JP2020522774A - サーバ、金融時系列データの処理方法及び記憶媒体 - Google Patents
サーバ、金融時系列データの処理方法及び記憶媒体 Download PDFInfo
- Publication number
- JP2020522774A JP2020522774A JP2019556878A JP2019556878A JP2020522774A JP 2020522774 A JP2020522774 A JP 2020522774A JP 2019556878 A JP2019556878 A JP 2019556878A JP 2019556878 A JP2019556878 A JP 2019556878A JP 2020522774 A JP2020522774 A JP 2020522774A
- Authority
- JP
- Japan
- Prior art keywords
- digits
- data
- missing value
- cut out
- value
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 55
- 238000003062 neural network model Methods 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000015654 memory Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 5
- 238000010399 three-hybrid screening Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本願は、2018年5月10日に提出された、中国特許出願第2018104414146号で、名称が「サーバ、金融時系列データの処理方法及び記憶媒体」である中国特許出願の優先権をパリ条約により主張し、当該出願の全体内容は参照の方式により本願に組み込まれる。
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得るステップと、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとするステップと、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとするステップと、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とするステップとを実現する。
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得る、S1と、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとする、S2と、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする、S3と、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とする、S4とを含む。
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得るステップと、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとするステップと、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとするステップと、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とするステップとを実現する。
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得るステップを実現する。
ただし、所定時間ステップは、6つの時間単位、11の時間単位、及び16の時間単位を含み、時間単位とは金融時系列データの粒度単位を指し、例えば、日を粒度とする金融時系列データの場合、その時間単位は日であり、分間を粒度とする高頻度金融時系列データの場合、その時間単位は分である。
ただし、所定の回帰型ニューラルネットワークモデルは2つ以上の回帰型ニューラルネットワークによるハイブリッドモデルであり、好ましくは、長・短期記憶ネットワークモデル(Long Short−Term Memory、略称LSTM)及びゲート付き回帰型ユニット(Gated Recurrent Unit、略称GRU)からなるハイブリッドモデルであり、LSTMモデル及びGRUモデルはいずれも時系列の前後依存関係を捕捉するために用いることができる。
本実施例において、最初に、欠損値の位置を特定し、金融時系列データは時系列であるため、欠損値の位置する時点により欠損値の位置を特定することができ、次に各位置の欠損値の桁数、例えば1桁又は2桁等と決定する。予測対象の欠損値の桁数に基づき、モデルに入力された金融時系列データの桁数を決定し、欠損値よりも前方の何桁かのデータを切り出して、入力対象データとする。
ステップS1において、異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得る。
ただし、所定時間ステップは、6つの時間単位、11の時間単位、及び16の時間単位を含み、時間単位とは金融時系列データの粒度単位を指し、例えば、日を粒度とする金融時系列データの場合、その時間単位は日であり、分間を粒度とする高頻度金融時系列データの場合、その時間単位は分である。
ただし、所定の回帰型ニューラルネットワークモデルは2つ以上の回帰型ニューラルネットワークによるハイブリッドモデルであり、好ましくは、長・短期記憶ネットワークモデル(Long Short−Term Memory、略称LSTM)及びゲート付き回帰型ユニット(Gated Recurrent Unit、略称GRU)からなるハイブリッドモデルであり、LSTMモデル及びGRUモデルはいずれも時系列の前後依存関係を捕捉するために用いることができる。
Claims (20)
- サーバであって、
前記サーバはストレージ及び前記ストレージに接続されたプロセッサを含み、前記ストレージに前記プロセッサにおいて動作可能な処理システムが記憶され、前記処理システムが前記プロセッサによって実行される時、
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得るステップと、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとするステップと、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとするステップと、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とするステップとを実現する
ことを特徴とするサーバ。 - 各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとする前記ステップは、具体的に、
各種類の所定時間ステップに対応するサンプルデータを第1の割合のトレーニングセット及び第2の割合のテストセットに分割し、各種の所定時間ステップに対応するトレーニングセットを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行い、ただし前記第1の割合と第2の割合和は1以下であることと、
