reference to FIG. 5 described later. When the order information is generated, the order simulator 302 inputs the order information into the exchange simulator 301.
The order simulator 302 also reproduces the past order information 305 based on the board information of the past board information 304 as described above. Therefore, the order simulator 302 seamlessly performs the reproduction order based on the past board information 304 and the past order information 305 and the market impact order based on the board information generated by the board generation NN 303 when the order is input from the user terminal 110. The switching theory is used. That is, the order simulator 302 normally performs a control to switch to generation of a market impact order when an order input from the user terminal 110 occurs while generating a reproduction order.
When the order information generated in S403 is input, the exchange simulator 301 updates the board information when the order information is input, in S404. This process is an example of the second update process. The exchange simulator 301 presents the updated board information to the user terminal 110. This process is an example of the presentation process.
In S405, the exchange simulator 301 executes a contract simulation based on the order information input from the user terminal 110 and the order information (or the board information updated thereby) input from the order simulator 302.

図５は、Ｓ４０３の処理の詳細の一例を示すフローチャートである。
Ｓ５０１において、注文シミュレータ３０２は、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報（以下、単に過去板情報という）を過去板情報３０４又は図示しないシミュレーション履歴板情報記憶部から取得する。
Ｓ５０２において、注文シミュレータ３０２は、取引所シミュレータ３０１より入力された現在板情報とＳ５０１で取得した過去板情報とを板生成ＮＮ３０３に入力する。板生成ＮＮ３０３は、現在板情報及び過去板情報から、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として（現在板情報の次のタイミングの板情報として）次板情報を生成する。予測される情報としては、例えば売気配や買気配の価格とそれらの数量の板情報のほか、その更新時刻等の情報も含まれる。売気配や買気配は最良気配とその他気配ごとに価格や数量の板情報とその更新時刻等が予測されるものであってもよいし、所定の数の売気配、買気配のそれぞれについて価格と数量と更新時刻等が予測されるものであってもよく、特に限定はされない。
Ｓ５０３において、注文シミュレータ３０２は、板生成ＮＮ３０３より、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として次板情報を受け取る。
Ｓ５０２及びＳ５０３の処理は、予測処理の一例である。
Ｓ５０４において、注文シミュレータ３０２は、現在板情報と次板情報とに基づき、ユーザ端末１１０から入力された入力情報に応じた注文情報を生成する。即ち、注文シミュレータ３０２は、現在板情報と、板生成ＮＮ３０３により現在板情報及び過去板情報から予測されたマーケットインパクトが加味された次板情報とから、逆算する形で注文情報を生成する。
Ｓ５０４の処理は、生成処理の一例である。 FIG. 5 is a flowchart showing an example of details of the process of S403.
In S501, the order simulator 302 sets the plate information (hereinafter simply referred to as past plate information) for a predetermined period in the past to the past plate information 304 or not shown when the order information is input to the exchange simulator 301 from the user terminal 110. It is acquired from the simulation history board information storage unit.
In S502, the order simulator 302 inputs the current board information input from the exchange simulator 301 and the past board information acquired in S501 into the board generation NN 303. The board generation NN 303 generates the next board information from the current board information and the past board information as future board information (as the board information at the timing next to the current board information) when the order information is input to the exchange simulator 301. To do. The information to be predicted includes, for example, the price of the selling price or the buying price and the board information of the quantity thereof, as well as information such as the update time. The offer or bid may be the best or other quote for which the price and quantity of the board information and its update time, etc. can be predicted, or the price and price for each of the specified number of bids and offers. The quantity and the update time may be predicted, and there is no particular limitation.
In step S <b> 503, the order simulator 302 receives, from the plate generation NN 303, the next plate information as future plate information from when the order information was input to the exchange simulator 301.
The processing of S502 and S503 is an example of the prediction processing.
In step S504, the order simulator 302 generates order information according to the input information input from the user terminal 110, based on the current plate information and the next plate information. That is, the order simulator 302 generates order information in a backward calculation form from the current plate information and the next plate information in which the market impact predicted by the plate generation NN 303 from the current plate information and the past plate information is added.
The process of S504 is an example of the generation process.

