JP6165950B1 - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Abstract

【課題】金融商品の取引価格を高い精度で予測すること。【解決手段】本願に係る情報処理装置は、取得部と、二階微分値予測部と、取引価格予測部とを備える。取得部は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。二階微分値予測部は、取得部で取得された履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。取引価格予測部は、二階微分値予測部で予測された二階微分値に基づいて、取引価格を予測する。【選択図】図１

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

従来、複数の通貨ペアの取引を行う際に有効な通貨の強さを示す指標データを生成する技術が提供されている。例えば、複数の通貨ペアの各々について、隣接する時刻の通貨ペアの取引のレート値の差分を計算し、指定された通貨の指標データを算出する技術が提供されている。

特開２０１２−０２７５１３号公報

しかしながら、上記の従来技術では、通貨ペアの取引のレート値のような金融商品の取引価格を高い精度で予測することが難しい。例えば、隣接する時刻の通貨ペアの取引のレート値の差分を計算するだけでは、通貨ペアの取引のレート値を高い精度で予測することができるとは限らない。

本願は、上記に鑑みてなされたものであって、金融商品の取引価格を高い精度で予測する情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得部と、前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測部と、前記二階微分値予測部で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測部とを備えることを特徴とする。

実施形態の一態様によれば、金融商品の取引価格を高い精度で予測することができるという効果を奏する。

図１は、実施形態に係る情報処理装置１による情報処理の一例を示す図である。 図２は、実施形態に係る情報処理装置の構成例を示す図である。 図３は、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を示す図である。 図４は、実施形態に係る金融商品の取引価格を予測するモデルの一例を示す図である。 図５は、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を示す図である。 図６は、実施形態に係る予測部の構成例を示す図である。 図７は、実施形態に係る金融商品の取引価格の予測の一例を示す図である。 図８は、実施形態に係る学習部における学習処理の手順の一例を示すフローチャートである。 図９は、実施形態に係る金融商品の取引価格に関する予測の手順の一例を示すフローチャートである。 図１０は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置および情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置および情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．情報処理装置による情報処理の一例〕
図１を用いて、実施形態に係る情報処理装置１による情報処理の一例を説明する。図１は、実施形態に係る情報処理装置１による情報処理の一例を示す図である。

まず、図１に示す情報処理装置１は、取引価格が時間ｔに対して変動する金融商品の取引価格Ｘに関する履歴の情報Ｘ（ｔ_ｎ）・・・Ｘ（ｔ_ｎ−ｍ）を取得する。

ここで、ｔ_ｎは、例えば、現在の時刻（直近の時刻）を示す。また、ｔ_ｎ＋１は、例えば、現在の時刻から１分後の時刻（将来の時刻）を示す。同様に、ｔ_ｎ−ｍは、例えば、現在の時刻からｍ分前の時刻（過去の時刻）を示す。なお、ｎおよびｍは、それぞれ、独立に整数である。

履歴の情報Ｘ（ｔ_ｎ）・・・Ｘ（ｔ_ｎ−ｍ）は、それぞれ、時刻ｔ_ｎ・・・ｔ_ｎ−ｍ（現在から過去）における金融商品の取引価格Ｘに関する情報である。

履歴の情報Ｘ（ｔ_ｎ）・・・Ｘ（ｔ_ｎ−ｍ）は、例えば、それぞれ、時刻ｔ_ｎ・・・ｔ_ｎ−ｍにおける金融商品の取引価格Ｘの値を示す。金融商品の取引価格Ｘは、例えば、図１に示すような為替レートであってもよい。

次に、情報処理装置１は、上記の取得された履歴の情報Ｘ（ｔ_ｎ）・・・Ｘ（ｔ_ｎ−ｍ）に基づいて、例えば、将来の時刻ｔ_ｎ＋１における取引価格Ｘの時間に関する二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）を予測する。

例えば、情報処理装置１は、履歴の情報Ｘ（ｔ_ｎ）・・・Ｘ（ｔ_ｎ−ｍ）から二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）を予測するモデルを用いて、二階微分値の予測値ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）を求めることで、二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）を予測する。

次に、情報処理装置１は、上記の予測された二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）に基づいて、将来の時刻ｔ_ｎ＋１における取引価格Ｘの値Ｘ（ｔ_ｎ＋１）を予測する。

例えば、情報処理装置１は、二階微分値の予測値ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）から、後述する式の演算によって、取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を求めることで、値Ｘ（ｔ_ｎ＋１）を予測する。

このように、情報処理装置１は、将来の時刻ｔ_ｎ＋１における取引価格Ｘの時間に関する二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）を予測すると共に、上記の予測された二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）に基づいて、将来の時刻ｔ_ｎ＋１における取引価格Ｘの値Ｘ（ｔ_ｎ＋１）を予測するため、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの値Ｘ（ｔ_ｎ＋１）を高い精度で予測することができる。

すなわち、情報処理装置１は、時間に関する一階微分値のような取引価格Ｘの時間変動ではなく、時間に関する二階微分値、すなわち、取引価格Ｘの時間変動の時間変動を予測し、かかる二階微分値の予測値から取引価格Ｘを求めることで、従来に比べ予測の精度が改善された。なお、金融商品の取引価格Ｘの時間に関する二階微分値を予測することによって、金融商品の取引価格Ｘの時間変動の加速度を予測することができる。それに応じて、金融商品の取引価格Ｘの時間変動を引き起こす力の大きさおよび向きを予測することができる。このように、金融商品の取引価格Ｘの時間変動を引き起こす力の大きさおよび向きを予測することができるため、金融商品の取引価格Ｘの値を高い精度で予測することができる。

情報処理装置１は、例えば、図示しない所定の通信網を介して、有線または無線により端末装置３と通信可能である。端末装置３は、例えば、スマートフォンである。端末装置３は、情報処理装置１に対して取引価格Ｘの値の予測を要求することができる。

情報処理装置１は、端末装置３から取引価格Ｘの値の予測を要求されると、将来の時刻ｔ_ｎ＋１における取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を端末装置３に配信することができる。端末装置３は、将来の時刻ｔ_ｎ＋１における取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を受信する。

その結果、端末装置３のユーザは、高い精度で予測された将来の時刻ｔ_ｎ＋１における取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）に基づいて、金融商品の取引を実行することができる。

〔２．情報処理装置の構成例〕
次に、図２を用いて、実施形態に係る情報処理装置１の構成例を説明する。図２は、実施形態に係る情報処理装置１の構成例を示す図である。図２に示すように、情報処理装置は、通信部１０と、記憶部２０と、制御部３０とを備える。

なお、情報処理装置１は、情報処理装置１の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）等を有してもよい。情報処理装置１は、スタンドアローンであってもよい。

〔２．１．通信部１０〕
通信部１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１０は、ネットワークＮと有線または無線で接続され、例えば取引装置２および端末装置３との間で情報の送受信を行う。

取引装置２は、取引価格が変動する金融商品の取引に関する各種のサービスを提供する情報処理装置である。取引装置２は、例えば、サーバ装置またはクラウドシステム等により実現される。

ここで、取引価格が変動する金融商品としては、例えば、外国為替、株式、国債、ファンド、保険商品などが挙げられる。金融商品の取引価格としては、例えば、為替レート、株価、国債価格、ファンド配当、保険商品の配当金などが挙げられる。

なお、株価は、０円になることもあるため、取引価格が変動する金融商品としては、為替レートが連続的に変動する外国為替などが好ましい。

例えば、取引装置２は、金融商品の取引価格に関する履歴の情報を情報処理装置１に配信する。また、例えば、取引装置２は、情報処理装置１または端末装置３から金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を受け付ける。

また、例えば、取引装置２は、情報処理装置１または端末装置３から受け付けた金融商品の取引に関する情報に応じて、金融商品の取引を実行する。

端末装置３は、ユーザによって利用される情報処理装置である。端末装置３は、例えば、スマートフォン、タブレット型端末、ノート型ＰＣ（Personal Computer）、デスクトップＰＣ、携帯電話機、またはＰＤＡ（Personal Digital Assistant）等により実現される。

例えば、端末装置３は、情報処理装置１が金融商品の取引価格の値を予測することを要求する。また、例えば、端末装置３は、情報処理装置１から金融商品の取引価格の予測値を受け付ける。また、端末装置３は、取引装置２に金融商品の取引に関する情報、例えば、例えば、金融商品を売買する意思表示に関する情報を配信する。

〔２．２．記憶部２０〕
記憶部２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。

図２に示すように、記憶部２０は、履歴情報記憶部２１と、学習情報記憶部２２と、検出情報記憶部２３と、予測情報記憶部２４と、受付情報記憶部２５と、取引情報記憶部２６とを備える。

履歴情報記憶部２１は、金融商品の取引価格に関する履歴の情報を記憶する。

学習情報記憶部２２は、学習処理を実行するための情報および学習処理の結果として生成されたモデルに関する情報を記憶する。

検出情報記憶部２３は、金融商品の取引価格の変動に対する所定値および検出された金融商品の取引価格の所定値を超える変動に関する情報を記憶する。

予測情報記憶部２４は、予測された金融商品の取引価格に関する情報を記憶する。

受付情報記憶部２５は、金融商品の取引価格の値についての予測の要求に関する情報を記憶する。

取引情報記憶部２６は、予測された金融商品の取引価格の値に対する所定の条件および所定の条件に対する金融商品の取引に関する情報を記憶する。

〔２．３．制御部３０〕
制御部３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）またはＭＰＵ（Micro Processing Unit）等によって、情報処理装置１の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。

また、制御部３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図２に示すように、制御部３０は、取得部３１と、学習部３２と、検出部３３と、予測部３４と、受付部３５と、配信部３６と、取引処理部３７とを備える。制御部３０は、以下に説明する情報処理の機能または作用を実現または実行する。

〔２．３．１．取得部３１〕
取得部３１は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。例えば、取得部３１は、取引装置２からネットワークＮおよび通信部１０を介して金融商品の取引価格に関する履歴の情報を取得する。

ここで、金融商品の取引価格に関する履歴の情報は、過去から現在までの期間における時刻ごとの金融商品の取引価格に関する情報である。

金融商品の取引価格に関する情報としては、例えば、金融商品の取引価格の値、金融商品の取引価格の一階微分値、金融商品の取引価格の二階微分値等が挙げられる。以下、金融商品の取引価格の一階微分値は、金融商品の取引価格の時間に関する一階微分値を意味すると共に、金融商品の取引価格の二階微分値は、金融商品の取引価格の時間に関する二階微分値を意味する。

金融商品の取引価格の値としては、例えば、金融商品の取引価格の高値、安値、始値、および終値のセット、金融商品の取引価格の高値、安値、始値、および終値の平均値、または金融商品の取引価格の高値、安値、始値、および終値のうちのいずれか一つの値のような代表値等が挙げられる。

例えば、取得部３１は、取得された履歴の情報を履歴情報記憶部２１に記憶する。

ここで、図３を用いて、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を説明する。図３は、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を示す図である。

図３に示すように、取得部３１は、例えば、金融商品の取引価格の種類ごとに過去の期間における時刻ごとの金融商品の取引価格の値を取得する。

図３に示す例においては、金融商品の取引価格の種類は、為替（Ｘ１）の高値Ｘ１_Ｈ、安値Ｘ１_Ｌ、始値Ｘ１_Ｓ、終値Ｘ１_Ｅ、株価（Ｘ２）の高値Ｘ２_Ｈ、安値Ｘ２_Ｌ、始値Ｘ２_Ｓ、終値Ｘ２_Ｅ、および国債（Ｘ３）の高値Ｘ３_Ｈ、安値Ｘ３_Ｌ、始値Ｘ３_Ｓ、終値Ｘ３_Ｅを含む。

取得部３１は、過去の時間ｔ＝ｔ_ｎ−ｍ，ｔ_{ｎ−ｍ＋１}・・・ｔ_ｎ−２，ｔ_ｎ−１，ｔ_ｎごとの金融商品の取引価格の値Ｘ１_Ｈ（ｔ）・・・Ｘ３_Ｅ（ｔ）のテーブルを履歴情報記憶部２１に記憶する。

〔２．３．２．学習部３２〕
図２に戻り、学習部３２は、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、教師あり学習を行うことによって、モデルを生成する。

例えば、学習部３２は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部２１から読み出す。また、例えば、学習部３２は、学習処理を実行するための情報、例えば、後述するニューラルネットワークにおけるバックプロパゲーション（誤差逆伝播法）等の処理を実行するための情報を学習情報記憶部２２から読み出す。

例えば、学習部３２は、金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の二階微分値の正解情報を算出する。例えば、学習部３２は、ある時刻ｔ_ｌ（ｌは整数である）における金融商品の取引価格の二階微分値の正解情報ｄ^２Ｘ／ｄｔ^２（ｔ_ｌ）を、
ｄ^２Ｘ／ｄｔ^２（ｔ_ｌ）＝（Ｘ（ｔ_ｌ）−２Ｘ（ｔ_ｌ−１）＋Ｘ（ｔ_ｌ−２））／Δｔ^２
の式に従って算出する。ここで、Ｘ（ｔ_ｌ）、Ｘ（ｔ_ｌ−１）、およびＸ（ｔ_ｌ−２）は、それぞれ、隣接する三個の時刻ｔ_ｌ、ｔ_ｌ−１、およびｔ_ｌ−２における金融商品の取引価格Ｘの値である。また、Δｔは、ｔ_ｌ−ｔ_ｌ−１またはｔ_ｌ−１−ｔ_ｌ−２によって与えられる時間差である。

例えば、学習部３２は、金融商品の取引価格に関する履歴の情報と金融商品の取引価格の二階微分値の正解情報との関係を学習することによって、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルを生成する。

また、例えば、学習部３２は、金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の一階微分値の正解情報を算出する。例えば、学習部３２は、ある時刻ｔ_ｌ（ｌは整数である）における金融商品の取引価格の一階微分値の正解情報ｄＸ／ｄｔ（ｔ_ｌ）を、
ｄＸ／ｄｔ（ｔ_ｌ）＝（Ｘ（ｔ_ｌ）−Ｘ（ｔ_ｌ−１））／Δｔ
の式に従って算出する。ここで、Ｘ（ｔ_ｌ）およびＸ（ｔ_ｌ−１）は、それぞれ、隣接する二個の時刻ｔ_ｌおよびｔ_ｌ−１における金融商品の取引価格Ｘの値である。また、Δｔは、ｔ_ｌ−ｔ_ｌ−１によって与えられる時間差である。

例えば、学習部３２は、金融商品の取引価格に関する履歴の情報と金融商品の取引価格の一階微分値の正解情報との関係を学習することによって、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の一階微分値を予測するモデルを生成する。

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、学習部３２は、過去の期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報と金融商品の取引価格の（例えば終値の）二階微分値または一階微分値の正解情報との関係を学習する。

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合には、学習部３２は、過去の一定期間における金融商品の取引価格に関する情報と金融商品の取引価格の二階微分値または一階微分値の正解情報との関係を複数の一定期間について繰り返して学習する。

なお、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値または一階微分値を予測するモデルは、金融商品の取引価格の二階微分値または一階微分値を予測する時間および時間幅が異なる複数のモデルであってもよい。

例えば、上記のモデルは、現在から時刻ｓ分後（ｓは整数である）における金融商品の取引価格の二階微分値または一階微分値を予測するモデルであってもよい。また、例えば、上記のモデルは、現在から時刻ｓ分後におけるｔ分間（ｔは整数である）の金融商品の取引価格の二階微分値または一階微分値の平均値を予測するモデルであってもよい。

学習部３２は、例えば、複数のノードを有する層を多段階に接続したニューラルネットワークであり、いわゆるディープラーニングの技術により実現されるＤＮＮ（Deep Neural Network）であってもよい。

例えば、学習部３２は、ディープラーニングの技術により、以下のような学習手法により非線形のモデルを生成する。例えば、学習部３２は、ニューラルネットワークにおける各ノードの間の結合係数を初期化すると共に、金融商品の取引価格に関する履歴の情報の入力を受け付ける。

そして、学習部３２は、バックプロパゲーション（誤差逆伝播法）等の処理によって非線形のモデルを生成する。バックプロパゲーションにおいては、金融商品の取引価格に関する履歴の情報の入力と金融商品の取引価格の二階微分値または一階微分値の出力との間における所定の誤差関数の値を最小化するように結合係数を調整する。

このようにして、学習部３２は、金融商品の取引価格に関する履歴の情報に対する予測値の非線形のモデルを生成する。

例えば、学習部３２は、学習処理の結果として生成されたモデル、すなわち、金融商品の取引価格に関する履歴の情報に対して教師あり学習を行うことによって生成されたモデルを学習情報記憶部２２に記憶する。

ここで、図４を用いて、実施形態に係る金融商品の取引価格を予測するモデルの一例を説明する。図４は、実施形態に係る金融商品の取引価格を予測するモデルの一例を示す図である。

図４に示すように、学習部３２は、例えば、金融商品の取引価格の種類ごとに複数の種類のモデルを生成する。

図４に示す例においては、金融商品の取引価格の種類は、図４に示すような、為替（Ｘ１）、株価（Ｘ２）、および国債（Ｘ３）を含む。図４に示す例においては、モデルの種類は、後述するように、為替（Ｘ１）についてのモデル１Ａ、モデル１Ｂ、およびモデル１Ｃ、株価（Ｘ２）についてのモデル２Ａ、モデル２Ｂ、およびモデル２Ｃ、国債（Ｘ３）についてのモデル３Ａ、モデル３Ｂ、およびモデル３Ｃを含む。

ここで、モデル１Ａ、モデル２Ａ、モデル３Ａは、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルである。

また、モデル１Ｂ、モデル２Ｂ、およびモデル３Ｂは、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値および一階微分値を予測するモデルである。

また、モデル１Ｃ、モデル２Ｃ、およびモデル３Ｃは、複数の金融商品の取引価格に関する履歴の情報から複数の金融商品の取引価格の二階微分値を予測するモデルである。モデル１Ｃは、例えば、日本円、米ドル、欧州ユーロ、中国元などの間の複数の為替レートから複数の為替レートの二階微分値を予測するモデルである。例えば、モデル２Ｃは、例えば、複数の株式会社の株価から複数の株式会社の株価の二階微分値を予測するモデルである。

学習部３２は、金融商品の取引価格としての為替（Ｘ１）、株価（Ｘ２）、および国債（Ｘ３）について生成されたモデル１Ａ・・・モデル３Ｃのテーブルを学習情報記憶部２２に記憶する。

〔２．３．３．検出部３３〕
図２に戻り、検出部３３は、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の所定値を超える変動を検出する。

例えば、検出部３３は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部２１から読み出す。また、例えば、検出部３３は、金融商品の取引価格の変動に対する所定値（閾値）を検出情報記憶部２３から読み出す。

例えば、検出部３３は、ある時刻における金融商品の取引価格の変動の値が所定値（閾値）を超えるか否かについて判定することによって、金融商品の取引価格の所定値を超える変動を検出する。

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の一階微分値である。

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の一階微分値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の二階微分値である。

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の二階微分値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の三階微分値である。

例えば、検出部３３は、検出された金融商品の取引価格の所定値を超える変動に関する情報を検出情報記憶部２３に記憶する。具体的には、検出部３３は、金融商品の取引価格の変動に対する所定値、所定値（閾値）を超える金融商品の取引価格の変動の値、所定値（閾値）を超える金融商品の取引価格の変動を示す時刻、その時刻における金融商品の取引価格に関する情報などを記憶する。

ここで、図５を用いて、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を説明する。図５は、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を示す図である。

図５において、横軸は、時間ｔを示すと共に、縦軸は、金融商品の取引価格Ｘの変動Ｖの値、すなわち、金融商品の取引価格Ｘの一階微分値を示す。なお、金融商品の取引価格Ｘの変動Ｖの値には、金融商品の取引価格Ｘの一階微分値の絶対値を用いてもよい。図５において、所定値Ｖｔｈは、金融商品の取引価格Ｘの変動Ｖの値に対する閾値を意味する。

図５に示す例において、時刻ｔ’および時刻ｔ”における金融商品の取引価格Ｘの変動Ｖの値Ｖ（ｔ’）およびＶ（ｔ”）が所定値Ｖｔｈを超えている。検出部３３は、時刻ｔ’および時刻ｔ”において金融商品の取引価格Ｘの所定値Ｖｔｈを超える変動の値Ｖ（ｔ’）およびＶ（ｔ”）を検出する。

〔２．３．４．予測部３４〕
図２に戻り、予測部３４は、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の値を予測する。

例えば、予測部３４は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部２１から読み出す。また、例えば、予測部３４は、学習処理の結果として生成されたモデルに関する情報を学習情報記憶部２２から読み出す。また、例えば、予測部３４は、金融商品の取引価格の所定値を超える変動に関する情報を検出情報記憶部２３から読み出す。

ここで、図６を用いて、実施形態に係る予測部３４の構成例を説明する。図６は、実施形態に係る予測部の構成例を示す図である。図６に示すように、予測部３４は、二階微分値予測部３４ａと、一階微分値予測部３４ｂと、取引価格予測部３４ｃと、価格変動予測部３４ｄと、処理部３４ｅとを備える。

〔２．３．４．１．二階微分値予測部３４ａ〕
二階微分値予測部３４ａは、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

例えば、二階微分値予測部３４ａは、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて将来における金融商品の取引価格の二階微分値を予測する。

例えば、二階微分値予測部３４ａは、金融商品の取引価格に関する履歴の情報を学習部３２によって生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合に、二階微分値予測部３４ａは、過去の一定期間における金融商品の取引価格に関する情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

例えば、二階微分値予測部３４ａは、過去の一定期間における金融商品の取引価格に関する情報を、学習部３２において過去の一定期間における金融商品の取引価格に関する情報を用いて生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

なお、学習部３２においてモデルを作成する際に用いられる過去の一定期間における金融商品の取引価格に関する情報の過去の一定期間は、将来における金融商品の取引価格の二階微分値を予測する際に用いられる過去の一定期間における金融商品の取引価格に関する情報の過去の一定期間と同じ時間幅を有する。

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、二階微分値予測部３４ａは、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

例えば、二階微分値予測部３４ａは、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を、学習部３２において金融商品の取引価格の高値、安値、始値、および終値の情報を用いて生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

例えば、検出部３３が、金融商品の取引価格の所定値を超える変動を検出した場合に、二階微分値予測部３４ａは、検出部３３によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

例えば、学習部３２は、検出された所定値を超える変動を伴った情報を除いた金融商品の取引価格に関する履歴の情報と金融商品の取引価格の二階微分値の正解情報との関係を学習する。

二階微分値予測部３４ａは、検出された所定値を超える変動を伴った情報を除いた金融商品の取引価格に関する履歴の情報を学習部３２によって生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

図５に示す例においては、二階微分値予測部３４ａは、金融商品の取引価格Ｘに関する履歴の情報Ｘ（ｔ）から、検出部３３によって検出された所定値Ｖｔｈを超える変動の値Ｖ（ｔ’）およびＶ（ｔ”）を伴った情報である金融商品の取引価格Ｘの値Ｘ（ｔ’）およびＸ（ｔ”）を除く。

そして、二階微分値予測部３４ａは、検出部３３によって検出された所定値Ｖｔｈを超える変動の値Ｖ（ｔ’）およびＶ（ｔ”）を伴った情報である金融商品の取引価格Ｘの値Ｘ（ｔ’）およびＸ（ｔ”）を除いた金融商品の取引価格Ｘに関する履歴の情報Ｘ（ｔ）に基づいて、金融商品の取引価格Ｘの二階微分値を予測する。

〔２．３．４．２．一階微分値予測部３４ｂ〕
一階微分値予測部３４ｂは、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

例えば、一階微分値予測部３４ｂは、二階微分値予測部３４ａと同様に、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて将来における金融商品の取引価格の一階微分値を予測する。

例えば、一階微分値予測部３４ｂは、二階微分値予測３４ａと同様に、金融商品の取引価格に関する履歴の情報を学習部３２によって生成されたモデルに入力することによって、将来における金融商品の取引価格の一階微分値を予測する。

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合に、一階微分値予測部３４ｂは、二階微分値予測部３４ａと同様に、過去の一定期間における金融商品の取引価格に関する情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、一階微分値予測部３４ｂは、二階微分値予測部３４ａと同様に、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

例えば、検出部３３が、金融商品の取引価格の所定値を超える変動を検出した場合に、一階微分値予測部３４ｂは、二階微分値予測部３４ａと同様に、検出部３３によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

〔２．３．４．３．取引価格予測部３４ｃ〕
取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された二階微分値に基づいて、将来における金融商品の取引価格Ｘの値を予測する。

例えば、取引価格予測部３４ｃは、過去の時刻ｔ_ｎ−１（例えば、現在の１分前の時刻）と現在の時刻ｔ_ｎとの時間差Δｔおよび現在の時刻ｔ_ｎと将来の時刻ｔ_ｎ＋１の時間差Δｔが一定である場合には、将来の時刻ｔ_ｎ＋１（例えば、現在の１分後の時刻）における金融商品の取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を
Ｘ＾（ｔ_ｎ＋１）＝２Ｘ（ｔ_ｎ）−Ｘ（ｔ_ｎ−１）＋ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）×Δｔ^２
の式に従って演算する。

ここで、Ｘ（ｔ_ｎ−１）は、過去の時刻ｔ_ｎ−１における金融商品の取引価格Ｘの値である。また、Ｘ（ｔ_ｎ）は、現在の時刻ｔ_ｎにおける金融商品の取引価格Ｘの値である。また、ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）は、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの二階微分値の予測値である。

なお、時間差Δｔが小さいほど、取引価格予測部３４ｃは、高い精度でＸ（ｔ_ｎ＋１）を得ることができる。

例えば、取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された二階微分値および一階微分値予測部３４ｂで予測された一階微分値に基づいて、将来における金融商品の取引価格を予測するものであってもよい。

例えば、取引価格予測部３４ｃは、過去の時刻ｔ_ｎ−１と現在の時刻ｔ_ｎとの時間差Δｔおよび現在の時刻ｔ_ｎと将来の時刻ｔ_ｎ＋１の時間差Δｔが一定である場合には、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を
Ｘ＾（ｔ_ｎ＋１）＝Ｘ（ｔ_ｎ−１）＋２ｄＸ／ｄｔ＾（ｔ_ｎ＋１）×Δｔ−ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）×Δｔ^２
の式に従って演算する。

ここで、Ｘ（ｔ_ｎ−１）は、過去の時刻ｔ_ｎ−１における金融商品の取引価格Ｘの値である。また、ｄＸ／ｄｔ＾（ｔ_ｎ＋１）は、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの一階微分値の予測値である。また、ｄ^２Ｘ／ｄｔ^２＾（ｔ_ｎ＋１）は、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの二階微分値の予測値である。

なお、取引価格予測部３４ｃは、上述した式とは異なる式に従って、将来の時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの予測値Ｘ＾（ｔ_ｎ＋１）を演算してもよい。また、取引価格予測部３４ｃにおいて予測される将来における金融商品の取引価格Ｘの値は、現在の１分後の時刻における金融商品の取引価格Ｘの値に限られない。

例えば、取引価格予測部３４ｃは、１分後の時刻における金融商品の取引価格Ｘの値の予測を繰り返すことによって、現在のｓ分後（ｓは、２以上の整数である）の時刻における金融商品の取引価格Ｘの値を予測することができる。

例えば、取引価格予測部３４ｃは、同様にして、現在のｓ分後（ｓは、２以上の整数である）の時刻からｔ分間（ｔは、１以上の整数である）の金融商品の取引価格Ｘの値およびそれらの平均値を予測することができる。

ここで、図７を用いて、実施形態に係る金融商品の取引価格の予測の一例を説明する。図７は、実施形態に係る金融商品の取引価格の予測の一例を示す図である。図７において、横軸は、時間ｔを示すと共に、縦軸は、金融商品の取引価格Ｘの値を示す。なお、時間ｔは、ＵＮＩＸ（登録商標）時間であってもよい。

図７において、実線は、金融商品の取引価格（為替レート）Ｘの実際のデータを示すと共に、点線は、情報処理装置１による予測の結果を示す。図７においては、過去の時刻ｔ_ｎ−ｍから現在の時刻ｔ_ｎまでの金融商品の取引価格の実際のデータが示されている。

図７に示す例において、ニューラルネットワークである学習部３２は、時刻ｔ_{ｎ−ｋ−１０}から時刻ｔ_{ｎ−ｋ−１}までの過去の一定期間Ｔ（時刻ｔ_ｎ−ｋの前の１０分間）における金融商品の取引価格Ｘの値Ｘ（ｔ_{ｎ−ｋ−１０}）・・・Ｘ（ｔ_{ｎ−ｋ−１}）と時刻ｔ_ｎ−ｋにおける金融商品の取引価格Ｘの二階微分値ｄ^２ｘ／ｄｔ^２（ｔ＝ｔ_ｎ−ｋ）の正解情報との関係をｋ＝０・・・ｍについて繰り返して学習する。例えば、学習部３２は、１４年分のデータを用いて１分刻みで学習する。

それによって、学習部３２は、所定の時刻前の１０分間における金融商品の取引価格Ｘの値から所定の時刻における金融商品の取引価格の二階微分値を予測するモデルｄ^２ｘ／ｄｔ^２（ｔ＝ｔ_ｎ−ｋ）＝ｆ（Ｘ（ｔ_{ｎ−ｋ−１０}）・・・Ｘ（ｔ_{ｎ−ｋ−１}））を生成する。ここで、ｆは、モデルを表す非線形の関数である。

このように、学習部３２は、時系列のデータによって繰り返して学習するため、学習部３２には、再帰型ニューラルネットワークを用いることが好ましい。

次に、二階微分値予測部３４ａは、学習部３２によって生成されたモデルを用いて、時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）を予測する。

取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの二階微分値ｄ^２Ｘ／ｄｔ^２（ｔ_ｎ＋１）に基づいて、例えば、上述した式に従って、時刻ｔ_ｎ＋１における金融商品の取引価格Ｘの値Ｘ（ｔ_ｎ＋１）を予測する。

図７に、過去の時刻ｔ_ｎ−ｍから現在の時刻ｔ_ｎまでの金融商品の取引価格の実際のデータＸ（ｔ_ｎ−ｍ）・・・Ｘ（ｔ_ｎ）に対して、情報処理装置１において同様にして予測された結果を示す。図７に示す予測の結果は、情報処理装置１が金融商品の取引価格Ｘの値を高い精度で予測することができることを示す。

このように、情報処理装置１は、二階微分値予測部３４ａが過去の一定期間Ｔ（ｔ_{ｎ−ｋ−１０}・・・ｔ_{ｎ−ｋ−１}）ごとの金融商品の取引価格Ｘの値Ｘ（ｔ_{ｎ−ｋ−１０}）・・・Ｘ（ｔ_{ｎ−ｋ−１}）に基づいて過去の一定期間Ｔの経過後の時刻ｔ_ｎ−ｋにおける金融商品の取引価格Ｘの二階微分値ｄ^２ｘ／ｄｔ^２（ｔ＝ｔ_ｎ−ｋ）を予測すると共に取引価格予測部３４ｃが予測された二階微分値ｄ^２ｘ／ｄｔ^２（ｔ＝ｔ_ｎ−ｋ）に基づいて過去の一定期間Ｔの経過後の時刻ｔ_ｎ−ｋにおける金融商品の取引価格Ｘの値Ｘ（ｔ_ｎ−ｋ）を予測するように構成されてもよい。

なお、情報処理装置１は、二階微分値予測部３４ａが（現在を含むことがある）過去の一定期間ごとの金融商品の取引価格の値に基づいて次の一定期間後の時刻における金融商品の取引価格の二階微分値を予測すると共に取引価格予測部３４ｃが予測された二階微分値に基づいて上記次の一定期間後の時刻における金融商品の取引価格の値を予測するように構成されてもよい。

また、情報処理装置１は、二階微分値予測部３４ａが（現在を含むことがある）過去の一定期間ごとの金融商品の取引価格の値に基づいて一定期間よりも長い期間後の時刻における金融商品の取引価格の二階微分値を予測すると共に取引価格予測部３４ｃが予測された二階微分値に基づいて上記一定期間よりも長い期間後の時刻における金融商品の取引価格の値を予測するように構成されてもよい。

また、例えば、二階微分値予測部３４ａは、図３に示されたような複数の金融商品の取引価格に関する履歴の情報Ｘ１_Ｈ（ｔ）・・・Ｘ３_Ｅ（ｔ）（ｔ＝ｔ_ｎ−ｍ，ｔ_{ｎ−ｍ＋１}・・・ｔ_ｎ−２，ｔ_ｎ−１，ｔ_ｎ）を図４に示すような複数のモデル１Ａ、・・・モデル３Ｃに入力する。

それによって、二階微分値予測部３４ａは、複数の金融商品の取引価格Ｘ１、Ｘ２、Ｘ３の二階微分値等を予測する。取引価格予測部３４ｃは、複数の金融商品の取引価格Ｘ１、Ｘ２、Ｘ３の二階微分値等に基づいて、複数の金融商品の取引価格Ｘ１、Ｘ２、Ｘ３の値を予測する。

このように、情報処理装置１は、二階微分値予測部３４ａが複数の金融商品の取引価格に関する履歴の情報に基づいて複数の金融商品の取引価格の二階微分値等を予測すると共に取引価格予測部３４ｃが複数の金融商品の取引価格の二階微分値等に基づいて複数の金融商品の取引価格を予測するように構成されてもよい。

なお、情報処理装置１は、二階微分値予測部３４ａが複数の金融商品の取引価格に関する履歴の情報に基づいて複数の金融商品の取引価格の二階微分値等を予測すると共に取引価格予測部３４ｃが複数の金融商品の取引価格の二階微分値等に基づいて単一の金融商品の取引価格を予測するように構成されてもよい。

〔２．３．４．４．価格変動予測部３４ｄ〕
図６に戻り、価格変動予測部３４ｄは、取得部３１で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の所定値を超える変動を予測する。

例えば、価格変動予測部３４ｄは、金融商品の取引価格に関する履歴の情報に含まれる過去における金融商品の取引価格の所定値を超える変動を伴った情報を用いて、将来における金融商品の取引価格の所定値を超える変動を予測する。

〔２．３．４．５．処理部３４ｅ〕
処理部３４ｅは、価格変動予測部３４ｄによって予測された所定値を超える変動に応じて所定の処理を実行する。処理部３４ｅは、予測停止部３４ｆと予測補間部３４ｇとを備える。

予測停止部３４ｆは、価格変動予測部３４ｄによって予測された所定値を超える変動に対応する期間において二階微分値予測部３４ａによる二階微分値の予測を停止させる。例えば、予測停止部３４ｆは、通信部１０およびネットワークＮを介して端末装置３の表示器に金融商品の取引価格の予測を停止することを表示させる信号を送信する。

あるいは、予測停止部３４ｆは、価格変動予測部３４ｄによって予測された所定値を超える変動に対応する期間において二階微分値予測部３４ａによる二階微分値の予測を停止させることなく、取引処理部３７における処理を停止させてもよい。

予測補間部３４ｇは、価格変動予測部３４ｄによって予測された所定値を超える変動に対応する期間において二階微分値予測部３４ａによる二階微分値の予測を補間する。

例えば、予測補間部３４ｇは、価格変動予測部３４ｄによって予測された所定値を超える変動に対応する期間の前後における二階微分値の平均値を用いて二階微分値の予測を補間する。あるいは、例えば、予測補間部３４ｇは、価格変動予測部３４ｄによって予測された所定値を超える変動に対応する期間の前後における二階微分値を用いて連続的に二階微分値の予測の補間をする。

例えば、取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された二階微分値および予測補間部３４ｇで補間された二階微分値に基づいて、金融商品の取引価格を予測する。

例えば、予測部３４は、予測された金融商品の取引価格の値を予測情報記憶部２４に記憶する。

予測部３４によって予測された金融商品の取引価格に関する情報としては、二階微分値予測部３４ａによって予測された金融商品の取引価格の二階微分値、一階微分値予測部３４ｂによって予測された金融商品の取引価格の一階微分値、取引価格予測部３４ｃによって予測された金融商品の取引価格の値、および価格変動予測部３４ｄによって予測された金融商品の取引価格の所定値を超える変動の値などが挙げられる。

〔２．３．５．受付部３５〕
受付部３５は、端末装置３からネットワークＮおよび通信部１０を介して金融商品の取引価格の値についての予測の要求に関する情報を受け付ける。

金融商品の取引価格の値についての予測の要求に関する情報としては、例えば、取引価格の予測に係る、金融商品の種類、金融商品の取引価格の値の種類、年月日、時刻、および時間などが挙げられる。

例えば、受付部３５は、金融商品の取引価格の値についての予測の要求に関する情報を受付情報記憶部２５に記憶する。

〔２．３．６．配信部３６〕
配信部３６は、受付部３５が金融商品の取引価格の値についての予測の要求に関する情報を受け付けた場合には、予測部３４における取引価格予測部３４ｃによって予測された金融商品の取引価格の値を、通信部１０およびネットワークＮを介して端末装置３に配信する。

〔２．３．７．取引処理部３７〕
例えば、取引処理部３７は、通信部１０およびネットワークＮを介して取引装置２に金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を送信する。

例えば、取引処理部３７は、予測部３４における取引価格予測部３４ｃによって予測された金融商品の取引価格の値に対する所定の条件を取引情報記憶部２６から読み出す。

そして、取引処理部３７は、予測部３４における取引価格予測部３４ｃによって予測された金融商品の取引価格の値が所定の条件を満たすか否かについて判定する。

取引処理部３７は、予測部３４における取引価格予測部３４ｃによって予測された金融商品の取引価格の値が所定の条件を満たす場合に、通信部１０およびネットワークＮを介して取引装置２に金融商品の取引に関する情報を送信する。

例えば、取引処理部３７は、取引価格予測部３４ｃによって予測された金融商品の取引価格の値が所定の値または現在における金融商品の取引価格に対して高い（低い）場合に、取引装置２に金融商品を売る（買う）意思表示に関する情報を送信する。

あるいは、例えば、取引処理部３７は、学習部３２において金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルを生成する際の誤差関数の値が所定の値より大きい（小さい）場合に、取引装置２に金融商品を売買しない（売買する）意思表示に関する情報を送信するように構成されてもよい。

取引処理部３７は、所定の条件に対する金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を取引情報記憶部２６に記憶する。

〔３．学習処理の手順〕
次に、図８を用いて、実施形態に係る学習部における学習処理の手順の一例を説明する。図８は、実施形態に係る学習部における学習処理の手順の一例を示すフローチャートである。

図８に示すように、まず、情報処理装置１における学習部３２は、金融商品の取引価格に関する履歴の情報を取得する（ステップＳ１０１）。

その後、学習部３２は、金融商品の取引価格の二階微分値等の正解情報を算出する（ステップＳ１０２）。

その後、学習部３２は、学習部３２から出力される金融商品の取引価格の二階微分値等と取引価格の二階微分値等の正解情報との間の誤差関数の値を最小化するようにモデルを生成する（ステップＳ１０３）。

その後、学習部３２は、誤差関数の値が所定の条件を満たすか否かについて判定する（ステップＳ１０４）。誤差関数の値が所定の条件を満たす場合（ステップＳ１０４：Ｙｅｓ）には、学習部３２は、学習処理を終了する。誤差関数の値が所定の条件を満たさない場合（ステップＳ１０４：Ｎｏ）には、学習部３２は、ステップＳ１０３に戻る。

〔４．取引価格の予測の手順〕
次に、図９を用いて、実施形態に係る金融商品の取引価格に関する予測の手順の一例を説明する。図９は、実施形態に係る金融商品の取引価格に関する予測の手順の一例を示すフローチャートである。

図９に示すように、まず、情報処理装置１は、金融商品の取引価格に関する履歴の情報を取得する（ステップＳ２０１）。

その後、情報処理装置１は、金融商品の取引価格の所定値を超える変動を検出したか否かについて判定する（ステップＳ２０２）。

金融商品の取引価格の所定値を超える変動を検出した場合（ステップＳ２０２：Ｙｅｓ）には、情報処理装置１は、ステップＳ２０３に進む。

その後、情報処理装置１は、金融商品の取引価格に関する履歴の情報から取引価格の所定値を超える変動を伴った情報を除く（ステップＳ２０３）。

金融商品の取引価格の所定値を超える変動を検出しなかった場合（ステップＳ２０２：Ｎｏ）には、情報処理装置１は、ステップＳ２０４に進む。

その後、情報処理装置１は、金融商品の取引価格の二階微分値等を予測する（ステップＳ２０４）。

その後、情報処理装置１は、金融商品の取引価格の値を予測する（ステップＳ２０５）。

その後、情報処理装置１は、金融商品の取引価格の値についての予測の要求を受け付けたか否かを判定する（ステップＳ２０６）。

金融商品の取引価格の値についての予測の要求を受け付けた場合（ステップＳ２０６：Ｙｅｓ）には、情報処理装置１は、ステップＳ２０７に進む。

その後、情報処理装置１は、予測された金融商品の取引価格の値を配信する（ステップＳ２０７）。

金融商品の取引価格の値についての予測の要求を受け付けなかった場合（ステップＳ２０６：Ｎｏ）には、情報処理装置１は、ステップＳ２０８に進む。

その後、情報処理装置１は、予測された金融商品の取引価格の値が所定の条件を満たすか否かについて判定する（ステップＳ２０８）。

予測された金融商品の取引価格の値が所定の条件を満たす場合（ステップＳ２０８：Ｙｅｓ）には、情報処理装置１は、ステップＳ２０９に進む。

その後、情報処理装置１は、金融商品の取引処理を実行する（ステップＳ２０９）。

予測された金融商品の取引価格の値が所定の条件を満たさない場合（ステップＳ２０８：Ｎｏ）には、情報処理装置１は、金融商品の取引価格についての予測の処理を終了する。

〔５．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１は、例えば図１０に示すような構成のコンピュータ１００によって実現される。図１０は、実施形態に係る情報処理装置１の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１００は、ＣＰＵ１１０、ＲＡＭ１２０、ＲＯＭ１３０、ＨＤＤ（Hard Disk Drive）１４０、メディアインターフェイス（Ｉ／Ｆ）１５０、通信インターフェイス（Ｉ／Ｆ）１６０、及び入出力インターフェイス（Ｉ／Ｆ）１７０を有する。

ＣＰＵ１１０は、ＲＯＭ１３０またはＨＤＤ１４０に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３０は、コンピュータ１００の起動時にＣＰＵ１１０によって実行されるブートプログラムや、コンピュータ１００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４０は、ＣＰＵ１１０によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。

メディアインターフェイス１５０は、記録媒体１８０に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２０を介してＣＰＵ１１０に提供する。ＣＰＵ１１０は、かかるプログラムを、メディアインターフェイス１５０を介して記録媒体１８０からＲＡＭ１２０上にロードし、ロードしたプログラムを実行する。記録媒体１８０は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

通信インターフェイス１６０は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１０へ送り、ＣＰＵ１１０が生成したデータをネットワークＮを介して他の機器へ提供する。

ＣＰＵ１１０は、入出力インターフェイス１７０を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１０は、入出力インターフェイス１７０を介して、入力装置からデータを取得する。また、ＣＰＵ１１０は、生成したデータを入出力インターフェイス１７０を介して出力装置へ出力する。

例えば、コンピュータ１００が実施形態に係る情報処理装置１として機能する場合、コンピュータ１００のＣＰＵ１１０は、ＲＡＭ１２０上にロードされたプログラムを実行することにより、制御部３０の機能を実現する。コンピュータ１００のＣＰＵ１１０は、これらのプログラムを記録媒体１８０から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

また、上述した情報処理装置１は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）またはネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

〔６．効果〕
上述してきたように、実施形態に係る情報処理装置１は、取得部３１と、二階微分値予測部３４ａと、取引価格予測部３４ｃとを備える。取得部３１は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。二階微分値予測部３４ａは、取得部３１で取得された履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された二階微分値に基づいて、取引価格を予測する。

このように、実施形態に係る情報処理装置１は、履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値を予測すると共に予測された二階微分値に基づいて金融商品の取引価格を予測するので、金融商品の取引価格を高い精度で予測することができる。

また、実施形態に係る情報処理装置１は、一階微分値予測部３４ｂをさらに備える。一階微分値予測部３４ｂは、取得部３１で取得された履歴の情報に基づいて、取引価格の時間に関する一階微分値を予測する。取引価格予測部３４ｃは、二階微分値予測部３４ａで予測された二階微分値および一階微分値予測部３４ｂで予測された一階微分値に基づいて、取引価格を予測する。

このように、実施形態に係る情報処理装置１は、履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値および一階微分値を予測すると共に予測された二階微分値および予測された一階微分値の両方に基づいて金融商品の取引価格を予測するので、金融商品の取引価格をより高い精度で予測することができる。

また、情報処理装置１において、履歴の情報は、過去の一定期間における取引価格に関する情報を含む。二階微分値予測部３４ａは、過去の一定期間における取引価格に関する情報に基づいて、取引価格の時間に関する二階微分値を予測する。

このように、実施形態に係る情報処理装置１は、過去の一定期間における金融商品の取引価格に関する情報に基づいて、金融商品の取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を簡便に予測すると共に金融商品の取引価格を簡便に高い精度で予測することができる。

また、情報処理装置１において、二階微分値予測部３４ａは、履歴の情報により学習されたニューラルネットワークを用いて取引価格の時間に関する二階微分値を予測する。

このように、実施形態に係る情報処理装置１は、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を高い精度で予測すると共に金融商品の取引価格をより高い精度で予測することができる。

また、実施形態に係る情報処理装置１は、検出部３３をさらに備える。検出部３３は、取得部３１で取得された履歴の情報に基づいて、取引価格の所定値を超える変動を検出する。二階微分値予測部３４ａは、検出部３３によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。

このように、実施形態に係る情報処理装置１は、金融商品の取引価格の所定値を超える変動を伴った情報を除いた履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を高い精度で予測すると共に金融商品の取引価格をより高い精度で予測することができる。

また、実施形態に係る情報処理装置１は、価格変動予測部３４ｄと、処理部３４ｅとをさらに備える。価格変動予測部３４ｄは、取得部３１で取得された履歴の情報に基づいて、取引価格の所定値を超える変動を予測する。処理部３４ｅは、価格変動予測部３４ｄによって予測された所定値を超える変動に応じて所定の処理を実行する。

このように、実施形態に係る情報処理装置１は、金融商品の取引価格に関する履歴の情報に基づいて取引価格の所定値を超える変動を予測すると共に予測された所定値を超える変動に応じて金融商品の取引価格の予測の停止または補間のような所定の処理を実行するので、金融商品の取引価格を必要に応じて適切に予測することができる。

〔７．その他〕
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」または「回路」などに読み替えることができる。例えば、予測部は、予測手段または予測回路などに読み替えることができる。

１ 情報処理装置
２ 取引装置
３ 端末装置
１０ 通信部
２０ 記憶部
２１ 履歴情報記憶部
２２ 学習情報記憶部
２３ 検出情報記憶部
２４ 予測情報記憶部
２５ 受付情報記憶部
２６ 取引情報記憶部
３０ 制御部
３１ 取得部
３２ 学習部
３３ 検出部
３４ 予測部
３４ａ 二階微分値予測部
３４ｂ 一階微分値予測部
３４ｃ 取引価格予測部
３４ｄ 価格変動予測部
３４ｅ 処理部
３４ｆ 予測停止部
３４ｇ 予測補間部
３５ 受付部
３６ 配信部
３７ 取引処理部
Ｎ ネットワーク

Claims (7)

1. 取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得部と、
   前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測部と、
   前記二階微分値予測部で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測部と
   を備えると共に、
   前記二階微分値予測部は、前記履歴の情報により学習されたニューラルネットワークを用いて前記取引価格の時間に関する二階微分値を予測する
   ことを特徴とする情報処理装置。
2. 前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する一階微分値を予測する一階微分値予測部
   をさらに備え、
   前記取引価格予測部は、前記二階微分値予測部で予測された前記二階微分値および前記一階微分値予測部で予測された前記一階微分値に基づいて、前記取引価格を予測する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記履歴の情報は、過去の一定期間における前記取引価格に関する情報を含み、
   前記二階微分値予測部は、前記過去の一定期間における前記取引価格に関する情報に基づいて、前記取引価格の時間に関する二階微分値を予測する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の所定値を超える変動を検出する検出部をさらに備え、
   前記二階微分値予測部は、前記検出部によって検出された前記所定値を超える変動を伴った情報を除いた前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理装置。
5. 前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の所定値を超える変動を予測する価格変動予測部と、
   前記価格変動予測部によって予測された前記所定値を超える変動に応じて所定の処理を実行する処理部と
   をさらに備えることを特徴とする請求項１〜４のいずれか一つに記載の情報処理装置。
6. コンピュータが実行する情報処理方法であって、
   取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得工程と、
   前記取得工程で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測工程と、
   前記二階微分値予測工程で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測工程と
   を含むと共に、
   前記二階微分値予測工程は、前記履歴の情報により学習されたニューラルネットワークを用いて前記取引価格の時間に関する二階微分値を予測する
   ことを特徴とする情報処理方法。
7. 取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得手順と、
   前記取得手順で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測手順と、
   前記二階微分値予測手順で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測手順と
   をコンピュータに実行させると共に、
   前記二階微分値予測手順は、前記履歴の情報により学習されたニューラルネットワークを用いて前記取引価格の時間に関する二階微分値を予測する
   ことを特徴とする情報処理プログラム。

Images