各種類の所定時間ステップに対応するトレーニングセットにおいて所定数量のサンプルデータを抽出して検証セットとし、当該検証セットを利用してトレーニング中の回帰型ニューラルネットワークモデルのパラメータに対してテストを行い、テスト誤差が所定の誤差閾値以上である場合、トレーニングを終了してトレーニング後の回帰型ニューラルネットワークモデルを得ることと、
テストセットを利用してトレーニング後の回帰型ニューラルネットワークモデルの正確率に対してテストを行うことと、
当該正確率が所定の正確率閾値以上である場合、当該トレーニング後の回帰型ニューラルネットワークモデルを予測モデルとすることと、
当該正確率が所定の正確率閾値未満である場合、当該回帰型ニューラルネットワークモデルの隠れ層の構造を修正し、再度トレーニングを行うことにより、正確率が所定の正確率閾値以上の予測モデルを得ることと、を含む
ことを特徴とする請求項1に記載のサーバ。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項1に記載のサーバ。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項2に記載のサーバ。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項3に記載のサーバ。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項4に記載のサーバ。 - 前記所定時間ステップは、6つの時間単位、11の時間単位及び16の時間単位であり、前記所定の回帰型ニューラルネットワークモデルは長・短期記憶ネットワークモデル及びゲート付き回帰型ユニットからなるハイブリッドモデルである
ことを特徴とする請求項1又は請求項2に記載のサーバ。 - 金融時系列データの処理方法であって、
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得る、S1と、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとする、S2と、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする、S3と、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とする、S4とを含む
ことを特徴とする金融時系列データの処理方法。 - 前記ステップS2は、具体的に、
各種類の所定時間ステップに対応するサンプルデータを第1の割合のトレーニングセット及び第2の割合のテストセットに分割し、各種の所定時間ステップに対応するトレーニングセットを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行い、ただし前記第1の割合と第2の割合和は1以下であることと、
各種類の所定時間ステップに対応するトレーニングセットにおいて所定数量のサンプルデータを抽出して検証セットとし、当該検証セットを利用してトレーニング中の回帰型ニューラルネットワークモデルのパラメータに対してテストを行い、テスト誤差が所定の誤差閾値以上である場合、トレーニングを終了してトレーニング後の回帰型ニューラルネットワークモデルを得ることと、
テストセットを利用してトレーニング後の回帰型ニューラルネットワークモデルの正確率に対してテストを行うことと、
当該正確率が所定の正確率閾値以上である場合、当該トレーニング後の回帰型ニューラルネットワークモデルを予測モデルとすることと、
当該正確率が所定の正確率閾値未満である場合、当該回帰型ニューラルネットワークモデルの隠れ層の構造を修正し、再度トレーニングを行うことにより、正確率が所定の正確率閾値以上の予測モデルを得ることと、を含む
ことを特徴とする請求項8に記載の金融時系列データの処理方法。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項8に記載の金融時系列データの処理方法。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項9に記載の金融時系列データの処理方法。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項10に記載の金融時系列データの処理方法。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項11に記載の金融時系列データの処理方法。 - 前記所定時間ステップは、6つの時間単位、11の時間単位及び16の時間単位であり、前記所定の回帰型ニューラルネットワークモデルは長・短期記憶ネットワークモデル及びゲート付き回帰型ユニットからなるハイブリッドモデルである
ことを特徴とする請求項8又は請求項9に記載の金融時系列データの処理方法。 - コンピュータ読み取り可能な記憶媒体であって、
前記コンピュータ読み取り可能な記憶媒体に処理システムが記憶され、前記処理システムがプロセッサによって実行される時、
異なる所定時間ステップのスライディングウィンドウを設定し、設定されたスライディングウィンドウを利用して欠損値を含まない金融時系列データにおいてスライディングすることにより複数のウィンドウデータを取得し、各ウィンドウデータに対してサンプリングを行うことにより各所定時間ステップに対応するサンプルデータを得るステップと、
各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとするステップと、
欠損値を含む金融時系列データを取得し、当該金融時系列データにおける欠損値の位置及び欠損値の桁数を取得し、当該欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとするステップと、
入力対象データを各予測モデルに入力し、各予測モデルによって出力される予測値を取得し、各予測値の平均値を取得して当該欠損値の充填値とするステップとを実現する
ことを特徴とするコンピュータ読み取り可能な記憶媒体。 - 各所定時間ステップに対応するサンプルデータを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行うことにより、トレーニング後の各所定時間ステップに対応するモデルを得て予測モデルとする前記ステップは、具体的に、
各種類の所定時間ステップに対応するサンプルデータを第1の割合のトレーニングセット及び第2の割合のテストセットに分割し、各種の所定時間ステップに対応するトレーニングセットを利用して所定の回帰型ニューラルネットワークモデルに対してそれぞれトレーニングを行い、ただし前記第1の割合と第2の割合和は1以下であることと、
各種類の所定時間ステップに対応するトレーニングセットにおいて所定数量のサンプルデータを抽出して検証セットとし、当該検証セットを利用してトレーニング中の回帰型ニューラルネットワークモデルのパラメータに対してテストを行い、テスト誤差が所定の誤差閾値以上である場合、トレーニングを終了してトレーニング後の回帰型ニューラルネットワークモデルを得ることと、
テストセットを利用してトレーニング後の回帰型ニューラルネットワークモデルの正確率に対してテストを行うことと、
当該正確率が所定の正確率閾値以上である場合、当該トレーニング後の回帰型ニューラルネットワークモデルを予測モデルとすることと、
