JP2021125246A - 先物取引情報表示プログラム - Google Patents

Abstract

【課題】特段のスキルや経験が無くても、先物取引を行う上で有益な助言を提供する先物取引情報表示プログラムを提供する。【解決手段】先物取引情報表示システム１は、取引する水産物先物の相場に関する情報を表示する先物取引情報表示プログラムは、水産物の取引時における需要に関する需要情報を取得する情報取得ステップと、過去において取引された水産物の取引時における当該水産物の需要に関する参照用需要情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示する表示ステップとをコンピュータに実行させる。【選択図】図１

Description

本発明は、取引する先物の増減に関する情報を表示する先物取引情報表示プログラムに関する。

先物取引を行う際の様々な助言を行うアプリや、先物取引の自動化、即ち自動トレードを行うシステムが近年において利用されるようになっている。このようなアプリやシステムを利用する上では、膨大なデータ分析の下で助言をしてもらった方が勝率をより高くすることができ、利益の増加も期待できる。しかしながら、その膨大なデータを取得することができたとしても、これを分析してユーザに対して的確な助言ができるような出力解をまとめ上げることは相当な労力を要する。またこれらの作業を自動的に行うことができるシステムは従来において提案されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、取引する先物の増減に関する情報を表示する先物取引情報表示プログラムを提供することにある。

上述した課題を解決するために、本発明を適用した先物取引情報表示プログラムは、取引する水産物先物の相場に関する情報を表示する先物取引情報表示プログラムにおいて、水産物の取引時における需要に関する需要情報を取得する情報取得ステップと、過去において取引された水産物の取引時における当該水産物の需要に関する参照用需要情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示する表示ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、先物取引を行う上で有益な助言を提供することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した先物取引情報表示プログラムについて、図面を参照しながら詳細に説明をする。

第１実施形態
図１は、本発明を適用した先物取引情報表示プログラムが実装される先物取引情報表示システム１の全体構成を示すブロック図である。先物取引情報表示システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。

データベース３は、先物取引情報表示を行う上で必要な様々な情報が蓄積される。先物取引情報表示を行う上で必要な情報としては、過去の市況に関する参照用市況情報、過去の市況の検出時期に発生したイベントが反映された参照用イベント情報、過去の市況の検出時期における外部環境が反映された参照用外部環境情報、過去の市況の検出時期における家計に関する統計的データが反映された参照用家計情報、過去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報、過去の市況の検出時期に発表された専門家の意見が反映された参照用専門家意見情報、過去の市況の検出時期における自然環境の情報が反映された参照用自然環境情報と、その過去の市況における各先物の増減データとのデータセットが記憶されている。

つまり、データベース３には、このような参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報の何れか１以上と、過去の市況における各先物の増減データが互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる先物取引情報表示システム１における動作について説明をする。

先物取引情報表示システム１は、先物取引において使用され、例えば図３に示すように、参照用市況情報と、各先物の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、先物、為替、各銘柄の株価、原油、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各先物、銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。先物についても各先物間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。この参照用市況情報は、実際に先物の増減を予測する前の時点において取得したものである。

ここでいう先物とは、売買対象となる全ての先物を含む概念であり、大豆やとうもろこしといった農産物や石油、金、貴金属、ゴム、水産物、形のない株価指数等、あらゆる先物が含まれる。

各先物の増減データは、その参照用市況情報を取得した後の時点において各先物の増減がどの程度あったかを示すデータである。この増減データは、実際の増減した値幅でカウントされるものであってもよいし、増減率で表現されるものであってもよい。この増減データは、前の時点（即ち、参照用市況情報を取得した時点）の先物に対する、測定時点（後の時点）における先物の増減で表される。ここでいう前の時点は、測定時点より１０秒前、１分前、３０分前、１時間前、４時間前、１日前、１０日前、１か月前、１年前、５年前等のように、測定時点に対していかなる時間幅をもって構成されるものであってもよい。つまり先物の増減データは、チャートにおけるある時点を測定時点としたとき、その測定時点における先物の、その前の時点における先物に対する増減を示すものである。或いは、この先物の増減データは、先物のチャートでいうところの足そのものを表現するものであってもよい。

つまり、この参照用市況情報と、先物の増減データのデータセットを通じて、参照用市況情報において生じた様々なテクニカルなイベント（例えばチャートが３日連続で上がっている、一時的に高値を付けた上ヒゲがチャート上に現れた場合等）の後の時点においてどのように先物が増減したかが分かる。つまりテクニカルなイベントに対する先物の増減結果がデータセットとなっている。このため、参照用市況情報と先物の増減データのデータセットを集めておくことにより、過去どのような市況となった後の時点で、先物がどのように増減したかを知ることが可能となる。

図３の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用市況情報は、出力に連結している。この出力においては、出力解としての、先物の増減データが表示されている。

参照用市況情報は、この出力解としての、先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報がこの連関度を介して左側に配列し、各先物の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報に対して、何れの先物の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報が、いかなる先物の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報から最も確からしいる先物の増減データを選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての先物の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての先物の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、その場合の先物の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、ある参照用市況情報が、とある先物チャートにおいて、先行するＭＡＣＤが遅行する同平均（ＳＩＧＮＡＬ）を下から上に抜いた時であるものとする。このような市況において、当該先物がその後の時点において、仮にとうもろこしが１％上がったものが多かったものとする。このような場合には、当該先物が１％アップの連関度が強くなる。これに対して、全く同じ市況において、当該先物がその後の時点において０．５％ダウンしたものが多く、当該先物１％アップしたものが少ないものとする。かかる場合には、当該先物０．５％ダウンの連関度が強くなり、当該先物１％アップの連関度が低くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１である場合に、過去の各先物の値動きデータから分析する。これは、例えば過去の先物チャートの電子データから抽出するようにしてもよい。参照用市況情報Ｐ０１である場合に、各先物の増減データＡ１（金 ４％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ３（とうもろこし ５％アップ）の事例が多い場合には、この増減データＡ３につながる連関度をより高く設定する。例えば参照用市況情報Ｐ０１の例では、増減データＡ１と、増減データＡ３にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ３につながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して先物取引の助言を行う上で、上述した学習済みデータを利用して先物の増減を予測することとなる。かかる場合には、実際に新たに先物取引を行う時期における市況に関する市況情報を取得する。この市況情報は、上述した参照用市況情報と同種のデータで構成される。

新たに取得する市況情報は、上述した情報取得部９により入力される。情報取得部９は、チャートや値動きのデータ等を電子データとして取得するようにしてもよい。

このようにして新たに取得した市況情報に基づいて、実際にその市況情報に対して、起こりえる可能性の高い、将来の先物（即ち、将来の先物の増減データ）を予測する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する市況情報から、将来起こりえる各先物の状況を、先物の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された先物の増減データに基づいて、売買すべき先物の指針を得ることができる。先物の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された先物の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの先物をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

図４の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用イベント情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用イベント情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

図４の例では、参照用市況情報と、参照用イベント情報との組み合わせが形成されていることが前提となる。参照用イベント情報とは、国内又は国外において発生した様々な社会的なニュース、出来事、事件、祝い事、慶事等に加え、各企業について起きたニュース、出来事、事件、祝い事、慶事等を含む概念である。この参照用イベント情報は、各企業や社会全体に関するブログ、アナリストレポート、有価証券報告書、広告、プレスリリース、ニュース記事等から取得することができる。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよい。

図４の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用イベント情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用イベント情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

参照用市況情報と参照用イベント情報との各組み合わせ（中間ノード）は、この出力解としての、各先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用イベント情報がこの連関度を介して左側に配列し、各先物の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用イベント情報に対して、各先物の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用イベント情報が、いかなる各先物の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用イベント情報から最も確からしい各先物の増減データを選択する上での的確性を示すものである。市況データに加え、実際に社会全体、又は各企業において起こった様々なイベントに応じて、後の時点における各先物の増減データは異なるものとなる。このため、これらの参照用市況情報と参照用イベント情報の組み合わせで、最適な先物の増減データを探索していくこととなる。

図４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用イベント情報、並びにその場合の各先物の増減データの何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用イベント情報Ｐ１６である場合に、その各先物の増減データを過去のデータから分析する。各先物の増減データが増減データＡ１（金 ４％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ２（金 ２％ダウン）の事例が多く、増減データＡ１の事例が少ない場合には、増減データＡ２につながる連関度を高くし、増減データＡ１につながる連関度を低く設定する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図４に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用イベント情報Ｐ１４の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用イベント情報Ｐ１５、Ｐ１７の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから先物取引情報表示のための増減データの探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに先物取引を行う時期における市況に関する市況情報を取得するとともに、新たに先物取引を行う時期に発生したイベントが反映されたイベント情報を取得する。このイベント情報は、上述した参照用イベント情報に対応するものであり、例えばニュースや新聞、ブログ等のデータを取り込み、又は直接的に入力するようにしてもよい。

このようにして新たに取得した市況情報、イベント情報に基づいて、最適な各先物の増減データを探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、イベント情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図５は、上述した参照用市況情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する各先物の増減データとの３段階以上の連関度が設定されている例を示している。

参照用外部環境情報とは、企業の外部における、ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査、景気動向指数、消費支出、新車販売台数、消費者物価指数等の、政治、経済、社会、技術等に関する様々なデータを含む。

図５の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用外部環境情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用外部環境情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

参照用市況情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、各先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用外部環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用外部環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用外部環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用外部環境情報から最も確からしい各先物の増減データを選択する上での的確性を示すものである。市況データに加え、実際の外部環境がいかなる状態にあるのかに応じて、先物は変化する。このため、これらの参照用市況情報と参照用外部環境情報の組み合わせで、最適な各先物の増減データを探索していくこととなる。