ここで、図６Ａ及び図６Ｂは、板情報の例を示す図である。
図６Ａは、ある日の９時３０分の板情報を示している。図６Ｂは、同じ日の９時３５分の板情報を示している。
図６Ｃは、価格と時刻との時系列データ（板情報の価格を時系列の推移のグラフとして表したもの）の一例を示す図である。図６Ｃは、株の売り、買いの「価格」と「時刻」との時系列データのみを示しているが、同様に、株の売り、買いの「数量」と「時刻」との時系列データも過去板情報３０４としてマーケットシミュレーションシステム１２０は有している。また、図６Ｃでは、気配Ｘ１，２…、気配Ｙ１，２…のすべての時系列データが均等な幅（所定間隔で略平行）になっているが、あくまで説明のため簡略化した形で表しているものにすぎず、実際には気配Ｘ１，２…、気配Ｙ１，２…の各時系列データはバラバラな動きをする。更には、時間間隔も一定になっているが、あくまで説明のため簡略化したものであって、リアルなデータをそのまま用いる場合には等間隔とは限らないし、そのような等間隔ではないリアルなデータを補間して図６Ｃに示すように等間隔にしたものであってもよい。
なお、売気配や買気配は最良気配とその他気配ごとに価格・数量と時刻等が予測されるものであれば、売気配・買気配ごとの最良気配・その他気配の価格・数量と時刻の時系列データとして表される。 Here, FIG. 6A and FIG. 6B are diagrams showing examples of plate information.
FIG. 6A shows the board information at 9:30 on a certain day. FIG. 6B shows the board information at 9:35 on the same day.
FIG. 6C is a diagram showing an example of time-series data of prices and times (a price of plate information is represented as a time-series transition graph). FIG. 6C shows only time series data of “price” and “time” of selling and buying stocks, but similarly, time series data of “quantity” and “time” of selling and buying stocks. Also, the market simulation system 120 has the past board information 304. Further, in FIG. 6C, all the time series data of the quotes X1, 2, ..., The quotes Y1, 2, ... Have uniform widths (substantially parallel at predetermined intervals), but they are represented in a simplified form for the sake of explanation. However, the time series data of the indicative prices X1,2 ..., The indicative prices Y1,2 ... Furthermore, the time intervals are also constant, but they are simplified for the sake of explanation, and if real data are used as they are, they may not be equal intervals, and they may not be equal intervals. The data may be interpolated to have an equal interval as shown in FIG. 6C.
If the price / quantity and time etc. are predicted for the best quote and other quotes, the best quote / other quote price / quantity and time will be used for the sell / buy quotes. It is represented as series data.

以下、学習について説明する。学習を行う主体は、マーケットシミュレーションシステム１２０のＣＰＵ２０１として説明を行うが、他の情報処理装置（又はコンピュータ）が学習を担当するようにしてもよい。この場合、他の情報処理装置（又はコンピュータ）のＣＰＵが処理の主体となる。
図７は、ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）を用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。
図７に示されるように、ＣＰＵ２０１は、ｔ１（例えば、１０時００分）とｔ２（例えば、１０時０５分）との板情報を学習データとし、ｔ３（例えば、１０時１０分）の板情報を教師データとして、板生成ＮＮ３０３を学習させる。同様に、ＣＰＵ２０１は、ｔ２（例えば、１０時０５分）とｔ３（例えば、１０時１０分）との板情報を学習データとし、ｔ４（例えば、１０時１５分）の板情報を教師データとして、板生成ＮＮ３０３を学習させる。このように学習させることで、板生成ＮＮ３０３は、直前の連続する過去の２つの板情報を入力すると、次の板情報を出力（予測）することができるように、ＬＳＴＭニューラルネットワーク（学習モデル）のパラメータが調整される。
なお、ここでは説明を簡単にするため、あくまで一例として、現在板を含む直前の連続する過去の２つの板情報から次の板情報を予測するための学習モデルを例に説明したが、過去の３つ以上の板情報から次の板を予測する学習モデルであってもよいし、連続しない過去の複数の板情報から次の板情報を予測するような学習モデルであってもよいし、又は直前の１つの板情報（現在板情報）から次の板情報（気配値や数量）を予測するような学習モデルであってもよいし、更には、複数の過去板情報からその間の時刻における価格を線形補間等した値と対応する時刻を用いて次の板情報（気配値や数量）を予測するような学習モデルとして構成してもよく、特に限定はされない。ここで、ＬＳＴＭは、ＲＮＮの拡張として登場した時系列データに対するモデルの一つである。ＬＳＴＭは、一例であって、他のＲＮＮを用いてもよい。 The learning will be described below. Although the subject who performs learning is described as the CPU 201 of the market simulation system 120, another information processing device (or computer) may be in charge of learning. In this case, the CPU of another information processing device (or computer) becomes the main body of processing.
FIG. 7 is a diagram illustrating an example of learning of the plate generation NN 303 when using LSTM (Long Short Term Memory).
As shown in FIG. 7, the CPU 201 uses the plate information of t1 (for example, 10:00) and t2 (for example, 10:05) as learning data and sets the plate for t3 (for example, 10:10). The board generation NN 303 is trained using the information as teacher data. Similarly, the CPU 201 uses the board information at t2 (for example, 10:05) and t3 (for example, 10:10) as learning data, and the board information at t4 (for example, 10:15) as teacher data. , Plate generation NN 303 is learned. By performing learning in this manner, the plate generation NN 303 can output (predict) the next plate information when inputting the immediately preceding two pieces of the past plate information, and the LSTM neural network (learning model). Parameters are adjusted.
In order to simplify the description, the learning model for predicting the next plate information from the immediately preceding two previous plate information including the current plate has been described as an example. It may be a learning model that predicts the next board from three or more pieces of board information, or a learning model that predicts the next board information from a plurality of pieces of past discontinuous board information, or It may be a learning model that predicts the next board information (indicative price or quantity) from the immediately preceding one board information (current board information), and further, it may be the price at a time between them based on a plurality of past board information. May be configured as a learning model that predicts the next board information (indicative value or quantity) by using the time corresponding to the value obtained by linear interpolation or the like, and is not particularly limited. Here, LSTM is one of the models for time series data that appeared as an extension of RNN. The LSTM is an example, and another RNN may be used.

図８Ａ及び図８Ｂは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。
図８Ａは、図６Ａで示される板情報を画像で表現したものである。また、図８Ｂは、図Ｂで示される板情報を画像で表現したものである。
ＣＰＵ２０１は、ｔ１（例えば、１０時００分）とｔ２（例えば、１０時０５分）との板情報の画像を学習データとし、ｔ３（例えば、１０時１０分）の価格や数量の板情報（又は、何秒後に、変化なし／変化あり（即ち「上昇する」や「下降する」）といった情報）を教師データとして、板生成ＮＮ３０３を学習させるようにしてもよい。これにより、板生成ＮＮ３０３をＣＮＮ学習モデルとして構成することができるようになる。なお、ＣＮＮの一例として３Ｄ−ＣＮＮを用いてもよい。
ときに、ＣＮＮ、ＲＮＮ、ＬＳＴＭについて簡単に補足すれば以下のとおりである。近年、人工知能技術としてディープラーニング（深層学習）の利用が盛んになっている。ディープラーニングは、機械学習技術の一つであるニューラルネットワークの階層を深めたアルゴリズムである。ニューラルネットワークは、生物の脳神経（ニューロン）をモデルとしたアルゴリズムである。ニューラルネットワークは、入力層、隠れ層、出力層の各層をもつ。各層にはノードがあり、ノード間がエッジで結合される構造となっている。隠れ層には複数の層をもつことができる。この隠れ層が深いニューラルネットワークを用いた機械学習がディープラーニングと呼ばれる。換言すれば、ディープラーニングとは、機械学習のうち、ニューラルネットワークを用いて入力データの特徴をコンピュータが自動的に抽出するものである。ディープラーニングは教師あり学習にも教師なし学習にも適用可能であるが、実用化されているものとしては教師あり学習のほうが多い。
ニューラルネットワークの各層は活性化関数と呼ばれる関数をもち、エッジは重みをもつことができる。各ノードの値は、１つ前の層のノードの値から計算される。即ち、各ノードの値は、前の層のノード値、エッジの重みの値、そして活性化関数から計算される。この計算方法には種々のものがあるが、詳細については説明を省略する。
ＣＮＮは、画像認識の分野で実績がある。ＣＮＮでは、隠れ層は、畳み込み層とプーリング層とから構成される。畳み込み層では前の層の近くのノードに対してフィルタ処理を行う。行列で表されるフィルタを元の入力画像に対してスライドさせていくイメージである。これにより、特徴マップを得ることができる。
プーリング層は、畳み込み層から出力された特徴マップを縮小して新たな特徴マップを生成する。この特徴マップの生成処理により、画像のずれが吸収できるようになる。そして、プーリング層は、局所的な特徴をまとめあげる処理をする。
畢竟、畳み込み層及びプーリング層は、入力画像の特徴を維持しながら画像を縮小処理することを意味する。単なる画像圧縮との違いは、画像の特徴を維持しながら画像を縮小するものであり、換言すれば抽象化する処理であるといえる。
ＣＮＮでは、各層は次の層へと意味のあるデータを順に渡していく。層が進むにつれてネットワークはより高レベルな特徴を学習することができる。例えば、最初の層では例えばエッジなどの局所的な特徴を検出し、次の層でそれらを組み合わせてテクスチャを検出するなどし、更にその次の層ではより抽象的な耳などの部位の特徴を検出する。ＣＮＮでは、このような特徴を抽出するためのパラメータを自動で学習していく。このようにして、ＣＮＮでは、ネットワークに記憶された抽象化された画像イメージを用いて、入力される画像を認識ないしは分類をすることができるようになる。
ＣＮＮで扱われるのが主に画像データ（二次元の矩形データ）であったのに対し、ＲＮＮが扱うのは、音声データ等の可変長の時系列データである。ＲＮＮでは、可変長データをニューラルネットワークで扱うために、隠れ層の値を再び隠れ層に入力するネットワークの構造にしたものである。しかしながら、ＲＮＮは、長時間前のデータを利用すると誤差が消滅したり、演算量が膨大になったりするなどの問題がある。そのため、短時間のデータしか処理できなかった。そこで登場したのがＬＳＴＭである。ＬＳＴＭは、ＲＮＮの欠点を解消し、長期の時系列データを学習することができる学習モデルである。 FIG. 8A and FIG. 8B are diagrams showing an example of learning of the plate generation NN 303 when using CNN.
FIG. 8A is an image representation of the plate information shown in FIG. 6A. Further, FIG. 8B is an image representation of the plate information shown in FIG.
The CPU 201 uses the image of the plate information of t1 (for example, 10:00) and t2 (for example, 10:05) as learning data, and sets the plate information (price information and quantity of t3 (for example, 10:10)). Alternatively, after a few seconds, the plate generation NN 303 may be learned by using, as teacher data, no change / change (that is, information such as “rise” or “fall”). This allows the plate generation NN 303 to be configured as a CNN learning model. Note that 3D-CNN may be used as an example of CNN.
At this time, a brief supplementary description of CNN, RNN, and LSTM is as follows. In recent years, the use of deep learning has become popular as an artificial intelligence technology. Deep learning is an algorithm that deepens the hierarchy of neural networks, which is one of machine learning techniques. A neural network is an algorithm whose model is the cranial nerve (neuron) of a living being. The neural network has an input layer, a hidden layer, and an output layer. Each layer has nodes, and the nodes are connected by edges. The hidden layer can have multiple layers. Machine learning using a neural network with deep hidden layers is called deep learning. In other words, deep learning is one of machine learning in which a computer automatically extracts the characteristics of input data by using a neural network. Although deep learning can be applied to both supervised and unsupervised learning, supervised learning is the most practical application.
Each layer of the neural network has a function called an activation function, and edges can have weights. The value of each node is calculated from the value of the node in the previous layer. That is, the value of each node is calculated from the node value of the previous layer, the edge weight value, and the activation function. Although there are various calculation methods, detailed description thereof is omitted.
CNN has a track record in the field of image recognition. In CNN, the hidden layer consists of a convolutional layer and a pooling layer. The convolutional layer filters the nodes near the previous layer. This is an image in which the filter represented by a matrix is slid with respect to the original input image. Thereby, a feature map can be obtained.
The pooling layer reduces the feature map output from the convolutional layer to generate a new feature map. This feature map generation processing makes it possible to absorb image shifts. Then, the pooling layer performs a process of collecting local features.
Roughing, convolutional layers, and pooling layers mean to reduce an image while preserving the features of the input image. The difference from the simple image compression is that the image is reduced while maintaining the characteristics of the image, in other words, it is an abstraction process.
In CNN, each layer sequentially passes meaningful data to the next layer. As layers progress, the network can learn higher level features. For example, in the first layer, local features such as edges are detected, in the next layer, they are combined to detect texture, and in the next layer, features of parts such as more abstract ears are detected. To detect. The CNN automatically learns parameters for extracting such features. In this way, the CNN can recognize or classify the input image by using the abstracted image image stored in the network.
The CNN handles mainly image data (two-dimensional rectangular data), whereas the RNN handles variable-length time-series data such as audio data. The RNN has a network structure in which the value of the hidden layer is input to the hidden layer again in order to handle the variable length data by the neural network. However, the RNN has problems such that the error disappears and the amount of calculation becomes enormous when data that has been used for a long time is used. Therefore, only short-time data could be processed. That's where LSTM came in. The LSTM is a learning model that can solve the shortcomings of the RNN and learn long-term time series data.

図９は、ＣＮＮにより学習した学習済みモデルに基づいて転移学習する一例を示す図である。上述のとおり、ＣＮＮでは、様々な特徴を捉える特徴抽出器（又は識別器）ができあがっている状態といえる。転移学習では、ＣＮＮにおいてすでにできあがっている特徴抽出器の部分（ニューラルネットワークのうち入力側に近い層）を再利用し、分類器の部分（ニューラルネットワークのうち出力側に近い層）についてのみ再度学習するものである。これにより、普通に学習させるよりも少ないデータで追加学習させることができる。例えば画像認識においては、犬猫を認識するニューラルネットワークが学習済みの場合、入力側に近いプリミティブな要素や特徴を識別する層を再利用し、出力側に近いより抽象的な要素や特徴を識別する層や対象を分類する層のみを再学習させることで、猿やチンパンジーなどの他の動物をも認識することができるように学習させることができる。これを株取引における板情報の予測へ適用する場合には、出力側に近い層の部分を特定の日時のデータで再学習させるような転移学習を行うことでデータ量を補うことになる。
図９に示されるように、ＣＰＵ２０１は、例えば、２０１８年より前の過去板情報に基づき、学習済みの板生成ＮＮを生成しておく。そして、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年１月のデータを学習させ、２０１８年１月用の学習済み板生成ＮＮを生成するようにしてもよい。また、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年３月１周目のデータを学習させ、２０１８年２月１周目用の学習済み板生成ＮＮを生成するようにしてもよい。また、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年３月〇日のデータを学習させ、２０１８年３月〇日用の学習済み板生成ＮＮを生成するようにしてもよい。
図９では、ＣＮＮにより学習した学習済みモデルを例に説明を行ったが、ＬＳＴＭにより学習した学習済みモデルに対して転移学習するようにしてもよい。また、ＬＳＴＭの学習において、ＣＮＮで獲得した特徴量を利用して再学習させることができる。即ち、ＬＳＴＭとＣＮＮとを組み合わせて転移学習を行うことができる。 FIG. 9 is a diagram showing an example of transfer learning based on a learned model learned by CNN. As described above, in CNN, it can be said that a feature extractor (or discriminator) that captures various features is completed. In transfer learning, the part of the feature extractor (layer near the input side of the neural network) already created in CNN is reused, and only the classifier part (layer near the output side of the neural network) is learned again. To do. As a result, it is possible to perform additional learning with less data than that normally required. For example, in image recognition, if a neural network that recognizes dogs and cats has been learned, the layer that identifies primitive elements and features near the input side is reused, and more abstract elements and features near the output side are identified. By re-learning only the layer that does and the layer that classifies the target, it is possible to learn so that other animals such as monkeys and chimpanzees can also be recognized. When this is applied to the prediction of plate information in stock trading, the amount of data will be supplemented by performing transfer learning such that the layer portion near the output side is relearned with data at a specific date and time.
As illustrated in FIG. 9, the CPU 201 generates a learned plate generation NN based on the past plate information before 2018, for example. Then, the CPU 201 may further learn the data of January 2018 with respect to the learning model serving as the base, and generate the learned plate generation NN for January 2018. Further, the CPU 201 may further learn the data of the first lap of March, 2018 with respect to the learning model serving as the base, and generate the learned plate generation NN for the first lap of February, 2018. . Further, the CPU 201 may further learn the data of March 0, 2018 with respect to the learning model serving as the base, and generate the learned plate generation NN for March 0, 2018.
In FIG. 9, the learned model learned by CNN is described as an example, but transfer learning may be performed on the learned model learned by LSTM. Further, in the learning of the LSTM, it is possible to re-learn by using the feature amount acquired by the CNN. That is, transfer learning can be performed by combining LSTM and CNN.

＜その他の実施形態＞
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給する。そして、そのシステム或いは装置のコンピュータ（又はＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。 <Other embodiments>
The present invention is also realized by executing the following processing. That is, the software (program) that realizes the functions of the above-described embodiments is supplied to the system or device via the network or various storage media. Then, the computer (or CPU, MPU, etc.) of the system or apparatus reads and executes the program.

以上、本発明の実施形態の一例について詳述したが、本発明は係る特定の実施形態に限定されるものではない。 Although one example of the embodiment of the present invention has been described in detail above, the present invention is not limited to the specific embodiment.

以上、上述した各実施形態の処理によれば、より少ないリソース、及びより短い時間で、より現実に近い市場の動きを再現することができる。 As described above, according to the processes of the above-described embodiments, it is possible to reproduce a more realistic movement of the market with less resources and in a shorter time.

１２０マーケットシミュレーションシステム
２０１ＣＰＵ
３０３板生成ＮＮ 120 Market simulation system 201 CPU
303 Plate generation NN

Claims

Using a neural network, based on either or both of the board information updated when the first order information is input and the board information older than when the first order information is input, both Prediction means for predicting future board information more than when the board information is updated when the order information of 1 is input,
Generating means for generating second order information based on the predicted future board information and board information updated based on the first order information;
Information processing system having.

When the first order information is input, the system further includes a first updating unit that updates the board information when the first order information is input,
The predicting means uses the neural network, and based on either or both of the board information past when the board information updated by the first updating means and the first order information is input. The information processing system according to claim 1, wherein future board information is predicted from a time when the board information is updated when the first order information is input.

The information processing system according to claim 1, further comprising a second updating unit that updates plate information based on the second order information generated by the generating unit.

The information processing system according to claim 3, further comprising a presenting unit that presents the board information updated by the second updating unit to the user.

The information processing system according to any one of claims 1 to 4, wherein the neural network is a learned model learned by RNN (Recurring Neural Network).

The information processing system according to any one of claims 1 to 4, wherein the neural network is a trained model trained by a CNN (Convolution Neural Network).

The information processing system according to any one of claims 1 to 4, wherein the neural network is a learned model that is transfer-learned based on a learned model learned by RNN or CNN.

An information processing method executed by an information processing system,
Using a neural network, based on either or both of the board information updated when the first order information is input and the board information older than when the first order information is input, both A prediction step of predicting future plate information from the time when the plate information is updated when the order information of 1 is input,
A generating step of generating second order information based on the predicted future board information and the board information updated based on the first order information;
Information processing method including.

On the computer,
Using a neural network, based on either or both of the board information updated when the first order information is input and the board information older than when the first order information is input, both A prediction step of predicting future plate information from the time when the plate information is updated when the order information of 1 is input,
A generating step of generating second order information based on the predicted future board information and the board information updated based on the first order information;
A program to execute.

On the computer,
Using a neural network, based on either or both of the board information updated when the first order information is input and the board information older than when the first order information is input, both A prediction step of predicting future plate information from the time when the plate information is updated when the order information of 1 is input,
A generating step of generating second order information based on the predicted future board information and the board information updated based on the first order information;
A computer-readable storage medium that stores a program for executing.