当該正確率が所定の正確率閾値未満である場合、当該回帰型ニューラルネットワークモデルの隠れ層の構造を修正し、再度トレーニングを行うことにより、正確率が所定の正確率閾値以上の予測モデルを得ることと、を含む
ことを特徴とする請求項15に記載のコンピュータ読み取り可能な記憶媒体。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項15に記載のコンピュータ読み取り可能な記憶媒体。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、具体的に、
当該欠損値の桁数に基づき、切り出されるデータの桁数を決定し、当該欠損値の位置よりも前方で且つ決定された桁数と同一の桁数の金融時系列データを切り出し、切り出されたデータを入力対象データとすることを含む
ことを特徴とする請求項16に記載のコンピュータ読み取り可能な記憶媒体。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項17に記載のコンピュータ読み取り可能な記憶媒体。 - 欠損値の位置及び欠損値の桁数に基づき当該欠損値の位置よりも前方の金融時系列データを切り出し、切り出されたデータを入力対象データとする前記ステップは、さらに、
欠損値の桁数が1桁である場合、切り出されるデータの桁数は5桁、6桁又は7桁と決定し、当該欠損値の位置よりも前方の5桁、6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることと、
欠損値の桁数が2桁である場合、切り出されるデータの桁数は6桁又は7桁と決定し、当該欠損値の位置よりも前方の6桁又は7桁の金融時系列データを切り出し、切り出されたデータを入力対象データとすることとを含む
ことを特徴とする請求項18に記載のコンピュータ読み取り可能な記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810441414.6A CN108615096A (zh) | 2018-05-10 | 2018-05-10 | 服务器、金融时序数据的处理方法及存储介质 |
CN201810441414.6 | 2018-05-10 | ||
PCT/CN2018/107678 WO2019214143A1 (zh) | 2018-05-10 | 2018-09-26 | 服务器、金融时序数据的处理方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020522774A true JP2020522774A (ja) | 2020-07-30 |
JP6812573B2 JP6812573B2 (ja) | 2021-01-13 |
Family
ID=63662626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019556878A Active JP6812573B2 (ja) | 2018-05-10 | 2018-09-26 | サーバ、金融時系列データの処理方法及び記憶媒体 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6812573B2 (ja) |
CN (1) | CN108615096A (ja) |
WO (1) | WO2019214143A1 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635923A (zh) * | 2018-11-20 | 2019-04-16 | 北京字节跳动网络技术有限公司 | 用于处理数据的方法和装置 |
CN109711665A (zh) * | 2018-11-20 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 一种基于金融风控数据的预测模型构建方法及相关设备 |
CN109886387B (zh) * | 2019-01-07 | 2021-02-26 | 北京大学 | 一种基于门控网络和梯度提升回归的交通时序预测方法 |
CN111798018A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 行为预测方法、装置、存储介质及电子设备 |
CN110163748B (zh) * | 2019-05-28 | 2021-08-17 | 京东数字科技控股有限公司 | 一种流动性期限管理缺失数据回填方法和设备 |
CN110309136B (zh) * | 2019-07-10 | 2020-08-04 | 山东大学 | 一种数据库异常事件缺失数据填充方法及系统 |
CN110688365A (zh) * | 2019-09-18 | 2020-01-14 | 华泰证券股份有限公司 | 金融时间序列的合成方法、装置和存储介质 |
CN110851505B (zh) * | 2019-11-20 | 2023-12-22 | 鹏城实验室 | 一种数据处理框架、方法及系统 |
CN110911011B (zh) * | 2019-11-27 | 2021-10-19 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
CN111260156B (zh) * | 2020-02-18 | 2023-07-28 | 中国农业银行股份有限公司 | 现金流预测模型的构建方法及现金流预测方法及装置 |
CN111694830A (zh) * | 2020-06-12 | 2020-09-22 | 复旦大学 | 基于深度集成学习的缺失数据补全方法 |
CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充系统 |
CN113780666B (zh) * | 2021-09-15 | 2024-03-22 | 湖北天天数链技术有限公司 | 一种缺失值的预测方法及装置、可读存储介质 |
CN113763186B (zh) * | 2021-10-22 | 2024-03-15 | 平安科技(深圳)有限公司 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
CN114820199A (zh) * | 2022-03-29 | 2022-07-29 | 深圳先进技术研究院 | 金融衍生品价格的预测方法、预测装置、存储介质和设备 |
CN116823338B (zh) * | 2023-08-28 | 2023-11-17 | 国网山东省电力公司临沂供电公司 | 电力用户经济属性缺失值的推断方法 |
CN117319312B (zh) * | 2023-11-29 | 2024-03-08 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种数据流量控制方法及装置 |
CN118096244A (zh) * | 2024-04-28 | 2024-05-28 | 无锡挚达物联科技有限公司 | 充电桩销量模型训练方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006031378A (ja) * | 2004-07-15 | 2006-02-02 | Nippon Hoso Kyokai <Nhk> | 時系列データ補完装置、その方法及びそのプログラム |