図５の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用外部環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用外部環境情報Ｐ２０である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図５に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用外部環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに先物取引を行う時期における外部環境が反映された外部環境情報を取得する。外部環境情報は、例えば、雇用統計情報であればそのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。

このようにして新たに取得した市況情報、外部環境情報に基づいて、最適な助言を構成するべく、各先物の増減データを探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図６は、上述した参照用市況情報と、参照用家計情報との組み合わせと、当該組み合わせに対する各先物の増減データとの３段階以上の連関度が設定されている例を示している。

参照用家計情報とは、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々なデータを含む。

図６の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用家計情報Ｐ２２〜２５であるものとする。このような入力データとしての、参照用市況情報に対して、参照用家計情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

参照用市況情報と参照用家計情報との各組み合わせ（中間ノード）は、この出力解としての、各先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用家計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用家計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用家計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用家計情報から最も確からしい各先物の増減データを選択する上での的確性を示すものである。市況データに加え、実際の家計の状況がいかなる状態にあるのかに応じて、先物は変化が変動する先物は存在する。このため、これらの参照用市況情報と参照用家計情報の組み合わせで、最適な各先物の増減データを探索していくこととなる。

図６の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用家計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用家計情報Ｐ２４である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図６に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用家計情報Ｐ２２の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用家計情報Ｐ２３、Ｐ２５の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに先物取引を行う時期における家計に関する統計的データが反映された家計情報を取得する。家計情報は、例えば、貯蓄額の統計データ等のように各官庁が公表しているデータであれば、そのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。

このようにして新たに取得した市況情報、家計情報に基づいて、最適な助言を構成するべく、各先物の増減データを探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、家計情報がＰ２５である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、図６に示す参照用家計情報の代替として、過去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報を入力データとして用いるようにしてもよい。かかる場合の詳細な構成は、参照用家計情報を参照用不動産情報と読み替え、家計情報を不動産情報と読み替えることにより詳細な説明は省略する。

かかる場合には参照用市況情報と、参照用不動産情報との組み合わせと、上記各先物の増減データとの３段階以上の連関度を用いることになる。ノード６１は、参照用市況情報と、参照用不動産情報との組み合わせと、上記各先物の増減データとの３段階以上の連関度を規定することになる。

参照用不動産情報とは、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる情報を含むものである。

このような連関度を形成しておき、先物取引に関する助言を行う上では、新たに先物取引を行う時期における不動産に関する統計的デーが反映された不動産情報を取得し、これと同一又は類似の参照用不動産情報と参照用市況情報との組み合わせと、各先物の増減データとの３段階以上の連関度に基づいて、先物取引に関する助言を行う。

図７は、上述した参照用市況情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する各先物の増減データとの３段階以上の連関度が設定されている例を示している。

参照用専門家意見情報とは、先物の増減に関する専門家による見解が示されたあらゆる情報を意味し、アナリストレポートや新聞記事等に掲載されている先物の予想や株の増減の理由に関する専門家のコメント、見解等である。また、参照用専門家意見情報は、単に各先物が上がるか、下がるか、変わらないか、に関する予想そのものであってもよい。この参照用専門家意見情報としては、日経平均先物全体に関する意見、或いは特定のセグメント、業種に関する意見、更には個々の先物に関する意見の何れも含まれる。また参照用専門家意見情報としては、インターネット上に掲載される専門家（アナリスト）によるコメントや上昇又は下落の予想を取り込んでくるものであってもよい。

図７の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用専門家意見情報Ｐ２６〜２９であるものとする。このような入力データとしての、参照用市況情報に対して、参照用専門家意見情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

参照用市況情報と参照用専門家意見情報との各組み合わせ（中間ノード）は、この出力解としての、各先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用専門家意見情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用専門家意見情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用専門家意見情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用専門家意見情報から最も確からしい各先物の増減データを選択する上での的確性を示すものである。先物の変動が、市況データに加え、実際の専門家の意見と相関がみられる場合がある。このため、これらの参照用市況情報と参照用専門家意見情報の組み合わせで、最適な各先物の増減データを探索していくこととなる。

図７の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用専門家意見情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用家計情報Ｐ２８である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図７に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用専門家意見情報Ｐ２６の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用専門家意見情報Ｐ２７、Ｐ２９の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに先物取引を行う時期に発表された専門家の意見が反映された専門家意見情報を取得する。専門家意見情報は、例えば、新聞記事において専門家の意見が示されたものがあれば、そのデータを直接取り込むようにしてもよい。

このようにして新たに取得した市況情報、専門家意見情報に基づいて、最適な助言を構成するべく、各先物の増減データを探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、専門家意見情報がＰ２９である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図８は、上述した参照用市況情報と、参照用自然環境情報との組み合わせと、当該組み合わせに対する各先物の増減データとの３段階以上の連関度が設定されている例を示している。

参照用自然環境情報とは、災害データ、気温データ、降水量データ、風向きデータ、湿度データ等、自然環境に関するあらゆる情報を意味し、気象庁が発表した過去の自然環境に関するデータ、或いは民間の企業や個人が発表した過去の自然環境に関するデータ等である。

図８の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用自然環境情報Ｐ３０〜３３であるものとする。このような入力データとしての、参照用市況情報に対して、参照用自然環境情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各先物の増減データが表示されている。

参照用市況情報と参照用自然環境情報との各組み合わせ（中間ノード）は、この出力解としての、各先物の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用自然環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用自然環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用自然環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用自然環境情報から最も確からしい各先物の増減データを選択する上での的確性を示すものである。先物の変動が、市況データに加え、実際の専門家の意見と相関がみられる場合がある。このため、これらの参照用市況情報と参照用自然環境情報の組み合わせで、最適な各先物の増減データを探索していくこととなる。

図８の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用自然環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用自然環境情報Ｐ３２である場合に、その増減データを過去のデータから分析する。例えば参照用市況情報Ｐ０１で、参照用自然環境情報Ｐ３２がリンクする中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図８に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用自然環境情報Ｐ３０の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用専門家意見情報Ｐ３１、Ｐ３３の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに先物取引を行う時期における自然環境の情報が反映された自然環境情報を取得する。自然環境情報は、例えば、気象庁や民間企業、個人が発表した自然環境に関するデータや情報、或いはこれらが記載されたサイトから直接取り込むようにしてもよい。

このようにして新たに取得した市況情報、自然環境情報に基づいて、最適な助言を構成するべく、各先物の増減データを探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、自然環境情報がＰ３３である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図９は、上述した参照用市況情報と、参照用イベント情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する各先物の増減データとの３段階以上の連関度が設定されている例を示している。

かかる場合において、連関度は、図９に示すように、参照用市況情報と、参照用イベント情報と、参照用外部環境情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

例えば、図９において、ノード６１ｃは、参照用市況情報Ｐ０２が連関度ｗ３で、参照用イベント情報Ｐ１５が連関度ｗ７で、参照用外部環境情報Ｐ１９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用市況情報Ｐ０３が連関度ｗ５で、参照用イベント情報Ｐ１５が連関度ｗ８で、参照用外部環境情報Ｐ１８が連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに取得した市況情報と、イベント情報と、外部環境情報とに基づいて、探索解を判別する。

この探索解を判別する上で予め取得した図９に示す連関度を参照する。例えば、取得した市況情報が参照用市況情報Ｐ０２に同一又は類似で、取得したイベント情報が参照用イベント情報Ｐ１５に対応し、更に取得した外部環境情報が参照用外部環境情報Ｐ１９に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、増減データＡ２が連関度ｗ１７で、また増減データＡ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。

このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報の何れか２以上で組み合わせが構成されたものであっても適用可能である。

また、出力データとしては、各先物の増減データ以外に、図１０に示すように、実際の先物の購買行動（例えば、先物〇×買え、先物×〇保持）等に関する助言を直接表示するようにしてもよい。この助言は売買を助言する先物を指定する以外に具体的な購買量までも助言するようにしてもよい。かかる助言は、上述した増減データに基づいて生成するようにしてもよい。かかる場合には、将来的に先物が高くなるのであれば買うべき旨を助言し、将来的に先物が低くなるのであれば売るべき旨を助言するようにしてもよい。また、助言の中には、先物取引のリターンの可能性以外に、リスクについても表示するようにしてもよい。このとき、入力データと学習させるデータとしては、増減データの代わりに直接この助言内容をデータセットに含めて学習させるようにしてもよいことは勿論である。

また、本発明は、先物取引を自動的に行う自動先物取引プログラムとして具現化されるものであってもよい。かかる場合には、増減データを上述した手順に基づいて探索した後、その増減データに基づいて先物の各先物を自動的に売買する。かかる場合には、先物の購買行動（例えば、先物〇×買え、先物×〇保持）等に関する助言に基づいて、システム側が自ら先物の売買を行う。かかる場合には、各先物の増減データが探索された結果、ある先物が上昇する旨が判定された場合には、その先物を自動的に購入する処理を行う。一方、ある先物が下落する旨が判定された場合には、その先物を自動的に売却するか、空売りをする処理を行う。

上述した連関度は、図１１に示すように人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

また本発明は、図１２に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて各先物の増減データを判別するものである。この参照用情報Ｙが参照用市況情報情報であり、参照用情報Ｖがそれ以外の参照情報（例えば、参照用イベント情報、参照用専門家意見情報等）の何れかであるものとする。

このとき、図１２に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（各先物の増減データ）と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（各先物の増減データ）を探索するようにしてもよい。

また、本発明では、市況情報、参照用市況情報について、チャートを売買シグナルのチャートパターンに当てはめてもよい。図１３、１４は、チャートの売買シグナルのチャートパターンの例を示している。例えば図１３（ａ）は、移動平均線を基準に株価や先物の価値が上下動を繰り返しているときに、株価や先物の価値が移動平均線まで落ちてきたときが買いのシグナルとなる。また、図１３（ｂ）は、もみ合い相場が長く続いた後、株価が上値抵抗線を上抜けたときが買いのシグナルとなる。図１３（ｃ）は、Ｗボトム型と言われており、株価が安値圏で２回安値を付けたときが買いのシグナルとなる。図１３（ｄ）は、逆三尊と言われており、株価が安値圏で３回安値を付け、そのうち真ん中が最も安くなるチャートパターンであり、これが現れると買いのシグナルとなる。図１４（ａ）は、株価が急騰した後、すぐに急落し、長い下ヒゲのローソク足または大陽線が出て反転した場合であり、これが出たときは買いのサインとなる。図１４（ｂ）は、三川明けの明星と言われており、底値圏での大陰線が出て、下マド開けてヒゲも実体も短い陽・陰線（コマ足）が現れ、上マド開けて大陽線の形が出た場合は、目先買いシグナルとなる。図１４（ｃ）は、三川明けがらすと言われ、黒三兵（三羽がらす）で突っ込んだ後の赤三兵でＶ型の転換を表し、買いのサインとなる。図１４（ｄ）は、三川宵の明星は、上昇局面で大陽線となり、上マド開けてヒゲも実体も短い陽・陰線（コマ足）が出て、下マド開けて大陰線が出る形で下降に転換するサインになり、売りシグナルとなる。

このようなシグナルは先物取引のみならず株取引における過去の経験則から生まれたものであるが、本発明においては、この市況情報、参照用市況情報をこれらの売買シグナルのチャートパターンの類型に当てはめるようにしてもよい。

この当てはめは、図１５に示すような機械学習により生成した判定モデルを利用してもよい。この判定モデルでは、上述した例からなる売買シグナルのチャートパターンの画像を教師データとして用いる。入力は、各先物のチャートとし、出力を売買シグナルの類型とする。チャートを取得した場合には、この機械学習より生成した判定モデルに基づいて当てはめを行い、いかなる売買シグナルの類型に当てはめるのかを判定する。

例えばチャートを入力した結果、出力として、三川明けがらす、三川宵の明星等の売買シグナルの類型に当てはまるのか否かを判定することができる。

本発明においては、参照用市況情報と各先物の増減データ間の連関度を通じて機械学習を行わせる場合において、この参照用市況情報を取得する際には、その市況を表す各先物のチャートを取得する。そして、取得したチャートを図１５に示す判定モデルを通じていかなる売買シグナルの類型に当てはまるのかを判定し、それぞれの参照用市況情報を売買シグナルの類型に当てはめていく。

その結果、この参照用市況情報は、類型化された売買シグナルで表されることになる。このような売買シグナルに対する、その後の時点で先物の増減傾向を学習させておくことにより、上述した連関度を形成しておく。

次に、実際に市況情報を取得し場合においても、その取得したチャートを図１５に示す判定モデルを通じていかなる売買シグナルの類型に当てはまるのかを判定し、それぞれの参照用市況情報を売買シグナルの類型に当てはめていく。その結果、この市況情報は、類型化された売買シグナルで表されることになる。このような市況情報の売買シグナルの類型は、参照用市況情報のいかなる売買シグナルの類型に当てはまるのかを、上述した連関度を通じて判断する。そして、市況情報の売買シグナルの類型に対応する参照用市況情報の売買シグナルの類型と各先物の増減データとの３段階以上の連関度を利用し、連関度のより高いものを優先させて上記各先物の増減データを表示する。

なお、図１５に示す出力に該当する売買シグナルの類型は既存の提案されている者に限定されるものでは無く、順次新たなシグナルの類型を更新するようにしてもよい。

例えば、参照用市況情報や市況情報の各チャートを分析しても、図１５に示す出力における既存の類型に当てはまらない場合、そのチャートの傾向を新たな類型として登録しておく。そして、この新たに登録した類型と、その後の時点における各先物の増減データとの間で連関度を形成しておく。その後、この新たに登録した類型と類似するチャートが入力された場合に、同様に各先物の増減データとの間で連関度を作ることで、この新たに登録した類型と各先物の増減データとの間で、連関度の重みづけｗが形成されることになる。

このような連関度を更新しておき、新たに市況情報が入力された場合であって、図１５の判定モデルより新たに登録されたシグナルの類型であることが判別された場合には、その新たに登録された類型からなる参照用市況情報を介して探索解を探索することが可能となる。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に先物取引を行う上で最適な先物の探索や、先物取引を行う上で最適な先物の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいてより利益率が高く、リスクの低い先物を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。同様に、イベント情報に加え、この外部環境情報の代替として、上述した専門家意見情報、自然環境情報、ファンダメンタル情報、統計情報を取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

第２実施形態
第２実施形態においては、本発明では、農作物先物の相場に関する情報を表示する先物取引情報表示プログラムである。この第２実施形態においては、大豆や小豆、トウモロコシと言った農作物の育成過程における画像情報から、農作物先物の相場を推定する。例えば図１６に示すように、過去において育成した農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その過去において育成した農作物を収穫した農作物先物の相場データとの３段階以上の連関度を利用する。

参照用画像情報とは、育成過程にある農作物をカメラにより撮影した画像である。農作物の撮影画像は、種まき、苗を作る段階から収穫に至るまで時系列的に順次撮影されたものであってもよい。また農作物の撮影画像は、畑や水田を全体的に捉えた撮影範囲の画像で構成してもよいし、畑や水田における農作物の葉や茎、実などを至近距離で撮影した画像も含まれる。また撮影画像は、ドローン等のような無人航空機を介して撮影されたものであってもよいし、地上に設置されたカメラにより撮影されたものであってもよい。このようなカメラにより、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気等を検知することができる。ちなみに、この参照用画像情報は、カメラにより撮影した生の画像をそのまま画像情報として取得するようにしてもよいし、周知のディープラーニング技術を活用し、画像の特徴的な部分のみを抽出してこれを参照用画像情報としてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに農作物の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、画像情報を新たに取得する。

新たに取得する画像情報は、上述した情報取得部９によるカメラにより画像を撮影する。この撮影は、これから新たに育成しようとする農作物を対象とする。

このようにして新たに取得した画像情報に基づいて、農作物の取引相場を予測する。かかる場合には、予め取得した図１６に示す連関度を参照する。具体的な農作物の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

農作物の生育状況、農作物に発生した害虫被害に応じて農作物の収穫量や品質は異なり、これに応じて取引相場も変化する。このため、このような参照用画像情報と実際の農作物の取引相場との関係を示すデータセットを学習させておくことにより、画像に映し出された農作物の生育状況や害虫被害に応じた取引相場を推定することが可能となる。

図１７の例では、参照用画像情報と、参照用土壌情報との組み合わせが形成されていることが前提となる。また参照用土壌情報は、農作物が作付けされる土壌に関するあらゆる情報が含まれる。この参照用土壌情報の例としては、土壌の成分、ｐＨ、含水量、温度等が含まれる。実際に土壌の成分を採取し、化学的分析手法に基づいて分析された結果を用いてもよいし、周知の土壌センサにより検知されたデータを用いてもよい。また土壌をカメラにより撮像した画像、更にこれを周知のディープラーニング技術を活用し、画像の特徴的な部分のみを抽出したものも用いてもよい。

図１７の例では、入力データとして例えば参照用画像情報Ｐ１１〜Ｐ１３、参照用土壌情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用画像情報に対して、参照用土壌情報が組み合わさったものが、図１７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、農作物先物の増減データが表示されている。

参照用画像情報と参照用土壌情報との各組み合わせ（中間ノード）は、この出力解としての、農作物の先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用土壌情報がこの連関度を介して左側に配列し、各農作物の先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用土壌情報に対して、何れの農作物の先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用土壌情報が、いかなる農作物の先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用土壌情報から最も確からしい農作物の先物の増減データ又は相場を選択する上での的確性を示すものである。図１７の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図１７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用土壌情報、並びにその場合の農作物の先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１６に示す連関度を作り上げておく。

例えば、参照用画像情報Ｐ１１が害虫による被害を受けている農作物の状態を映し出しているものとする。このとき、その農作物が実際に作付けされていた土壌の成分を調査したところ参照用土壌情報Ｐ１４に対応する「ｐＨ●●、成分○×」であったとき、以前のデータにおいて実際の農作物を収穫まで追跡調査したところ、どの程度の先物の増減データ又は相場だったかを抽出する。

また、この図１７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに農作物の先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用して農作物の先物の増減データ又は相場を判別することとなる。かかる場合には、画像情報を新たに取得するとともに、土壌情報を取得する。

土壌情報の取得は、実際にその新たに育成しようとする農作物が作付けされた土壌であり、その取得方法は、上述した参照用土壌情報を取得する際と同様である。

このようにして新たに取得した画像情報と、土壌情報に基づいて、実際にその新たに画像情報と土壌情報とを取得した農作物の先物の増減データ又は相場を予測する。かかる場合には、予め取得した図１７（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

なお、この第２実施形態においては、参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用画像情報を撮像した農作物の育成時期における天候及び災害状況を検出した参照用自然環境情報を学習させるようにしてもよい。参照用自然環境情報は、農作物の育成過程において検知した自然環境に関するあらゆるデータであり、例えば、日射量、温度、湿度、風向、雨量等の天候状況に関するデータ、台風、洪水、旱魃、日照り等の災害状況に関するデータ等である。実際にこの参照用自然環境情報は、参照用画像情報の取得時点におけるデータを取得することが望ましいがこれに限定されるものではなく、その参照用画像情報を撮像した農作物のあらゆる育成期間における自然環境に関するデータを取得するようにしてもよい。これらの参照用自然環境情報は、温度センサ、湿度センサ、光量センサ、風向計、雨量計等リアルタイムなデータを取得するためのセンシング手段で構成されていてもよいが、台風や洪水の被害状況や旱魃、日照り等の状況を事後的に解析するものであってもよい。

参照用画像情報と参照用自然環境情報とを有する組み合わせと、上記農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と自然環境情報を取得する。この自然環境情報は、画像情報を撮像した農作物の育成時期における天候及び災害状況を検出したものであり、その情報の種類は参照用自然環境情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、自然環境情報に応じた参照用自然環境情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、その過去において育成した農作物に対して実際に行った農作業の履歴に関する参照用履歴情報を学習させるようにしてもよい。参照用履歴情報は、参照用画像情報を撮像した農作物の育成過程において実際に行ってきた農作業の履歴である。種まきから苗を植え、収穫に至るまで具体的にどのような農作業を行ってきたのかが整理されている。例えば、水を撒いたり、肥料を施したり、農薬を散布したり、雑草の駆除を行ったりする農作業を、いつ、どの程度、どのように行ったのかがこの参照用履歴情報として反映されている。実際にこの参照用履歴情報は、農家がつけた農作業日誌を電子データ化したもので構成しても良いし、実際に農作業を行った記録が記載されたＰＣやスマートフォン等を通じて取得したものであってもよい。

参照用画像情報と参照用履歴情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と履歴情報を取得する。この履歴情報は、画像情報を撮像した農作物の育成過程において実際に行ってきた農作業の履歴であり、その情報の種類は参照用履歴情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、履歴情報に応じた参照用履歴情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用市況情報を学習させるようにしてもよい。参照用市況情報は、第１実施形態において説明したものと同様であるが、データとして取得する市況は、参照用画像情報を撮像した農作物の育成過程から取引時に至るまでの期間であればよい。

かかる場合には参照用画像情報と参照用市況情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と市況情報を取得する。この市況情報は、画像情報を撮像した農作物の育成過程から取引時に至るまでの期間であればよく、その情報の種類は参照用市況情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、市況情報に応じた参照用市況情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用イベント情報を学習させるようにしてもよい。参照用イベント情報は、第１実施形態において説明したものと同様であるが、データとして取得するイベントは、参照用画像情報を撮像した農作物の育成過程から取引時に至るまでの期間において発生したものであればよい。

かかる場合には参照用画像情報と参照用イベント情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報とイベント情報を取得する。このイベント情報は、画像情報を撮像した農作物の育成過程から取引時に至るまでの期間に発生したものであればよく、その情報の種類は参照用イベント情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、イベント情報に応じた参照用イベント情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用外部環境情報を学習させるようにしてもよい。参照用外部環境情報は、第１実施形態において説明したものと同様であるが、データとして取得する外部環境は、参照用画像情報を撮像した農作物の育成過程から取引時に至るまでの期間のものであればよい。

かかる場合には参照用画像情報と参照用外部環境情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と外部環境情報を取得する。この外部環境情報は、画像情報を撮像した農作物の育成過程から取引時に至るまでの期間のものであればよく、その情報の種類は参照用外部環境情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用専門家意見情報を学習させるようにしてもよい。参照用専門家意見情報は、第１実施形態において説明したものと同様であるが、データとして取得する専門家意見は、参照用画像情報を撮像した農作物の育成過程から取引時に至るまでの期間に発せられたものであればよい。

かかる場合には参照用画像情報と参照用専門家意見情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と専門家意見情報を取得する。この専門家意見情報は、画像情報を撮像した農作物の育成過程から取引時に至るまでの期間に発生したものであればよく、その情報の種類は参照用専門家意見情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用作付面積情報を学習させるようにしてもよい。参照用作付面積情報は、その過去における農作物の育成時における作付面積に関するデータである。即ち、この参照用作付面積情報は、実際の農産物を生産する耕作地における作付面積に関するデータであり、例えば世界単位、国単位の統計データのみならず、地方単位、都道府単位、市区町村単位、更には農地単位で作付面積に関する情報が反映されるものであってもよい。この参照用作付面積情報は、月単位、年単位等、時系列的に変化し、これが統計データとして反映される。このため、このような統計データを時系列的に取得することにより、学習データを得ることができる。

かかる場合には参照用画像情報と参照用作付面積情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と作付面積情報を取得する。この作付面積情報は、画像情報を撮像した農作物の育成時における作付面積であればよく、その情報の種類は参照用作付面積情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、作付面積情報に応じた参照用作付面積情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用政策情報を学習させるようにしてもよい。参照用政策情報は、その過去において育成した農作物の育成時から取引時において施行された政策に関する情報である。政策とは、農作物の生産に関係する政策が中心となり、例えば耕作地を減らす政策、耕作地を増やす政策、或いは他の国から農作物を積極的に輸入する政策、他の国から輸入される農作物の関税に関する政策、更には他国から輸入される農作物の自由化に関する政策等、国内に出回る農作物の需給関係に影響を及ぼすあらゆる政策が含まれる。

かかる場合には参照用画像情報と参照用政策情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と政策情報を取得する。この政策情報は、新たに先物取引を行う時期において施行される政策に関する情報であり、その情報の種類は参照用作付面積情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、政策情報に応じた参照用政策情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用農作業履歴情報を学習させるようにしてもよい。参照用農作業履歴情報は、その農作物の育成過程において実際に行ってきた農作業の履歴である。種まきから苗を植え、収穫に至るまで具体的にどのような農作業を行ってきたのかが整理されている。例えば、水を撒いたり、肥料を施したり、農薬を散布したり、雑草の駆除を行ったりする農作業を、いつ、どの程度、どのように行ったのかがこの参照用履歴情報として反映されている。実際にこの参照用履歴情報は、農家がつけた農作業日誌を電子データ化したもので構成しても良いし、実際に農作業を行った記録が記載されたＰＣやスマートフォン等を通じて取得したものであってもよい。

かかる場合には参照用画像情報と参照用農作業履歴情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報と農作業履歴情報を取得する。この農作業履歴情報は、新たに先物取引を行う対象となる農作物の育成過程における農作業履歴に関する情報であり、その情報の種類は参照用農作業履歴情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、農作業履歴情報に応じた参照用農作業履歴情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

参照用画像情報と組み合わせる参照用情報として、参照用土壌情報の代替として、参照用シーズン情報を学習させるようにしてもよい。参照用シーズン情報は、過去において育成した農作物の取引を行うシーズンに関する情報であり、例えば、月、週、季節（春夏秋冬）、或いはクリスマスや正月、お盆や節句、節分等の年間行事等である。例えば小豆は正月に消費量が多くなり、大豆は節分において消費量が多くなる等、シーズンに応じて農作物の需給が変化し、相場に影響を及ぼす。このため、参照用シーズン情報も説明変数としている。

かかる場合には参照用画像情報と参照用シーズン情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度を学習させておく。そして、新たに画像情報とシーズン情報を取得する。このシーズン情報は、新たに先物取引を行うシーズンに関する情報であり、その情報の種類は参照用シーズン情報と同様である。そして、取得した画像情報に応じた参照用画像情報と、シーズン情報に応じた参照用シーズン情報とを有する組み合わせと、農作物先物の相場データとの３段階以上の連関度のより高いものを優先させて、農作物先物の相場データを探索解を探索する。

また、第１実施形態〜第２実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１８に示すように、基調となる参照用情報と、先物の値段との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用画像情報等であるが、これに限定されるものでは無く、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）も適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用土壌情報Ｐ１４において、以前において先物が値段が低かった経緯があったものとする。このような参照用土壌情報Ｐ１４に応じた土壌情報を新たに取得したとき、先物の値段が高い探索解に対して、重み付けを下げる処理を行い、換言すれば先物の値段が低い探索解につながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より先物の値段が高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より先物の値段が低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、先物の値段が高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、先物の値段が低いレベルの重み付けを上げる処理を行う。つまり、先物の値段につながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、先物の値段を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解としての先物の値段にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する先物の値段がより高いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより高く修正し、参照用情報の示唆する先物の値段がより低いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより低く修正するようにしてもよい。

なお、図１９に示すように、先物の増減データとの間で連関度を構成する基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）も適用可能である。

例えば、参照用自然環境情報を基調となる参照用情報とした場合、これと先物の増減データとの間で連関度を構成するものであってもよい。

同様に、図２０に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、先物の増減データとの連関度を形成する場合においても、基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）も適用可能である。他の参照用情報は、基調となる参照用情報以外の第１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

このとき、基調となる参照用情報が、参照用自然環境情報であれば、他の参照用情報としては、これ以外の１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

かかる場合も同様に解探索を行うことで、先物の価格の増減を推定することができる。

第２実施形態においても、他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよい。

なお、上述した探索解としては、先物の価格の増減の代替として、農作物の品質、又は農作物の収穫量を探索解として探索するようにしてもよい。そして、この探索解としての農作物の品質、又は農作物の収穫量に対応する先物の増減データを出力するようにしてもよい。かかる場合には、農作物の品質、又は農作物の収穫量と、先物の増減データとを互いに紐付けたテンプレートを用意しておき、これを参照することで農作物の品質、又は農作物の収穫量の出力解に対する先物の増減データを出力する。

このとき、農作物の品質、又は農作物の収穫量と、先物の増減データとを互いに３段階以上の連関度を通じて関連付けたデータを用意しておくことで同様に先物の増減データを出力するようにしてもよい。

また第２実施形態においては、図２１に示すように参照用需要情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用需要情報と、その過去において育成した農作物を収穫した農作物先物の相場データとの３段階以上の連関度を利用する。

参照用需要情報とは、過去において取引された農作物の取引時における当該農作物の需要に関するデータである。参照用需要情報とは、農作物の需要がどの程度あるかを示すあらゆる情報が含まれる。参照用需要情報は、国単位、地域単位における農作物の販売数や在庫数等に関する情報で構成されていてもよく、小売店や卸売市場における販売数や在庫数のデータから取得するようにしてもよい。また参照用需要情報は、国内又は国外における当該農作物の生産量に関するデータを含めてもよい。国内又は国外における農作物の生産量が多くなるほど、農作物の需要は少なくなるが、逆に生産量が少ない場合には、農作物の需要が高くなる。また参照用需要情報は、農作物を飼料とする家畜の頭数データを含めてもよい。家畜が多い場合には、その資料としての農作物の需要が高くなるためである。また、参照用需要情報は、人口推計データを含めてもよい。人口が多くなるほど農作物の需要が高くなるためである。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに農作物の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、需要情報を新たに取得する。

新たに取得する需要情報は、取引する農作物先物の相場に関する情報を表示する上で、農作物の取引時における需要に関する情報である。この需要情報の内容としては、参照用需要情報と同様である。具体的な農作物の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

農作物の取引時における、実際の農作物の需要に応じて取引相場も変化する。このため、このような参照用需要情報と実際の農作物の取引相場との関係を示すデータセットを学習させておくことにより、農作物の需要に応じた取引相場を推定することが可能となる。

また第２実施形態においては、図２２に示すように参照用供給情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用供給情報と、その過去において育成した農作物を収穫した農作物先物の相場データとの３段階以上の連関度を利用する。

参照用供給情報とは、過去において取引された農作物の取引時における当該農作物の供給状況に関するデータである。参照用供給情報とは、農作物の供給がどの程度あるかを示すあらゆる情報が含まれる。参照用供給情報は、国単位、地域単位における農作物の実際の生産量等に関する情報で構成されていてもよく、小売店や卸売市場に産地から入荷される農作物の量のデータから取得するようにしてもよい。また参照用供給情報は、過去において取引された農作物の作付面積に関するデータ、当該農作物の農作業履歴に関するデータ、当該農作物について育成中に撮像した画像データ、当該農作物が作付けされている土壌の成分の調査データ、育成中の農作物の育成過程における天候及び災害状況を検出した自然環境データの何れか１以上で構成されていてもよい。作付面積、農作業履歴、農作物の画像からよみとることができる成育状況、土壌の成分、天候や災害状況に応じて農作物の生産量が変化し、ひいては市場に出回る農作物の供給量も変化する。そして、市場に出回る農作物の供給量も変化すれば、これに応じて農作物先物も増減する。このため、この供給量に関する情報を説明変数としている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに農作物の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、供給情報を新たに取得する。

新たに取得する供給情報は、取引する農作物先物の相場に関する情報を表示する上で、農作物の取引時における供給に関する情報である。この供給情報の内容としては、参照用供給情報と同様である。具体的な農作物の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

農作物の取引時における、実際の農作物の供給に応じて取引相場も変化する。このため、このような参照用供給情報と実際の農作物の取引相場との関係を示すデータセットを学習させておくことにより、農作物の供給に応じた取引相場を推定することが可能となる。

図２３の例では、参照用需要情報と、参照用供給情報との組み合わせが形成されていることが前提となる。図２３の例では、入力データとして例えば参照用需要情報Ｐ１１〜Ｐ１３、参照用供給情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用需要情報に対して、参照用供給情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、農作物先物の増減データが表示されている。

参照用需要情報と参照用供給情報との各組み合わせ（中間ノード）は、この出力解としての、農作物の先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用需要情報と参照用供給情報がこの連関度を介して左側に配列し、各農作物の先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用需要情報と参照用供給情報に対して、何れの農作物の先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用需要情報と参照用供給情報が、いかなる農作物の先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用需要情報と参照用供給情報から最も確からしい農作物の先物の増減データ又は相場を選択する上での的確性を示すものである。図２３の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用需要情報と、参照用供給情報、並びにその場合の農作物の先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

例えば、参照用需要情報がＰ１１であるものとする。このとき、その参照用需要情報の取得時点における供給状況を調査したところ参照用供給情報Ｐ１４であったとき、以前のデータにおいてどの程度の先物の増減データ又は相場だったかを抽出する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに農作物の先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用して農作物の先物の増減データ又は相場を判別することとなる。かかる場合には、需要情報を新たに取得するとともに、供給情報を取得する。

このようにして新たに取得した需要情報と、供給情報に基づいて、実際にその新たに需要情報と供給情報とを取得した農作物の先物の増減データ又は相場を予測する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

また参照用需要情報又は参照用供給情報を図２０に示す基調となる参照用情報としたとき、他の参照用情報として、第１実施形態、第２実施形態に示すいかなる情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）と組み合わせ、これと先物の増減データとの間で連関度を構成するようにしてもよい。

また、図１８に示すように、基調となる参照用情報と、先物の値段（各先物の増減データ）との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報としては、更に参照用供給情報又は参照用需要情報も含まれる。他の参照用情報としては、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）に加え、参照用供給情報又は参照用需要情報も適用可能である。

第３実施形態
第３実施形態は、原油（原油又は石油、ガソリン、灯油）の相場に関する情報を表示する先物取引情報表示プログラムである。

第３実施形態においては、図２１に示すように参照用需要情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用需要情報と、その過去において取引された原油先物の相場データとの３段階以上の連関度を利用する。

参照用需要情報は、過去において取引された原油の取引時における当該原油の需要に関するデータである。参照用需要情報とは、原油の需要がどの程度あるかを示すあらゆる情報が含まれる。参照用需要情報は、国単位、地域単位における原油の販売量や備蓄量等に関する情報で構成されていてもよく、ガソリンスタンド等における販売数や備蓄量、タンクに貯留されている原油、石油、ガソリンの備蓄量から取得するようにしてもよい。また参照用需要情報は、国内又は国外における当該原油の生産量に関するデータを含めてもよい。国内又は国外における原油の生産量が多くなるほど、原油の需要は少なくなるが、逆に生産量が少ない場合には、原油の需要が高くなる。これに加えて、この参照用需要情報は原油を利用する各産業の状況から取得するようにしてもよい。例えば、ガソリンを利用する自動車の生産台数や販売台数、車両通行量が多いほど、ガソリンに対する需要は高まる。その他石油を利用した石油製品（合成樹脂、アスファルト、燃料油、パラフィン、潤滑油等）の生産量や消費動向等から取得するようにしてもよい。また産油国や原油の消費国における国の原油に対する様々な政策についても、石油需要に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに原油の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、需要情報を新たに取得する。

新たに取得する需要情報は、取引する原油先物の相場に関する情報を表示する上で、原油の取引時における需要に関する情報である。この需要情報の内容としては、参照用需要情報と同様である。具体的な原油の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

原油の取引時における、実際の原油の需要に応じて取引相場も変化する。このため、このような参照用需要情報と実際の原油の取引相場との関係を示すデータセットを学習させておくことにより、原油の需要に応じた取引相場を推定することが可能となる。

また第３実施形態においては、図２２に示すように参照用供給情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用供給情報と、その過去において取引した原油先物の相場データとの３段階以上の連関度を利用する。

参照用供給情報とは、過去において取引された原油の取引時における当該原油の供給状況に関するデータである。参照用供給情報とは、原油の供給がどの程度あるかを示すあらゆる情報が含まれる。参照用供給情報は、国単位、地域単位における原油の実際の生産量等に関する情報で構成されていてもよく、小売店やガソリンスタンドに産地から入荷される原油の量のデータから取得するようにしてもよい。また参照用供給情報は、過去における原油の生産量に関するデータ、当該原油の生産能力に関するデータ、当該原油についての原油の生産技術、精製技術に関する情報、更に産油国や原油の消費国における国の原油に対する様々な政策についても、石油の供給状況に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに原油の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、供給情報を新たに取得する。

新たに取得する供給情報は、取引する原油先物の相場に関する情報を表示する上で、原油の取引時における供給に関する情報である。この供給情報の内容としては、参照用供給情報と同様である。具体的な原油の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

原油の取引時における、実際の原油の供給に応じて取引相場も変化する。このため、このような参照用供給情報と実際の原油の取引相場との関係を示すデータセットを学習させておくことにより、原油の供給に応じた取引相場を推定することが可能となる。

石油先物についても同様に図２３に示すように、参照用需要情報と、参照用供給情報との組み合わせが形成されていることが前提となる。図２３の例では、入力データとして例えば参照用需要情報Ｐ１１〜Ｐ１３、参照用供給情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用需要情報に対して、参照用供給情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、原油先物の増減データが表示されている。

参照用需要情報と参照用供給情報との各組み合わせ（中間ノード）は、この出力解としての、原油の先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用需要情報と参照用供給情報がこの連関度を介して左側に配列し、各原油の先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用需要情報と参照用供給情報に対して、何れの原油の先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用需要情報と参照用供給情報が、いかなる原油の先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用需要情報と参照用供給情報から最も確からしい原油の先物の増減データ又は相場を選択する上での的確性を示すものである。図２３の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用需要情報と、参照用供給情報、並びにその場合の原油の先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

例えば、参照用需要情報がＰ１１であるものとする。このとき、その参照用需要情報の取得時点における供給状況を調査したところ参照用供給情報Ｐ１４であったとき、以前のデータにおいてどの程度の先物の増減データ又は相場だったかを抽出する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに原油の先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用して原油の先物の増減データ又は相場を判別することとなる。かかる場合には、需要情報を新たに取得するとともに、供給情報を取得する。

このようにして新たに取得した需要情報と、供給情報に基づいて、実際にその新たに需要情報と供給情報とを取得した原油の先物の増減データ又は相場を予測する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

また参照用需要情報又は参照用供給情報を図２０に示す基調となる参照用情報としたとき、他の参照用情報として、第１実施形態、第２実施形態に示すいかなる情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）と組み合わせ、これと先物の増減データとの間で連関度を構成するようにしてもよい。

このうち、参照用市況情報については、市況自体が実際の原油価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。参照用自然環境情報は、暖冬であると燃料需要が減る場合もあることから、これをパラメータとして加えている。

参照用外部環境情報も同様に原油価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

参照用シーズン情報も、例えば月末等や年末のように車両通行量が多いシーズンや冬等のように燃料需要が高いシーズンに応じて需給バランスが異なることから、これをパラメータとして加えている。

また、第３実施形態は、上述した実施の形態に限定されるものでは無く、例えば図１８に示すように、基調となる参照用情報と、先物の値段との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用需要情報、又は参照用供給情報である。他の参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）も適用可能である。また、基調となる参照用情報が参照用需要情報である場合に、他の参照用情報が参照用供給情報とされていてもよいし、基調となる参照用情報が参照用供給情報である場合に、他の参照用情報が参照用需要情報とされていてもよい。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報Ｇが、より先物の値段が高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より先物の値段が低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、先物の値段が高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、先物の値段が低いレベルの重み付けを上げる処理を行う。つまり、先物の値段につながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、先物の値段を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解としての先物の値段にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する先物の値段がより高いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより高く修正し、参照用情報の示唆する先物の値段がより低いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより低く修正するようにしてもよい。

また、第３実施形態においても、図１８、２０における他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよいことは勿論である。

第４実施形態
第４実施形態は、ゴムの相場に関する情報を表示する先物取引情報表示プログラムである。

第４実施形態においては、図２１に示すように参照用需要情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用需要情報と、その過去において取引されたゴム先物の相場データとの３段階以上の連関度を利用する。

参照用需要情報は、過去において取引されたゴムの取引時における当該ゴムの需要に関するデータである。参照用需要情報とは、ゴムの需要がどの程度あるかを示すあらゆる情報が含まれる。参照用需要情報は、国単位、地域単位におけるゴムの販売量や在庫量等に関する情報で構成されていてもよく、小売店や問屋等における販売数や在庫量から取得するようにしてもよい。また参照用需要情報は、国内又は国外における当該ゴムの生産量に関するデータを含めてもよい。国内又は国外におけるゴムの生産量が多くなるほど、ゴムの需要は少なくなるが、逆に生産量が少ない場合には、ゴムの需要が高くなる。これに加えて、この参照用需要情報はゴムを利用する各産業の状況から取得するようにしてもよい。例えば、ゴムを利用する自動車の生産量やタイヤの生産量が多いほど、ゴムに対する需要は高まる。その他ゴムを利用したゴム製品（合成樹脂、輪ゴム等）の生産量や消費動向等から取得するようにしてもよい。またゴムの消費国における需要動向や国内情勢に関する情報、ゴムの消費国における国内の様々な政策についても、ゴムの需要に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たにゴムの取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、需要情報を新たに取得する。

新たに取得する需要情報は、取引するゴム先物の相場に関する情報を表示する上で、ゴムの取引時における需要に関する情報である。この需要情報の内容としては、参照用需要情報と同様である。具体的なゴムの取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

ゴムの取引時における、実際のゴムの需要に応じて取引相場も変化する。このため、このような参照用需要情報と実際のゴムの取引相場との関係を示すデータセットを学習させておくことにより、ゴムの需要に応じた取引相場を推定することが可能となる。

また第４実施形態においては、図２２に示すように参照用供給情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用供給情報と、その過去において取引したゴム先物の相場データとの３段階以上の連関度を利用する。

参照用供給情報とは、過去において取引されたゴムの取引時における当該ゴムの供給状況に関するデータである。参照用供給情報とは、ゴムの供給がどの程度あるかを示すあらゆる情報が含まれる。参照用供給情報は、国単位、地域単位におけるゴムの実際の生産量等に関する情報で構成されていてもよく、小売店や問屋に産地から入荷されるゴムの量のデータから取得するようにしてもよい。また参照用供給情報は、過去におけるゴムの生産量に関するデータ、当該ゴムの生産能力に関するデータ、当該ゴムについてのゴムの生産技術に関する情報、天然ゴムの生産量に関する情報、ゴム生産国の天候、ゴム生産国の国内情勢、ゴム生産国におけるゴムに対する様々な政策についても、ゴムの供給状況に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たにゴムの取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、供給情報を新たに取得する。

新たに取得する供給情報は、取引するゴム先物の相場に関する情報を表示する上で、ゴムの取引時における供給に関する情報である。この供給情報の内容としては、参照用供給情報と同様である。具体的なゴムの取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

ゴムの取引時における、実際のゴムの供給に応じて取引相場も変化する。このため、このような参照用供給情報と実際のゴムの取引相場との関係を示すデータセットを学習させておくことにより、ゴムの供給に応じた取引相場を推定することが可能となる。

ゴム先物についても同様に図２３に示すように、参照用需要情報と、参照用供給情報との組み合わせが形成されていることが前提となる。図２３の例では、入力データとして例えば参照用需要情報Ｐ１１〜Ｐ１３、参照用供給情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用需要情報に対して、参照用供給情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、ゴム先物の増減データが表示されている。

参照用需要情報と参照用供給情報との各組み合わせ（中間ノード）は、この出力解としての、ゴムの先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用需要情報と参照用供給情報がこの連関度を介して左側に配列し、各ゴムの先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用需要情報と参照用供給情報に対して、何れのゴムの先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用需要情報と参照用供給情報が、いかなるゴムの先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用需要情報と参照用供給情報から最も確からしいゴムの先物の増減データ又は相場を選択する上での的確性を示すものである。図２３の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用需要情報と、参照用供給情報、並びにその場合のゴムの先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

例えば、参照用需要情報がＰ１１であるものとする。このとき、その参照用需要情報の取得時点における供給状況を調査したところ参照用供給情報Ｐ１４であったとき、以前のデータにおいてどの程度の先物の増減データ又は相場だったかを抽出する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たにゴムの先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用してゴムの先物の増減データ又は相場を判別することとなる。かかる場合には、需要情報を新たに取得するとともに、供給情報を取得する。

このようにして新たに取得した需要情報と、供給情報に基づいて、実際にその新たに需要情報と供給情報とを取得したゴムの先物の増減データ又は相場を予測する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

また参照用需要情報又は参照用供給情報を図２０に示す基調となる参照用情報としたとき、他の参照用情報として、第１実施形態〜第３実施形態に示すいかなる情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）と組み合わせ、これと先物の増減データとの間で連関度を構成するようにしてもよい。他の参照用情報としては、これら以外に、その過去におけるゴムの取引を行う時点における原油価格に関する参照用原油価格情報を組み合わせてもよい。原油はゴムの原料であることから、この原油価格に応じてゴムの相場や需給バランスも変化するため、この参照用原油価格情報も説明変数に加えてもよい。

このうち、参照用市況情報については、市況自体が実際のゴム価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

参照用外部環境情報も同様にゴム価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

参照用シーズン情報も、例えば月末等や年末のように車両通行量が多いシーズンやあるイベントに応じてゴム需要が高くなる場合もあり、シーズンに応じて需給バランスが異なることから、これをパラメータとして加えている。

また、第４実施形態は、上述した実施の形態に限定されるものでは無く、例えば図１８に示すように、基調となる参照用情報と、先物の値段との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用需要情報、又は参照用供給情報である。他の参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報、参照用原油価格情報等）も適用可能である。また、基調となる参照用情報が参照用需要情報である場合に、他の参照用情報が参照用供給情報とされていてもよいし、基調となる参照用情報が参照用供給情報である場合に、他の参照用情報が参照用需要情報とされていてもよい。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報Ｇが、より先物の値段が高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より先物の値段が低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、先物の値段が高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、先物の値段が低いレベルの重み付けを上げる処理を行う。つまり、先物の値段につながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、先物の値段を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解としての先物の値段にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する先物の値段がより高いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより高く修正し、参照用情報の示唆する先物の値段がより低いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより低く修正するようにしてもよい。

また、第４実施形態においても、図１８、２０における他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよいことは勿論である。

第５実施形態
第５実施形態は、貴金属の相場に関する情報を表示する先物取引情報表示プログラムである。

第５実施形態においては、図２１に示すように参照用需要情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用需要情報と、その過去において取引された貴金属先物の相場データとの３段階以上の連関度を利用する。

参照用需要情報は、過去において取引された貴金属の取引時における当該貴金属の需要に関するデータである。貴金属は、例えば金、銀、白金、プラチナ、パラジウム、レアメタル等、先物取引の対象となるあらゆる貴金属が含まれる。参照用需要情報とは、貴金属の需要がどの程度あるかを示すあらゆる情報が含まれる。参照用需要情報は、国単位、地域単位における貴金属の販売量や在庫量等に関する情報で構成されていてもよく、小売店や問屋等における販売数や在庫量から取得するようにしてもよい。また参照用需要情報は、国内又は国外における当該貴金属の生産量に関するデータを含めてもよい。国内又は国外における貴金属の生産量が多くなるほど、貴金属の需要は少なくなるが、逆に生産量が少ない場合には、貴金属の需要が高くなる。これに加えて、この参照用需要情報は貴金属を利用する各産業の状況から取得するようにしてもよい。例えば、貴金属を一部に利用するデバイスや電子機器の生産量が多いほど、貴金属に対する需要は高まる。その他貴金属を利用した貴金属製品（ジュエリー等の宝飾品）の生産量や消費動向等から取得するようにしてもよい。また貴金属を生産工程で使用する場合がある。白金は触媒として使用されるケースがあり、この触媒の添加を生産工程に不空、宝飾品や化学製品、ガラス製品等の需要もこの参照用需要情報に含めてもよい。また参照用需要情報は、消費国における需要動向や国内情勢に関する情報、貴金属の消費国における国内の様々な政策についても、貴金属の需要に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに貴金属の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、需要情報を新たに取得する。

新たに取得する需要情報は、取引する貴金属先物の相場に関する情報を表示する上で、貴金属の取引時における需要に関する情報である。この需要情報の内容としては、参照用需要情報と同様である。具体的な貴金属の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

貴金属の取引時における、実際の貴金属の需要に応じて取引相場も変化する。このため、このような参照用需要情報と実際の貴金属の取引相場との関係を示すデータセットを学習させておくことにより、貴金属の需要に応じた取引相場を推定することが可能となる。

また第５実施形態においては、図２２に示すように参照用供給情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用供給情報と、その過去において取引した貴金属先物の相場データとの３段階以上の連関度を利用する。

参照用供給情報とは、過去において取引された貴金属の取引時における当該貴金属の供給状況に関するデータである。参照用供給情報とは、貴金属の供給がどの程度あるかを示すあらゆる情報が含まれる。参照用供給情報は、国単位、地域単位における貴金属の実際の生産量等に関する情報で構成されていてもよく、小売店や問屋に産地から入荷される貴金属の量のデータから取得するようにしてもよい。また参照用供給情報は、過去における貴金属の生産量に関するデータ、当該貴金属の生産能力、精錬能力に関するデータ、当該貴金属についての貴金属の生産技術に関する情報、天然の貴金属の原石の生産量に関する情報、貴金属生産国の天候、貴金属生産国の国内情勢、貴金属生産国における貴金属に対する様々な政策についても、貴金属の供給状況に影響を及ぼすため、これを含めてもよい。更に参照用供給情報としては、貴金属の生産コストに関する情報、貴金属を生産する鉱山の情報等も含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに貴金属の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、供給情報を新たに取得する。

新たに取得する供給情報は、取引する貴金属先物の相場に関する情報を表示する上で、貴金属の取引時における供給に関する情報である。この供給情報の内容としては、参照用供給情報と同様である。具体的な貴金属の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

貴金属の取引時における、実際の貴金属の供給に応じて取引相場も変化する。このため、このような参照用供給情報と実際の貴金属の取引相場との関係を示すデータセットを学習させておくことにより、貴金属の供給に応じた取引相場を推定することが可能となる。

貴金属先物についても同様に図２３に示すように、参照用需要情報と、参照用供給情報との組み合わせが形成されていることが前提となる。図２３の例では、入力データとして例えば参照用需要情報Ｐ１１〜Ｐ１３、参照用供給情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用需要情報に対して、参照用供給情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、貴金属先物の増減データが表示されている。

参照用需要情報と参照用供給情報との各組み合わせ（中間ノード）は、この出力解としての、貴金属の先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用需要情報と参照用供給情報がこの連関度を介して左側に配列し、各貴金属の先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用需要情報と参照用供給情報に対して、何れの貴金属の先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用需要情報と参照用供給情報が、いかなる貴金属の先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用需要情報と参照用供給情報から最も確からしい貴金属の先物の増減データ又は相場を選択する上での的確性を示すものである。図２３の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用需要情報と、参照用供給情報、並びにその場合の貴金属の先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

例えば、参照用需要情報がＰ１１であるものとする。このとき、その参照用需要情報の取得時点における供給状況を調査したところ参照用供給情報Ｐ１４であったとき、以前のデータにおいてどの程度の先物の増減データ又は相場だったかを抽出する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに貴金属の先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用して貴金属の先物の増減データ又は相場を判別することとなる。かかる場合には、需要情報を新たに取得するとともに、供給情報を取得する。

このようにして新たに取得した需要情報と、供給情報に基づいて、実際にその新たに需要情報と供給情報とを取得した貴金属の先物の増減データ又は相場を予測する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

また参照用需要情報又は参照用供給情報を図２０に示す基調となる参照用情報としたとき、他の参照用情報として、第１実施形態〜第４実施形態に示すいかなる情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報等）と組み合わせ、これと先物の増減データとの間で連関度を構成するようにしてもよい。

他の参照用情報としては、これら以外に、その過去における貴金属の取引を行う時点における物価に関する参照用物価情報を組み合わせてもよい。物価は、貴金属の相場に非常に影響を及し、また物価に応じて貴金属の相場や需給バランスも変化するため、この参照用物価情報も説明変数に加えてもよい。かかる場合には、新たに貴金属の価格の増減を推量する時期における物価に関する物価情報を取得する。

また他の参照用情報としては、過去における貴金属の取引を行う時期において公的機関が保有する貴金属の量に関する参照用公的機関保有情報を含めてもよい。公的機関が保有する貴金属の量は、相場に大きな影響を及ぼすことからこれを説明変数に含めてもよい。かかる場合には、新たに貴金属の価格の増減を推量する時期において、公的機関が保有する貴金属の量に関する公的機関保有情報を取得する。

また他の参照用情報としては、過去における貴金属の取引を行う時期における国際情勢に関する参照用国際情勢情報を含めてもよい。貴金属は他国との間で輸入、輸出するケースが多く、国際情勢は、相場に大きな影響を及ぼすことからこれを説明変数に含めてもよい。かかる場合には、新たに貴金属の価格の増減を推量する時期における国際情勢に関する国際情勢情報を取得する。

このうち、参照用市況情報については、市況自体が実際の貴金属価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

参照用外部環境情報も同様に貴金属価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

また、第５実施形態は、上述した実施の形態に限定されるものでは無く、例えば図１８に示すように、基調となる参照用情報と、先物の値段との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用需要情報、又は参照用供給情報である。他の参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報、参照用原油価格情報、参照用物価情報、参照用公的機関保有情報、参照用国際情勢情報等）も適用可能である。また、基調となる参照用情報が参照用需要情報である場合に、他の参照用情報が参照用供給情報とされていてもよいし、基調となる参照用情報が参照用供給情報である場合に、他の参照用情報が参照用需要情報とされていてもよい。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報Ｇが、より先物の値段が高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より先物の値段が低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、先物の値段が高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、先物の値段が低いレベルの重み付けを上げる処理を行う。つまり、先物の値段につながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、先物の値段を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解としての先物の値段にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する先物の値段がより高いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより高く修正し、参照用情報の示唆する先物の値段がより低いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより低く修正するようにしてもよい。

また、第５実施形態においても、図１８、２０における他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよいことは勿論である。

第６実施形態
第６実施形態は、水産物の相場に関する情報を表示する先物取引情報表示プログラムである。

第６実施形態においては、図２１に示すように参照用需要情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用需要情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用する。

参照用需要情報は、過去において取引された水産物の取引時における当該水産物の需要に関するデータである。水産物は、例えば魚や貝、海藻、海草（スルメ、昆布、魚油、魚粕等）、先物取引の対象となるあらゆる水産物が含まれる。参照用需要情報とは、水産物の需要がどの程度あるかを示すあらゆる情報が含まれる。参照用需要情報は、国単位、地域単位における水産物の販売量や在庫量等に関する情報で構成されていてもよく、小売店や魚市場、問屋等における販売数や在庫量から取得するようにしてもよい。また参照用需要情報は、国内又は国外における当該水産物の生産量に関するデータを含めてもよい。国内又は国外における水産物の生産量が多くなるほど、水産物の需要は少なくなるが、逆に生産量が少ない場合には、水産物の需要が高くなる。これに加えて、この参照用需要情報は水産物を利用する各産業の状況から取得するようにしてもよい。例えば、水産物として魚粕を利用する製品の生産量が多いほど、水産物に対する需要は高まる。その他水産物を利用した水産物製品（割きイカ等）の生産量や消費動向等から取得するようにしてもよい。また参照用需要情報は、消費国における需要動向や国内情勢に関する情報、水産物の消費国における国内の様々な政策についても、水産物の需要に影響を及ぼすため、これを含めてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに水産物の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、需要情報を新たに取得する。

新たに取得する需要情報は、取引する水産物先物の相場に関する情報を表示する上で、水産物の取引時における需要に関する情報である。この需要情報の内容としては、参照用需要情報と同様である。具体的な水産物の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

水産物の取引時における、実際の水産物の需要に応じて取引相場も変化する。このため、このような参照用需要情報と実際の水産物の取引相場との関係を示すデータセットを学習させておくことにより、水産物の需要に応じた取引相場を推定することが可能となる。

また第６実施形態においては、図２２に示すように参照用供給情報に対して先物の増減データを学習させるものであってもよい。かかる場合には、参照用供給情報と、その過去において取引した水産物先物の相場データとの３段階以上の連関度を利用する。

参照用供給情報とは、過去において取引された水産物の取引時における当該水産物の供給状況に関するデータである。参照用供給情報とは、水産物の供給がどの程度あるかを示すあらゆる情報が含まれる。参照用供給情報は、国単位、地域単位における水産物の実際の生産量等に関する情報で構成されていてもよく、小売店や問屋に産地から入荷される水産物の量のデータから取得するようにしてもよい。また参照用供給情報は、過去における水産物の生産量に関するデータ、当該水産物の加工能力に関するデータ、当該水産物についての水産物の加工技術に関する情報、水産物の水揚げ量に関する情報、水産物生産国の天候、水産物生産国の国内情勢、水産物生産国における水産物に対する様々な政策についても、水産物の供給状況に影響を及ぼすため、これを含めてもよい。更に参照用供給情報としては、水産物の加工コストに関する情報、水産物を生産する漁場や養殖場の情報、更には水産物を養殖により生産する場合には、施した餌の内容や餌の量、更には飼育環境等も含めてもよい。更にこの参照用供給情報としては、水産物が水揚げされる海域（供給海域）における天候や、当該供給海域を領海に含む国の政情も含む。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに水産物の取引相場を推定する際において、上述した学習済みデータを利用することとなる。かかる場合には、供給情報を新たに取得する。

新たに取得する供給情報は、取引する水産物先物の相場に関する情報を表示する上で、水産物の取引時における供給に関する情報である。この供給情報の内容としては、参照用供給情報と同様である。具体的な水産物の取引相場の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

水産物の取引時における、実際の水産物の供給に応じて取引相場も変化する。このため、このような参照用供給情報と実際の水産物の取引相場との関係を示すデータセットを学習させておくことにより、水産物の供給に応じた取引相場を推定することが可能となる。

水産物先物についても同様に図２３に示すように、参照用需要情報と、参照用供給情報との組み合わせが形成されていることが前提となる。図２３の例では、入力データとして例えば参照用需要情報Ｐ１１〜Ｐ１３、参照用供給情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用需要情報に対して、参照用供給情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、水産物先物の増減データが表示されている。

参照用需要情報と参照用供給情報との各組み合わせ（中間ノード）は、この出力解としての、水産物の先物の増減データ又は相場に対して３段階以上の連関度を通じて互いに連関しあっている。参照用需要情報と参照用供給情報がこの連関度を介して左側に配列し、各水産物の先物の増減データ又は相場が連関度を介して右側に配列している。連関度は、左側に配列された参照用需要情報と参照用供給情報に対して、何れの水産物の先物の増減データ又は相場と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用需要情報と参照用供給情報が、いかなる水産物の先物の増減データ又は相場に紐付けられる可能性が高いかを示す指標であり、参照用需要情報と参照用供給情報から最も確からしい水産物の先物の増減データ又は相場を選択する上での的確性を示すものである。図２３の例では、連関度としてｗ１３〜ｗ２２が示されている。

推定装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用需要情報と、参照用供給情報、並びにその場合の水産物の先物の増減データ又は相場がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

例えば、参照用需要情報がＰ１１であるものとする。このとき、その参照用需要情報の取得時点における供給状況を調査したところ参照用供給情報Ｐ１４であったとき、以前のデータにおいてどの程度の先物の増減データ又は相場だったかを抽出する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに水産物の先物の増減データ又は相場（相場データ）を判別する際において、上述した学習済みデータを利用して水産物の先物の増減データ又は相場を判別することとなる。かかる場合には、需要情報を新たに取得するとともに、供給情報を取得する。

このようにして新たに取得した需要情報と、供給情報に基づいて、実際にその新たに需要情報と供給情報とを取得した水産物の先物の増減データ又は相場を予測する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照し、最も連関度の高いものを最適解として選択する。この最適解の選択方法の詳細は、上述した第１実施形態において説明した方法と同様である。

また参照用需要情報又は参照用供給情報を図２０に示す基調となる参照用情報としたとき、他の参照用情報として、第１実施形態〜第５実施形態に示すいかなる情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用農作業履歴情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報、参照用物価情報、国際情勢情報等）と組み合わせ、これと先物の増減データとの間で連関度を構成するようにしてもよい。

このうち、参照用市況情報については、市況自体が実際の水産物価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

参照用外部環境情報も同様に水産物価格に影響を及ぼす場合もあることから、これをパラメータとして加えている。

また、第６実施形態は、上述した実施の形態に限定されるものでは無く、例えば図１８に示すように、基調となる参照用情報と、先物の値段との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた参照用情報と先物の値段との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用需要情報、又は参照用供給情報である。他の参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用市況情報、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用農作業履歴情報、参照用専門家意見情報、参照用自然環境情報、参照用土壌情報、参照用作付面積情報、参照用政策情報、参照用シーズン情報、参照用原油価格情報、参照用物価情報、参照用公的機関保有情報、参照用国際情勢情報等）も適用可能である。また、基調となる参照用情報が参照用需要情報である場合に、他の参照用情報が参照用供給情報とされていてもよいし、基調となる参照用情報が参照用供給情報である場合に、他の参照用情報が参照用需要情報とされていてもよい。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報Ｇが、より先物の値段が高いレベルを示唆するような分析結果であり、参照用情報Ｆが、より先物の値段が低いレベルを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、先物の値段が高いレベルの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、先物の値段が低いレベルの重み付けを上げる処理を行う。つまり、先物の値段につながる連関度そのものを、この参照用情報Ｆ〜Ｈに基づいてコントロールするようにしてもよい。或いは、先物の値段を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ〜Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ〜Ｈに基づいてどのように探索解としての先物の値段にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する先物の値段がより高いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより高く修正し、参照用情報の示唆する先物の値段がより低いものにつながるケースほど、連関度を介して求められた探索解としての先物の値段をより低く修正するようにしてもよい。

また、第６実施形態においても、図１８、２０における他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよいことは勿論である。

１ 先物取引情報表示システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (9)

1. 取引する水産物先物の相場に関する情報を表示する先物取引情報表示プログラムにおいて、
   水産物の取引時における需要に関する需要情報を取得する情報取得ステップと、
   過去において取引された水産物の取引時における当該水産物の需要に関する参照用需要情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示する表示ステップとをコンピュータに実行させること
   を特徴とする先物取引情報表示プログラム。
2. 上記情報取得ステップでは、その水産物の取引時における供給状況に関する供給情報を更に取得し、
   上記表示ステップでは、上記参照用需要情報と、その過去において取引された水産物の取引時における当該水産物の供給状況に関する参照用供給情報とを有する組み合わせと、上記水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と、上記供給情報に応じた参照用供給情報とを有する組み合わせと、水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示すること
   を特徴とする請求項１記載の先物取引情報表示プログラム。
3. 上記情報取得ステップでは、上記供給情報として、水産物の供給海域における天候、供給海域の政情の何れか１以上を取得し、
   上記表示ステップでは、上記参照用供給情報として、過去において取引された水産物の供給海域における天候、供給海域を領海に含む国の政情の何れか１以上を利用すること
   を特徴とする請求項２記載の先物取引情報表示プログラム。
4. 上記情報取得ステップでは、新たに先物取引を行う時期における市況に関する市況情報を更に取得し、
   上記表示ステップでは、上記参照用需要情報と、その過去において取引した水産物の取引時における市況に関する参照用市況情報とを有する組み合わせと、上記水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と、上記市況情報に応じた参照用市況情報とを有する組み合わせと、水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示すること
   を特徴とする請求項１又は２記載の先物取引情報表示プログラム。
5. 上記情報取得ステップでは、新たに先物取引を行う時期における外部環境が反映された外部環境情報を更に取得し、
   上記表示ステップでは、上記参照用需要情報と、その過去において取引した水産物の取引時における外部環境が反映された参照用外部環境情報とを有する組み合わせと、上記水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と、上記外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示すること
   を特徴とする請求項１又は２記載の先物取引情報表示プログラム。
6. 上記情報取得ステップでは、新たに先物取引を行う時期における物価に関する物価情報を更に取得し、
   上記表示ステップでは、上記参照用需要情報と、その過去における水産物の取引を行う時期における物価に関する参照用物価情報とを有する組み合わせと、上記水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と、上記物価に応じた参照用物価情報とを有する組み合わせと、水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示すること
   を特徴とする請求項１又は２記載の先物取引情報表示プログラム。
7. 上記情報取得ステップでは、新たに先物取引を行うシーズンに関するシーズン情報を更に取得し、
   上記表示ステップでは、上記参照用需要情報と、その過去における水産物の取引を行うシーズンに関する参照用シーズン情報とを有する組み合わせと、上記水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した供給情報に応じた参照用供給情報と、上記シーズン情報に応じた参照用シーズン情報とを有する組み合わせと、水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記ゴム先物の相場データを表示すること
   を特徴とする請求項１又は２記載の先物取引情報表示プログラム。
8. 取引する水産物先物の相場に関する情報を表示する先物取引情報表示プログラムにおいて、
   水産物の取引時における供給状況に関する供給情報を取得する情報取得ステップと、
   過去において取引された水産物の取引時における当該水産物の供給状況に関する参照用供給情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した供給情報に応じた参照用供給情報と水産物先物の相場データとの３段階以上の連関度のより高いものを優先させて、上記水産物先物の相場データを表示する表示ステップとをコンピュータに実行させること
   を特徴とする先物取引情報表示プログラム。
9. 取引する水産物先物の相場に関する情報を表示する先物取引情報表示プログラムにおいて、
   水産物の取引時における需要に関する需要情報と、その水産物の取引時における供給状況に関する供給情報とを取得する情報取得ステップと、
   過去において取引された水産物の取引時における当該水産物の需要に関する参照用需要情報と、その過去において取引された水産物先物の相場データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した需要情報に応じた参照用需要情報と水産物先物の相場データとの３段階以上の連関度のより高いものを優先させるとともに、取得した上記供給情報に基づいて、上記水産物先物の相場データを表示する表示ステップとをコンピュータに実行させること
   を特徴とする先物取引情報表示プログラム。

Images