JP2014102779A (ja) * | 2012-11-22 | 2014-06-05 | Fujitsu Ltd | データ補間装置、データ補間プログラム及びデータ補間方法 |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
WO2018047655A1 (ja) * | 2016-09-06 | 2018-03-15 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19530646C1 (de) * | 1995-08-21 | 1996-10-17 | Siemens Ag | Lernverfahren für ein rekurrentes neuronales Netz |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107273429B (zh) * | 2017-05-19 | 2018-04-13 | 哈工大大数据产业有限公司 | 一种基于深度学习的缺失值填充方法及系统 |
CN107316108A (zh) * | 2017-06-19 | 2017-11-03 | 华南理工大学 | 一种市民出行公交线路选乘滑动窗口多特征预测方法 |
CN107578124B (zh) * | 2017-08-28 | 2024-05-17 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107563122B (zh) * | 2017-09-20 | 2020-05-19 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107832897A (zh) * | 2017-11-30 | 2018-03-23 | 浙江工业大学 | 一种基于深度学习的股票市场预测方法 |
-
2018
- 2018-05-10 CN CN201810441414.6A patent/CN108615096A/zh active Pending
- 2018-09-26 WO PCT/CN2018/107678 patent/WO2019214143A1/zh active Application Filing
- 2018-09-26 JP JP2019556878A patent/JP6812573B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006031378A (ja) * | 2004-07-15 | 2006-02-02 | Nippon Hoso Kyokai <Nhk> | 時系列データ補完装置、その方法及びそのプログラム |
JP2014102779A (ja) * | 2012-11-22 | 2014-06-05 | Fujitsu Ltd | データ補間装置、データ補間プログラム及びデータ補間方法 |
WO2018047655A1 (ja) * | 2016-09-06 | 2018-03-15 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
高草木 桂介: "時系列データの欠損部位補間に関する研究", 日本工業大学研究報告, vol. 46, no. 1, JPN6020048027, 25 June 2016 (2016-06-25), pages 41 - 44, ISSN: 0004406207 * |
Also Published As
Publication number | Publication date |
---|---|
CN108615096A (zh) | 2018-10-02 |
WO2019214143A1 (zh) | 2019-11-14 |
JP6812573B2 (ja) | 2021-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6812573B2 (ja) | サーバ、金融時系列データの処理方法及び記憶媒体 | |
EP3690763A1 (en) | Machine learning model training method and device, and electronic device | |
CN112884092B (zh) | Ai模型生成方法、电子设备及存储介质 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
JP6573418B2 (ja) | データソースに基づく業務カスタマイズ装置、方法、システム及び記憶媒体 | |
US20200286100A1 (en) | Payment complaint method, device, server and readable storage medium | |
WO2021004324A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN107678844B (zh) | 断点智能分流方法、电子装置及计算机可读存储介质 | |
WO2023169274A1 (zh) | 数据处理方法、装置、存储介质以及处理器 | |
WO2022037299A1 (zh) | 异常行为检测方法、装置、电子设备及计算机可读存储介质 | |
CN111931848B (zh) | 数据的特征提取方法、装置、计算机设备及存储介质 | |
CN112597745A (zh) | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 | |
CN116821646A (zh) | 数据处理链构建方法、数据缩减方法、装置、设备及介质 | |
WO2019061667A1 (zh) | 电子装置、数据处理方法、系统及计算机可读存储介质 | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN112835682A (zh) | 一种数据处理方法、装置、计算机设备和可读存储介质 | |
CN110120082B (zh) | 金融数据的图像处理方法、装置、设备及可读存储介质 | |
TWI835478B (zh) | 一種操作行為識別方法、裝置、電腦設備及電腦可讀存儲介質 | |
CN110390463B (zh) | 风控数据处理方法、装置及终端设备 | |
CN112308149A (zh) | 基于机器学习的图像信息识别的优化方法及装置 | |
CN110688451A (zh) | 评价信息处理方法、装置、计算机设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
US20220237694A1 (en) | Price Superhighway | |
CN115567283A (zh) | 一种身份认证方法、装置、电子设备、系统及存储介质 | |
CN112035159B (zh) | 一种稽核模型的配置方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191018 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191018 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201120 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6812573 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |