JP6998498B1 - 情報処理装置、及びプログラム - Google Patents

Abstract

情報処理装置１が、入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、機械学習のパラメータを互いに異ならせて設定した２以上の整数Ｎ個の機械学習モデルに係る情報を保持し、機械学習モデルに入力する入力データを受け入れ、当該受け入れた入力データを用いて、機械学習モデルの各々に機械学習させ、機械学習モデルの各々を評価した評価情報を取得する。そして当該評価情報に基づいて、Ｎ個の機械学習モデルのうち、ｎ個の機械学習モデルを選択して、当該選択された複数の機械学習モデルを用いた所定の推定処理を実行する情報処理装置１である。

Description

本発明は、機械学習モデルを用いる情報処理装置、及びプログラムに関する。

複数のニューラルネットワークなどからなる複数の機械学習モデルの各々に、互いに異なるランダムシードを設定して、当該複数の機械学習モデルのアンサンブル処理により得られる推定結果の精度を向上させる技術が知られている（例えば、特許文献１）。

国際公開第２０１９／１７１４１６号

一方で、機械学習モデルに設定するシードを変更するごとに、機械学習モデルの出力結果が大きく変化してしまう場合があることが知られている。このような場合、機械学習モデルの開発者は、機械学習モデルの出力の安定性を担保するため、機械学習モデル自体を調整し、当該調整した機械学習モデルの検証を行うといった作業を繰り返し行わなければならない。

このことは上記従来例の、互いに異なるランダムシードを設定した複数の機械学習モデルのアンサンブル処理を行う場合でも同様である。すなわち、複数の機械学習モデル間で出力である推定結果のばらつきが大きいときには、所望の推定精度を達成できない可能性があり、機械学習モデルの再調整および再検証が必要になり、したがって、開発に負担がかかるという問題があった。

本発明は上記実情に鑑みてなされたものであり、機械学習モデルの調整や検証の必要を低減しつつ、複数の機械学習モデルのアンサンブル処理により得られる推定結果の精度を向上できる情報処理装置、及びプログラムを提供することを、その目的の一つとする。

上記従来例の問題点を解決するための本発明の一態様は、情報処理装置であり、入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、機械学習のパラメータを互いに異ならせて設定した２以上の整数Ｎ個の機械学習モデルに係る情報を保持する保持手段と、前記機械学習モデルに入力する入力データを受け入れ、当該受け入れた入力データを用いて、前記機械学習モデルの各々に機械学習させる学習処理手段と、前記機械学習モデルの各々を評価した評価情報を取得する評価取得手段と、前記取得した評価情報に基づいて、前記Ｎ個の機械学習モデルのうち、２以上かつ前記Ｎ未満の整数ｎ個の機械学習モデルを選択する選択手段と、を含み、当該選択された複数の機械学習モデルを用いた所定の推定処理を実行することとしたものである。

本発明によると、機械学習モデルの調整や検証の必要を低減しつつ、複数の機械学習モデルのアンサンブル処理により得られる推定結果の精度を向上できる。

本発明の実施の形態に係る情報処理装置の構成例を表すブロック図である。 本発明の実施の形態に係る情報処理装置の例を表す機能ブロック図である。 本発明の実施の形態に係る情報処理装置による機械学習処理の例を表すフローチャート図である。 本発明の実施の形態に係る情報処理装置による機械学習モデルの設定処理例を表すフローチャート図である。 本発明の実施の形態に係る情報処理装置によるアンサンブル処理の例を表すフローチャート図である。 本発明の実施の形態に係る情報処理装置が生成する情報の例を表す説明図である。 本発明の実施の形態に係る情報処理装置によるもう一つの機械学習モデルの設定処理例を表すフローチャート図である。

本発明の実施の形態について図面を参照しながら説明する。本発明の実施の形態に係る情報処理装置１は、図１に例示するように、制御部１１、記憶部１２、操作部１３、表示部１４、及び通信部１５を含む一般的なコンピュータ装置を用いて実現できる。

以下の説明では、株式の動向を情報処理装置１により推定する例について説明するが、この例は一例であり、この情報処理装置１は、他の情報の推定にも適用できる。

制御部１１は、ＣＰＵ等のプログラム制御デバイスであり、記憶部１２に格納されたプログラムを実行する。本実施の形態では、この制御部１１は、入力データの入力を受けて所定の推定情報を出力するＮ個の機械学習モデルを記憶部１２に保持する。ここでＮは、３以上の整数とする。これら複数の機械学習モデルは、後述のように、機械学習のパラメータを互いに異ならせて設定するものとする。

またこの制御部１１は、当該複数の機械学習モデルに入力する入力データを受け入れ、当該受け入れた入力データを用いて、機械学習モデルの各々に機械学習させる。制御部１１は、複数の機械学習モデルの各々を評価した評価情報を取得し、当該取得した評価情報に基づいて、Ｎ個の機械学習モデルのうち、ｎ個の機械学習モデルを選択する。ここでｎは、２以上かつＮ未満の整数とする。

そして制御部１１は、当該選択された複数の機械学習モデルを用いた所定の推定処理を実行する。この制御部１１の詳しい動作については後に説明する。

記憶部１２は、メモリデバイスやディスクデバイス等であり、制御部１１によって実行されるプログラムを保持する。本実施の形態ではこのプログラムは、コンピュータ可読かつ非一時的な、ＤＶＤ等の記録媒体に格納されて提供され、この記憶部１２に格納されたものであってもよい。またこの記憶部１２は、制御部１１のワークメモリとしても動作する。

操作部１３は、マウスやキーボード等であり、利用者の指示操作を受け入れて、当該指示操作の内容を表す情報を、制御部１１に出力する。表示部１４は、ディスプレイ等であり、制御部１１が出力する指示に従って情報を表示する。

通信部１５は、ネットワークインタフェース等であり、制御部１１が出力する指示に従い、ネットワークを介して接続されるサーバ等に対して情報を送出する。また、この通信部１５は、ネットワークを介して接続されるサーバ等から情報を受信して制御部１１に出力する。

次に制御部１１の動作について説明する。本実施の形態では、制御部１１は、記憶部１２に格納されたプログラムを実行することで、図２に例示するように、機能的に、機械学習モデル設定部２１と、学習処理部２２と、評価取得部２３と、選択部２４と、アンサンブル処理部２５とを含む構成を実現する。

機械学習モデル設定部２１は、所定の推定情報を出力するＮ個の機械学習モデルに対し、機械学習のパラメータを設定して、当該機械学習モデルに係る情報を記憶部１２に保持する。ここでＮは、３以上の整数とする。本実施の形態の一例では、機械学習モデル設定部２１は、機械学習のパラメータとして、機械学習モデルに係る情報のシードを、互いに異ならせて設定する。

ここで機械学習モデルに係る情報のシードは、機械学習モデルを特徴づける量であり、例えば機械学習モデルが多層のニューラルネットワークからなるモデルである場合は、当該層間の重みやバイアス値等の初期値である。つまり、本実施の形態の一例では、機械学習モデル設定部２１は、Ｎ個の機械学習モデルのそれぞれとして多層のニューラルネットワークからなるモデルを設定し、それぞれの層間の重みやバイアス値等の初期値を例えばランダムに設定して、互いに異なるシードとする。

本実施の形態の一例では、情報処理装置１のＮ個の機械学習モデルに入力される入力データは、例えば複数の特徴量を含む。ここでの例では、複数の特徴量が複数の国のインデックス（株価指数情報）に基づいて算出されるものとする。具体的に入力データは所定の次元のベクトル量であり、複数の特徴量を反映した所定次元のベクトルを入力データとして生成する方法は、機械学習の技術において広く知られた種々の方法を採用できるので、ここでの詳しい説明は省略する。

ここでは推定の対象とする市場のインデックスに加えて、または当該インデックスに代えて、他国のインデックスも用いる。これは、推定の対象とする市場が閉じている間も変化している他国のインデックスデータに基づく特徴量を入力データに含めることで、予測精度を向上できると考えられるためである。

学習処理部２２は、機械学習モデル設定部２１が設定したＮ個の機械学習モデルのそれぞれについて入力データと、当該入力データに対応する正解データとを用いて機械学習処理を実行する。

すなわち学習処理部２２は、互いに異なるシードが設定されたＮ個の機械学習モデルのそれぞれに入力データを入力し、その出力と、当該入力データに対応する正解データとの比較の結果に基づいて、対応する機械学習モデルのノード間の重みやバイアス情報をバックプロパゲーションにより更新する。ここでＮ個の機械学習モデルに入力する入力データは、いずれも共通のものとしてよい。

ここでの例では、ある日付Ｄにおける日本での市場開場前までの複数国の市場のインデックスに基づく特徴量により入力データを機械学習モデルに入力することとする。そしてこの例では学習処理部２２の出力と対応する正解データとは、例えば、当該日付Ｄにおける日経平均株価（以下「Ｎ２２５」という）の始値に対する終値の比など、所定のインデックスの実際の値に基づくデータを正解データとする。以下、インデックスの始値に対する終値の比を、当該インデックス情報の変化率と呼ぶ。なお、ここで推定し、あるいは正解データとする変化率は、始値に対する高値や安値の比としてもよい。

評価取得部２３は、予め定めた評価のタイミングが到来すると、学習処理部２２にて機械学習処理したＮ個の機械学習モデルのそれぞれを評価した評価情報Ｖを取得する。具体的にここで評価取得部２３は、学習処理部２２での機械学習処理が終了したと判断されるタイミングで、機械学習処理されたＮ個の機械学習モデルのそれぞれを評価した評価情報Ｖを生成する。

この評価情報Ｖは、例えば広く知られた推定精度、すなわちAccuracyや、適合率、すなわちPrecisionなどの評価値でよい。一例として本実施の形態の上述の例のように、Ｎ２２５の変化率等のインデックスに関する推定を行う場合、当該インデックスの始値に対する終値の比である変化率を、どの程度の精度で正しく推定できたかを表す値、つまり正解率、あるいは勝率を、推定精度とする。

選択部２４は、評価取得部２３が取得した評価情報Ｖに基づく所定の条件を用いて、Ｎ個の機械学習モデルのうちから、ｎ個の機械学習モデルを選択する。ここでｎは２以上かつＮ未満の整数である。例えば選択部２４は、当該評価情報Ｖが互いにばらつかず、また、評価情報Ｖの評価が十分高いと判断されるｎ個の機械学習モデルを選択することとすればよい。

本実施の形態の一例では、選択部２４は、Ｎ個の機械学習モデルのそれぞれの推定精度を表す評価情報Ｖを、降順に、つまり高評価なものから順に配列する。そして選択部２４は、推定精度を表す評価情報Ｖが高評価である上位ｎ個の機械学習モデルを選択する。

アンサンブル処理部２５は、当該選択されたｎ個の機械学習モデルを用いて所定の推定処理を実行する。本実施の形態の例では、アンサンブル処理部２５は、推定の対象の日付以前の日付Ｄに得られた複数の種類のインデックス情報を受け入れて、機械学習の処理の際と同様に、選択されたｎ個の機械学習モデルのそれぞれに入力する入力データを生成する。

アンサンブル処理部２５は、選択したｎ個の機械学習モデルに対して、当該生成した入力データをそれぞれ入力し、各機械学習モデルによる推定の結果を得る。ここで推定の結果は例えば上述のように、機械学習時に正解データとして入力された国のインデックス情報に関わる情報である。本実施の形態の一例では、アンサンブル処理部２５は、ある日付Ｄの日本での市場開場直前までの各国のインデックス情報に基づいて当該日付ＤにおけるＮ２２５の変化率を推定する。そしてアンサンブル処理部２５は、当該推定したＮ２２５の変化率に基づいて得られる、「買い」、「売り」、「N／A（Ｎｏ Ａｃｔｉｏｎ、何もしない）」のいずれかの取引サインを出力する。

具体的に、アンサンブル処理部２５は、選択されたｎ個の機械学習モデルによる個々の推定の結果を用い、推定されたＮ２２５の変化率が、所定の第一しきい値以上であれば「買い」の取引サインを出力する。またアンサンブル処理部２５は、推定されたＮ２２５の変化率が、所定の第二しきい値以下であれば、「売り」の取引サインを出力する。さらにアンサンブル処理部２５は、推定されたＮ２２５の変化率が、上記第一しきい値未満であり、第二しきい値より大きい場合は、「N／A」の取引サインを出力する。ここで第一しきい値は、０より大きい割合を表す数値、例えば＋１％、あるいは＋０．１％などとし、第二しきい値は例えば、０より小さい割合を表す数値、例えば－１％、あるいは－０．１％などとする。これらのしきい値は、経験的、あるいは実験的に定めるものとする。

［動作］
次に、本実施の形態の例に係る情報処理装置１の動作例について説明する。以下の例では、日本の経済指標の一つであるＮ２２５に連動するインデックスファンドを購入するか否かを決定するため、本日の日本市場開場の午前９時よりも前に、本日の日本市場開場後のＮ２２５に関わる値、例えばその変化率を推定し、本日の午前９時から午後３時までの日本市場開場中にするべき取引を表す「買い」、「売り」、「N／A」のいずれかの取引サインを出力する例について説明する。

本実施の形態の一例では、情報処理装置１は、機械学習処理の段階において、図３に例示するように、まず複数の機械学習モデルを設定する処理を行う（Ｓ１１）。

具体的にこの処理の内容を図４に例示する。本実施の形態の一例では、情報処理装置１は、複数の機械学習モデルを設定する処理として、機械学習処理のための入力データのもととなる複数のインデックス情報を決定する（Ｓ１１１）。このステップＳ１１１において、情報処理装置１は、日本との間で取引の多い複数の国の市場のインデックス情報を、入力データのもととなる情報として決定する。なお、このステップでは、利用者から入力データのもととなるインデックス情報を指定する情報の入力を受けて、当該入力された情報により、機械学習処理のための入力データのもととなる複数のインデックス情報を決定してもよい。

情報処理装置１は、過去の複数の日付Ｄiの日本市場の開場前の、上記ステップＳ１１１で決定した複数のインデックス情報ＩＡ，ＩＢ，ＩＣ…を取得する（Ｓ１１２）。ここでｉはｉ＝１，２，…なる自然数とする。また、インデックス情報ＩＡ，ＩＢ，ＩＣ…は、上記選択された各国の市場の値動きを表す情報である株価指数情報であり、例えばドイツのＤＡＸインデックス、オランダのＡＥＸインデックス、アメリカのＩＮＤＵインデックス（ダウ平均株価）等の情報が相当する。これらの情報は、一般にネットワークを介して取得される。

またこのステップＳ１１２では、情報処理装置１は、推定の対象となるＮ２２５の、上記複数の日付以降に開場する所定の市場での変化率を、新たな正解データとして取得する。

情報処理装置１は、取得した複数のインデックス情報Ｉごとに、特徴量を得る（Ｓ１１３）。本実施の形態では、情報処理装置１は、インデックス情報Ｉの、日付Ｄiの日本市場開場以前の日付Ｄi′における
（ａ）始値に対する終値の比（％）、
（ｂ）高値に対する終値の比（％）、
（ｃ）安値に対する終値の比（％）、及び、
（ｄ）当該日付Ｄi′の前日の終値に対する、日付Ｄiの始値の比（％）、
（ｅ）日付Ｄi′の前日の終値に対する、日付Ｄiの終値の比（％）、
（ｆ）日付Ｄi′におけるボラティリティ、
のそれぞれを表す特徴量を算出する。

情報処理装置１は、次に、互いに異なるシードに設定した、複数の機械学習モデルを設定する（Ｓ１１４）。具体的にここでは情報処理装置１は、３２個の機械学習モデルをそれぞれ互いに異なるシードで初期化して、記憶部１２に格納する。

既に述べたように、ここでの機械学習モデルは、例えば多層のニューラルネットワークからなるモデルであり、情報処理装置１は、所定の方法により、各機械学習モデルの各層のノード間の重みやバイアス値等の初期値を、互いに異ならせて、例えばそれぞれランダムに定める。

情報処理装置１は、図３のステップＳ１２に戻り、ここで設定した３２個の機械学習モデルのそれぞれの機械学習処理を実行する（Ｓ１２）。

このステップＳ１２では情報処理装置１は、ステップＳ１１４で設定した３２個の機械学習モデルのそれぞれについて、ステップＳ１１３で得た、日付Ｄiにおける特徴量を用いて入力データを生成する。そして情報処理装置１は、当該生成した入力データと、当該入力データに対応する正解データとを用いて機械学習処理を実行する。

ここでは、情報処理装置１は生成した入力データを、各機械学習モデルに入力する。情報処理装置１は、入力データの入力を受けた機械学習モデルの出力と、当該入力データに対応する正解データとの差を求める。そして情報処理装置１は、当該差に基づいて機械学習モデルのノード間の重みやバイアス情報をバックプロパゲーションにより更新する。このバックプロパゲーションの処理については広く知られているので、ここでの詳しい説明は省略する。

情報処理装置１は、ステップＳ１２で機械学習した３２個の機械学習モデルのそれぞれについて、推定精度を表す評価情報Ｖを生成する（Ｓ１３）。そして情報処理装置１は、３２個の機械学習モデルのそれぞれの推定精度を表す評価情報Ｖを、降順に、つまり高評価なものから順に配列し、その上位ｎ個、例えば４個の機械学習モデルを選択する（Ｓ１４）。

情報処理装置１は、ステップＳ１４で選択したｎ個の機械学習モデルをそれぞれ特定する情報を出力する（Ｓ１５）。

以下、情報処理装置１は、選択された複数個の機械学習モデルを利用して推定を行う推定処理を実行する。この処理では図５に例示するように、情報処理装置１は、推定の対象とする市場の開場前に得られたインデックス情報ＩＡ，ＩＢ…を受け入れ、機械学習の処理において選択されたｎ個の機械学習モデルに入力する入力データを生成する。

情報処理装置１は、得られた入力データを、選択されたｎ個の機械学習モデルにそれぞれ入力して、各機械学習モデルの推定結果を得る（Ｓ２１）。

本実施の形態のここでの例では、各機械学習モデルはＮ２２５の変化率を推定するよう機械学習された状態にあるので、情報処理装置１が得る機械学習モデルの推定結果は、対象とする市場の開場後におけるＮ２２５の変化率を推定したものとなる。

そして情報処理装置１は、各機械学習モデルのアンサンブル処理を実行する。具体的に情報処理装置１は、各機械学習モデルが推定したそれぞれのＮ２２５の変化率に基づいて、例えば、推定したＮ２２５変化率が、所定の第一のしきい値以上となっている場合「買い」とし、所定の第二のしきい値以下となっていれば「売り」とする取引サインを得る。また、情報処理装置１は、推定したＮ２２５変化率が、第一のしきい値未満であり、かつ第二のしきい値より大きいならば、「Ｎ／Ａ」とする取引サインを得る。

情報処理装置１は、こうして各機械学習モデルから得られた個々の推定の結果に対応して、それぞれ上記「買い」、「売り」、「Ｎ／Ａ」の取引サインを得る。情報処理装置１は、「買い」、「売り」、「Ｎ／Ａ」の取引サインの数をそれぞれ累算し、累算値が最も大きい取引サインを、出力する取引サインとして決定する（Ｓ２２）。これはつまり、多数決により出力する取引サインを決定することを意味する。なお、「買い」の取引サインの数と「売り」の取引サインの数とが同数であり、かつその数が「Ｎ／Ａ」の取引サインの数よりも多い場合には、情報処理装置１は、出力する取引サインとして「Ｎ／Ａ」の取引サインを決定してもよい。そして情報処理装置１は、このステップＳ２２で決定した取引サインを出力して、ユーザに提示する（Ｓ２３）。

ユーザはこの取引サインを参照して、取引の設定を行うこととすればよい。あるいは、情報処理装置１は、ステップＳ２２で得た取引サインに基づき、人為的操作なしに、所定の時刻、例えば１５時に取引を行ってもよい。具体的に情報処理装置１は、ステップＳ２２において「買い」の取引サインが得られた場合は、１５時にＮ２２５に連動するファンドを所定単位だけ購入する注文を行う。また、情報処理装置１は、ステップＳ２２において「売り」の取引サインが得られた場合は、１５時にＮ２２５に連動するファンドを所定単位だけ売却する注文を行う。さらに情報処理装置１は、ステップＳ２２において「Ｎ／Ａ」の取引サインが得られた場合は、終日、人為的操作なく取引を行わない。

このように、本実施の形態の情報処理装置１は、それぞれ互いに異なる機械学習のパラメータで機械学習したＮ個の機械学習モデルを用いている。そして情報処理装置１は、機械学習の評価結果が比較的近く、かつ評価の高い所定数個の機械学習モデルを選択する。情報処理装置１は、当該選択した機械学習モデルのアンサンブル処理を行う。これより、本実施の形態の情報処理装置１は、推定結果のばらつきを抑えて、機械学習モデルの調整や検証の必要を低減できる。また、本実施の形態の情報処理装置１は、複数の機械学習モデルのアンサンブル処理により得られる推定結果の精度を向上できる。

［シードの決定処理の変形例］
ここまでの説明では、機械学習モデル設定部２１が設定するＮ個の機械学習モデルのシードを互いに異なるものとするため、それぞれランダムに設定することとしていた。しかしながら、本実施の形態においては、Ｎ個の機械学習モデルのシードを単にランダムにするのではなく、次のようにして互いに異なるものとしてもよい。

本実施の形態の一例では、機械学習モデルは多層のニューラルネットワークからなるモデルである。この場合、機械学習モデル設定部２１により設定されたシードは、ニューラルネットワークの各層間の重み及びバイアスの初期値を初期化する。以下、第ｉ番目の機械学習モデルにおける第ｊ層と第ｊ＋１層との間の重みのベクトルをＷi,j、バイアスをｂi,jと書くこととする。

機械学習モデル設定部２１は、Ｎ個の機械学習モデルのシードを互いに異ならせる。ただし、機械学習モデル設定部２１は、各機械学習モデルのシードの一部が他の機械学習モデルのシードの一部と共通となるようにしておく。すなわち、機械学習モデル設定部２１は、どのｉについてもＷi,j、ｂi,jの一部の値がＷi',j、ｂi',jの値と等しくなるように設定する。ここでｉ′≠ｉである。

このようなシードを設定するため、機械学習モデル設定部２１は、例えば次のように処理を行う。機械学習モデル設定部２１は、Ｎ個の機械学習モデルのうち、第１番目の機械学習モデルの各層間の重みＷ1,jとバイアスｂ1,jをランダムに設定する。

機械学習モデル設定部２１は、第２番目の機械学習モデルの各層間の重みＷ2,jとバイアスｂ2,jの一部、例えば第１層と第２層との間の重みＷ2,1とバイアスｂ2,1を、第１番目の機械学習モデルの対応する層間の重みＷ1,1とバイアスｂ1,1を複写して設定する。また、機械学習モデル設定部２１は、複写した重みとバイアス以外の層間の重みＷ2,kとバイアスｂ2,k（ｋ＝２，３，…）を、ランダムに設定する。

以下、機械学習モデル設定部２１は、第ｉ番目の機械学習モデルの各層間の重みＷi,jとバイアスｂi,jの一部である、第ｍ層とその次の第ｍ＋１層との間の重みＷi,mとバイアスｂi,mを、第ｉ－１番目の機械学習モデルの対応する層間の重みＷi-1,mとバイアスｂi-1,mを複写して設定する。ここでｉは２以上の整数であり、ｍ＝（ｉ＋１） mod （Ｍ－１）＋１とする。なお、Ｍは機械学習モデルの層の数、ａ mod ｂは、ａをｂで除した余りを意味する。つまり、ｍは、ｉが１ずつ大きくなるごとに、ｍ＝１，２，…Ｍ－１，１，２…と繰り返す値となる。また機械学習モデル設定部２１は、第ｉ番目の機械学習モデルの各層間の重みとバイアスのうち、上記複写した重みとバイアス以外のものについてはランダムに決定する。

このようにすると、第ｉ番目の機械学習モデルの、ある層間の重みとバイアスが、第ｉ－１番目の機械学習モデルの対応する層間の重みとバイアスと同一となり、他の層間の重みとバイアスについては異ならされることとなる。

この例によると、一部のシードのみが重なる複数の機械学習モデルが設定されることとなり、学習処理の結果は互いに異なりつつ、類似した出力を行う機械学習モデルを得ることが期待される。

なお、ここで説明したシードの設定例は一例である。機械学習モデル設定部２１の動作は、
・Ｎ個の機械学習モデルのシードが互いに異なること、
・各機械学習モデルのシードの少なくとも一部が他の機械学習モデルのシードと共通となるように設定されること、
の条件を満足できれば、どのようなものでもよい。

［機械学習のパラメータの他の例］
また本発明の実施の形態における機械学習パラメータは、機械学習モデル設定部２１が設定するＮ個の機械学習モデルのシードに限られない。本発明の実施の形態における機械学習パラメータは、機械学習モデルに入力する入力データの種類であってもよい。

この例では、機械学習モデル設定部２１は、入力データのもととなる情報として、複数の種類の情報を用いる。一例として機械学習モデル設定部２１は、互いに異なる国の市場に係る複数のインデックス情報から、互いに異なる１つ以上のインデックス情報を選択し、当該選択したインデックス情報の組み合わせを、予め定めた数Ｘ通りだけ作成する。

また機械学習モデル設定部２１は、選択したインデックス情報のそれぞれに基づいて複数の特徴量を算出する。そして機械学習モデル設定部２１は当該算出した複数の特徴量のうち、少なくとも一部を選択して、当該選択した特徴量の組み合わせを、予め定めた数Ｙ通りだけ作成する。ここでは、一例として、これらＸ，Ｙの積、Ｘ×Ｙが、機械学習モデルの数Ｎに等しくなるようにしておくものとする。

機械学習モデル設定部２１は、このＸ×Ｙ＝Ｎ通りの特徴量の組み合わせを、Ｎ個の機械学習モデルのそれぞれの入力データとして、Ｎ個の機械学習モデルの機械学習処理に利用する。ここで特徴量のＮ通りの組み合わせは、人為的操作を受けることなく所定の条件に基づいて機械学習モデル設定部２１が作成してもよいし、利用者が明示的に指定した組み合わせを利用して機械学習モデル設定部２１が作成してもよい。

この機械学習モデル設定部２１の動作をさらに具体的な例を用いて説明する。本実施の形態の一例では、情報処理装置１は、入力データのもととなる情報として、過去の複数の日付Ｄ1，Ｄ2，…におけるインデックス情報ＩＡ（Ｄ1），ＩＡ（Ｄ2），…ＩＢ（Ｄ1），ＩＢ（Ｄ2）…，Ｉi（Ｄk），…を受け入れる。ここで、それぞれのインデックス情報Ｉi（Ｄk）について、
（ａ）始値に対する終値の比（％）、
（ｂ）高値に対する終値の比（％）、
（ｃ）安値に対する終値の比（％）、及び、
（ｄ）当該日付Ｄkの前日の終値に対する、日付Ｄkiの始値の比（％）、
（ｅ）日付Ｄkの前日の終値に対する、日付Ｄkの終値の比（％）、
（ｆ）日付Ｄkにおけるボラティリティ、
など複数種類の特徴量が算出される。

つまり、ここでは上記６種類の特徴量をそれぞれ算出するために、複数のインデックス情報ＩＡ，ＩＢ，ＩＣ…を、制御部１１が受け入れるものとする。上述の例では、制御部１１は、過去の複数の日付Ｄ1，Ｄ2，…ごとに、インデックス情報Ｉの数×６種類の特徴量を算出することとなる。なお、上記（ｄ），（ｅ）において前日の終値と、その翌日の市場の情報との比を求めているのは、他国の取引の状況を受けて、市場の閉場中であってもインデックス情報が変化することがあることを考慮したものである。

また機械学習モデル設定部２１は、日付Ｄkにおける１つ以上の第１のインデックス情報Ｉi（Ｄk）に基づいて算出される特徴量を含む入力データに対応する正解データとして、当該日付Ｄk以降の日付における第２のインデックス情報に関係する情報を取得する。ここで第２のインデックス情報は、機械学習モデルによる推定の対象となる国のインデックス情報とし、第１のインデックス情報は、当該推定の対象となる国とは異なる国のインデックス情報を含むものとする。

そして機械学習モデル設定部２１は、図６に例示するように、インデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ…のうちから一部を選択して、当該選択したインデックス情報を組み合わせることで、複数通りの互いに異なるインデックス情報の組み合わせｘを作成する。さらに機械学習モデル設定部２１は、インデックス情報の組み合わせのそれぞれに基づいて算出される、特徴量の種類（ａ）ないし（ｆ）の組み合わせｙを複数列挙する。図６の例では、
組み合わせ１：（ａ，ｂ，ｃ）
組み合わせ２：（ａ，ｂ，ｃ，ｆ）
組み合わせ３：（ａ，ｂ，ｃ，ｄ，ｆ）
組み合わせ４：（ａ，ｂ，ｃ，ｅ，ｆ）
がそれぞれ列挙されているものとしている。なお、図６では、後に説明する、各インデックス情報の組み合わせと、特徴量の種類の組み合わせとを掛け合わせて特徴量の組み合わせを複数通り設定しており、また、当該複数通りの特徴量の組み合わせのそれぞれに基づく入力データを入力して機械学習した機械学習モデルの評価情報Ｖも示している。この評価情報Ｖについては後に述べる。

機械学習モデル設定部２１は、ここで用意したＸ通りのインデックス情報の組み合わせと、Ｙ通りの特徴量の種類との組み合わせとからなるＸ×Ｙ＝Ｎ通りの特徴量の組み合わせのそれぞれに対応するＮ個の機械学習モデルを初期化して、記憶部１２に格納する。

この例でも機械学習モデルは、例えば多層のニューラルネットワークからなるモデルでよく、ここでは各層のノード間の重みとバイアス情報とのシードを、例えばランダムな値に設定することが、ここでの機械学習モデルの初期化に相当する。またこの初期化の方法は広く知られた方法を採用できる。

学習処理部２２は、機械学習モデル設定部２１が設定したＮ個の機械学習モデルのそれぞれについて対応する入力データと、当該入力データに対応する正解データとを用いて機械学習処理を実行する。

すなわち学習処理部２２は、Ｎ個の機械学習モデルのうち、第１番目の機械学習モデルについては、各日付Ｄ1，Ｄ2，…のインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＨのそれぞれについての上記組み合わせ１に係る種類の特徴量（ａ），（ｂ），（ｃ）を含む入力データを、対応する入力データとする。

また学習処理部２２は、当該入力データを入力したときの第１番目の機械学習モデルの出力を得て、日付Ｄiに係る入力データを第１番目の機械学習モデルに入力して得られた出力と、日付Ｄiに係る入力データに対応する正解データとを比較して、当該比較の結果に基づいて、第１番目の機械学習モデルのノード間の重みやバイアス情報をバックプロパゲーションにより更新する。

学習処理部２２は、第ｊ番目の機械学習モデルについても同様に、当該第ｊ番目の機械学習モデルに対応する入力データを入力し、その出力と、当該入力データに対応する正解データとの比較の結果に基づいて、第ｊ番目の機械学習モデルのノード間の重みやバイアス情報をバックプロパゲーションにより更新する。ここでｊ＝２，３…Ｎである。

評価取得部２３は、予め定めた評価のタイミングが到来すると、学習処理部２２にて機械学習処理したＮ個の機械学習モデルのそれぞれを評価した評価情報Ｖを取得する。具体的にここで評価取得部２３は、学習処理部２２での機械学習処理が終了したと判断されるタイミングで、機械学習処理されたＮ個の機械学習モデルのそれぞれを評価した評価情報Ｖを生成する。

この評価情報Ｖは、例えば広く知られた推定精度、すなわちAccuracyや、適合率、すなわちPrecisionなどの評価値でよい。一例として本実施の形態の上述の例のように、所定のインデックスに関する推定を行う場合、当該所定のインデックスの始値に対する終値の変化率をどの程度正しく推定できたかを表す値、つまり正解率、あるいは勝率を、推定精度とする。

この評価取得部２３の動作により、本実施の形態の情報処理装置１は、図６に例示したように、行方向にＸ通りのインデックス情報の組み合わせｘを配列し、列方向に組み合わせに係るインデックス情報のそれぞれに基づいて算出されるＹ通りの特徴量の種類の組み合わせｙを配列した、Ｘ×Ｙ＝Ｎ個の評価情報Ｖを得る。この評価情報Ｖの各々は、Ｎ個の機械学習モデルのそれぞれの評価情報となっている。

選択部２４は、評価取得部２３が取得した評価情報Ｖに基づく所定の条件を用いて、Ｎ個の機械学習モデルのうちから、ｎ個の機械学習モデルを選択する。ここでｎは２以上かつＮ未満の整数である。

本実施の形態の一例では、選択部２４は、Ｎ個の機械学習モデルのそれぞれの推定精度を表す評価情報Ｖを、降順に、つまり高評価なものから順に配列する。そして選択部２４は、推定精度を表す評価情報Ｖが高評価である上位ｎ個の機械学習モデルを選択する。

アンサンブル処理部２５は、当該選択されたｎ個の機械学習モデルを用いて所定の推定処理を実行する。本実施の形態の例では、アンサンブル処理部２５は、推定の対象の日付以前の日付Ｄに得られたインデックス情報ＩＡ（Ｄ），ＩＢ（Ｄ）…を受け入れて、機械学習の処理の際と同様に、選択されたｎ個の機械学習モデルのそれぞれについて対応する入力データを生成する。

例えば推定の対象の日付の前日及び前々日のインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＨから、それぞれに含まれる特徴量（ａ），（ｂ），（ｃ）を抽出し、当該抽出した特徴量の組み合わせに基づく入力データを用いて機械学習した機械学習モデルＬ１と、インデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＨから、それぞれに含まれる特徴量（ａ），（ｂ），（ｃ），（ｆ）を抽出し、当該抽出した特徴量の組み合わせに基づく入力データを用いて機械学習した機械学習モデルＬ２とが選択されているとする。この場合、アンサンブル処理部２５は、上記機械学習モデルＬ１に対しては、推定の対象の日付以前の日付Ｄにおけるインデックス情報ＩＡ（Ｄ），ＩＢ（Ｄ），ＩＣ（Ｄ），ＩＨ（Ｄ）のそれぞれから特徴量（ａ），（ｂ），（ｃ）を抽出し、当該抽出した特徴量に基づいて入力データを生成する。

また、機械学習モデルＬ２に対しては、推定の対象の日付以前の日付Ｄに得られたインデックス情報ＩＡ（Ｄ），ＩＢ（Ｄ），ＩＣ（Ｄ），ＩＨ（Ｄ）のそれぞれから特徴量（ａ），（ｂ），（ｃ），（ｆ）を抽出し、当該抽出した特徴量に基づいて入力データを生成する。

アンサンブル処理部２５は、以下同様に選択した機械学習モデルに対して、当該機械学習モデルを機械学習する際に用いたものと同じ種類の情報を抽出する。つまりここでの例では、アンサンブル処理部２５は、機械学習の際に用いた国のインデックス情報と同じ国のインデックス情報から同じ種類の特徴量を抽出する。そしてアンサンブル処理部２５は、当該抽出した特徴量に基づいて入力データを生成する。

アンサンブル処理部２５は、選択した機械学習モデルに対して、対応して生成した入力データをそれぞれ入力し、各機械学習モデルによる推定の結果を得る。ここで推定の結果は例えば上述のように、機械学習時に正解データとして入力された国のインデックス情報であり、具体的には上記日付Ｄの翌日のＮ２２５の変化率である。そしてアンサンブル処理部２５は、当該推定の結果である変化率に基づいて、「買い」、「売り」、「N／A（Ｎｏ Ａｃｔｉｏｎ、何もしない）」の取引サインのいずれかを選択して出力する。

具体的に、アンサンブル処理部２５は、選択されたｎ個の機械学習モデルによる個々の推定の結果を用い、推定されたＮ２２５の変化率が、所定の第一しきい値以上であれば「買い」の取引サインを出力する。またアンサンブル処理部２５は、推定されたＮ２２５の変化率が、所定の第二しきい値以下であれば、「売り」の取引サインを出力する。さらにアンサンブル処理部２５は、推定されたＮ２２５の変化率が、上記第一しきい値未満であり、第二しきい値より大きい場合は、「N／A」の取引サインを出力する。ここで第一しきい値は、０より大きい割合を表す数値、例えば＋１％、あるいは＋０．１％などとし、第二しきい値は例えば、０より小さい割合を表す数値、例えば－１％、あるいは－０．１％などとする。これらのしきい値は、経験的、あるいは実験的に定めるものとする。

アンサンブル処理部２５は、各機械学習モデルから得られた個々の推定の結果に対応して、それぞれ上記「買い」、「売り」、「N／A」の取引サインを得る。そしてアンサンブル処理部２５は、これらのうち最も数の多く得られた取引サインを出力する。

もっとも、ここで説明したアンサンブル処理部２５の処理は一例であり、この他の方法、例えば、各機械学習モデルによる個々の推定の結果を平均してＮ２２５の変化率の推定値とし、当該推定値が本日開場時のＮ２２５に比べ所定の第一しきい値以上であれば「買い」とし、所定の第二のしきい値以下であれば「売り」とする取引サインを出力することとしてもよい。またこの例でも上記推定値が、所定の第一しきい値未満であり、第二しきい値より大きい場合は「Ｎ／Ａ」とする取引サインを出力する。

［選択の処理例］
またここまでの例において、機械学習処理の際に、推定の処理に用いる機械学習モデルを選択する方法として、それぞれ互いに異なる機械学習のパラメータで機械学習したＮ個の機械学習モデルの評価情報Ｖを得て、当該評価情報Ｖの順に配列し、その上位ｎ個の機械学習モデルを選択することとしていた。しかし、本実施の形態における選択の方法はこの方法に限られない。

例えば、情報処理装置１は、インデックス情報を問わず、特徴量の組み合わせが同じである入力データを入力した機械学習モデルの評価情報Ｖとしての評価値の平均値、中央値、あるいは最大値などの統計量を求める。情報処理装置１は、ここで求めた統計量が、もっとも評価の高いものであることを表している特徴量の組み合わせを見出す。

具体的に図３に例示した評価情報Ｖであれば、
特徴量の種類の組み合わせ（ａ，ｂ，ｃ）について、その評価値の平均５２．０５、標準偏差１．２３
組み合わせ（ａ，ｂ，ｃ，ｆ）について、評価値の平均５３．４６、標準偏差１．７２
組み合わせ（ａ，ｂ，ｃ，ｄ，ｆ）について、評価値の平均５２．３６、標準偏差０．７０
組み合わせ（ａ，ｂ，ｃ，ｅ，ｆ）について、評価値の平均５１．７７、標準偏差０．６９
といった統計量が得られる。情報処理装置１はこの統計量を用いて、標準偏差が所定値（例えば、標準偏差の平均値）を下回り、かつ、評価値の平均値が最も高いなどの条件で、一つの特徴量の種類の組み合わせを選択する。ここでの例では、以上の条件から、組み合わせ（ａ，ｂ，ｃ，ｄ，ｆ）が選択される。

そして情報処理装置１は、インデックス情報を問わず、特徴量の種類（ａ，ｂ，ｃ，ｄ，ｆ）の組み合わせに基づく入力データにて機械学習処理した機械学習モデルを選択することとしてもよい。

また別の例では、情報処理装置１は、特徴量の種類の組み合わせを問わず、インデックス情報の組み合わせが同じである入力データを入力した機械学習モデルの評価情報Ｖとしての評価値の平均値、中央値、あるいは最大値などの統計量を求める。情報処理装置１は、ここで求めた統計量が、もっとも評価の高いものであることを表しているインデックス情報の組み合わせを見出す。

図３に例示した評価情報Ｖであれば、
（１）インデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＨの組み合わせ
（２）インデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＦ，ＩＨの組み合わせ
…
（８）インデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ，ＩＥ，ＩＦ，ＩＧ，ＩＨ，ＩＩの組み合わせのそれぞれに係る評価値について、
（１） 平均５１．７９、標準偏差０．９０
（２） 平均５１．９８、標準偏差０．５８
（３） 平均５２．６２、標準偏差０．８９
（４） 平均５１．８１、標準偏差１．２０
（５） 平均５３．４３、標準偏差０．３９
（６） 平均５１．６９、標準偏差０．３１
（７） 平均５３．２３、標準偏差２．９１
（８） 平均５２．７２、標準偏差０．８０
といった統計量が得られる。情報処理装置１はこの統計量を用いて、標準偏差がその平均を下回り、かつ、評価値の平均値が最も高いなどの条件で、一つの特徴量の組み合わせを選択する。ここでの例では、以上の条件から、インデックス情報の組み合わせ（Ｖ）、すなわちインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ，ＩＥ，ＩＨ，ＩＩの組み合わせが選択される。

そして情報処理装置１は、特徴量を問わず、インデックス情報の組み合わせがインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ，ＩＥ，ＩＨ，ＩＩである入力データにて機械学習処理した機械学習モデルを選択してもよい。

このような選択の例によると、ばらつきが比較的小さく、評価値が比較的高いインデックス情報、及び／または特徴量の種類の組み合わせを複数得ることができる。またこの例では、得られた特徴量の組み合わせを利用して機械学習した複数の機械学習モデルのアンサンブル処理を行うようにした。このことで、推定結果のばらつきを抑えて、機械学習モデルの調整や検証の必要を低減しつつ、複数の機械学習モデルのアンサンブル処理結果の精度を向上できる。

もっとも、この例は一例であり、例えば評価情報である評価値が高い順に並べたとき、上位ｎ個の特徴量の組み合わせを選択しても構わない。

［二段階の選択］
またここまでの説明では、例えば入力データの生成に用いる特徴量の組み合わせを選択するために機械学習した機械学習モデルをそのまま推定の処理に用いることとしたが、本実施の形態はこれに限られない。

本実施の形態の一例では、情報処理装置１は、入力データの生成に用いる特徴量の組み合わせを選択する第一段階の選択の処理の後、図７に例示する第二段階の選択の処理を開始することとしてもよい。この第二段階の選択の処理では、情報処理装置１は、機械学習モデルをＮ′個用意し、それぞれの機械学習パラメータの一例であるシードを互いに異ならせて設定する（Ｓ３１）。ここでシードを互いに異ならせる方法としては例えばランダムに設定する方法など、既に説明した方法を採用できる。

またここでＮ′は、３以上の整数であるものとする。そして情報処理装置１は、第一段階の選択の処理で選択した特徴量の組み合わせに基づく入力データを用いて、Ｎ′個の機械学習モデルの機械学習処理を実行する（Ｓ３２）。

情報処理装置１は、ステップＳ３２の機械学習処理の結果として得られたＮ′個の機械学習モデルのそれぞれについて評価情報を生成する（Ｓ３３）。ここでの評価情報は既に述べた推定精度の情報でよい。情報処理装置１は、ステップＳ３３で生成した評価情報の降順にＮ′個の機械学習モデルを配列し、そのうちの一部、上位ｎ′個の機械学習モデルを選択する（Ｓ３４）。ここでｎ′は、２以上Ｎ′未満の整数である。

そして情報処理装置１は、ここで選択したｎ′個の機械学習モデルを、アンサンブル処理による推定の処理に供する。

なお、この例では、当初選択する特徴量の組み合わせは複数ある必要は必ずしもない。そこでこの例では、情報処理装置１は、上述の図３のステップＳ１４の処理において、評価情報Ｖが最も高い値となっている特徴量の組み合わせを一つ選択して、当該選択した特徴量の組み合わせにより、ステップＳ３２における機械学習処理を実行してもよい。

また情報処理装置１は、次のようにして特徴量の組み合わせを一つ選択してもよい。すなわち情報処理装置１は、インデックス情報を問わず、特徴量の組み合わせが同じである入力データを入力した機械学習モデルの評価情報Ｖとしての評価値の平均値、中央値、あるいは最大値などの統計量を求める。そしてここで求めた統計量が、所定の条件を満足する特徴量の組み合わせを見出す。ここで所定の条件は例えば、標準偏差がその平均値を下回り、かつ、評価値の平均値が最も高いなどの条件でよい。既に述べたように、この条件の下では、図６の例では、組み合わせ（ａ，ｂ，ｃ，ｄ，ｆ）が選択される。

また情報処理装置１は、特徴量を問わず、インデックス情報の組み合わせが同じである入力データを入力した機械学習モデルの評価情報Ｖとしての評価値の平均値、中央値、あるいは最大値などの統計量を求める。情報処理装置１は、ここで求めた統計量が、所定の条件を満足するインデックス情報の組み合わせを見出す。

ここでの所定の条件は、標準偏差がその平均値を下回り、かつ、評価値の平均値が最も高いなどの条件でよい。既に述べたように、図６の例では、以上の条件から、インデックス情報の組み合わせ（Ｖ）、すなわちインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ，ＩＥ，ＩＨ，ＩＩの組み合わせが選択される。

そして情報処理装置１は、これらの選択により、インデックス情報の組み合わせをインデックス情報ＩＡ，ＩＢ，ＩＣ，ＩＤ，ＩＥ，ＩＨ，ＩＩとし、かつ、特徴量の組み合わせを（ａ，ｂ，ｃ，ｄ，ｆ）として、この特徴量の組み合わせに基づいて入力データを生成して用いることとする。

このような選択の例によると、インデックス情報や特徴量に欠損があるなどした場合などにおいてもばらつきが比較的小さく、かつ評価値が比較的高いインデックス情報、及び／または特徴量の組み合わせを得ることができる。

［市場が閉じている場合］
さらに本実施の形態の情報処理装置１は、アンサンブル処理部２５としての動作を行うにあたり、所定の条件を満足する際には機械学習モデルを用いることなく、情報の出力を行ってもよい。

具体的に情報処理装置１は、入力データの元となる複数の種類のインデックス情報のうちに、取得できないインデックス情報がある場合は、「Ｎ／Ａ」とする取引サインを出力してもよい。このような場合としては、当該インデックス情報に係る市場が休日などの都合で休場している場合が考えられる。

また情報処理装置１は、推定の対象とする市場、例えばここまでの例で言えばＮ２２５に係る日本市場が、休日などの事情で休場している場合は、「Ｎ／Ａ」とする取引サインを出力する。

［その他の変形例］
また上述の例では、日本との間で輸出入の取引の多い複数の国を選択し、当該選択した国のインデックス情報を用いる例について述べたが、この選択は、日本からの輸入量の多い複数の国を選択することとしてもよいし、日本への輸出量の多い複数の国を選択することとしてもよい。また、情報処理装置１は、所定期間（例えば数年以上）に亘る輸出量または輸入量が多い複数の国を選択してもよい。

また、ここでは機械学習の推定の対象が日経平均株価（Ｎ２２５）である場合を例としたが、もちろんこれは一例に過ぎず、例えば、推定の対象がＴＯＰＩＸであってもよい。

また、インデックス情報の変化量が、機械学習の推定の対象であってもよい。例えばＮ２２５の前日からの変化量が、機械学習の推定の対象であってもよい。

１ 情報処理装置、１１ 制御部、１２ 記憶部、１３ 操作部、１４ 表示部、１５ 通信部、２１ 機械学習モデル設定部、２２ 学習処理部、２３ 評価取得部、２４ 選択部、２５ アンサンブル処理部。

Claims (12)

1. 入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、２以上の整数Ｎ個の機械学習モデルに係る情報を保持する保持手段と、
   互いに異なる種類の入力データであって、当該入力データの種類が、前記入力データの元となる情報の種類、および当該入力データの元となる情報に基づいて算出される特徴量の種類に基づいて決定される入力データを受け入れ、当該受け入れた互いに異なる種類の入力データを用いて、前記機械学習モデルの各々に機械学習させる学習処理手段と、
   前記機械学習モデルの各々を評価した評価情報を取得する評価取得手段と、
   前記取得した評価情報に基づいて、前記Ｎ個の機械学習モデルのうち、１以上かつ前記Ｎ未満の整数ｎ個の機械学習モデルを選択する選択手段と、
   を含み、
   前記評価取得手段は、前記Ｎ個の機械学習モデルの各々による推定精度を表す評価値を、前記評価情報として取得し、
   前記選択手段は、前記Ｎ個の機械学習モデルのうち、前記評価値の統計量が比較的高く、前記評価値の標準偏差が比較的小さい前記Ｎ未満の整数ｎ個の機械学習モデルを選択し、
   前記選択手段により選択された機械学習モデルを用いた所定の推定処理を実行する情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記学習処理手段は、前記入力データの元となる複数の種類の情報のＸ通りの組み合わせと、前記入力データの元となる情報に基づいて算出される複数の種類の特徴量のＹ通りの組み合わせとを組み合わせて得たＸ×Ｙ＝Ｎ種類の入力データを用いて、前記保持手段が保持するＮ個の機械学習モデルのそれぞれを機械学習させる情報処理装置。
3. 請求項１または２に記載の情報処理装置であって、
   前記評価取得手段は、前記保持手段が保持するＮ個の機械学習モデルの各々による推定精度を表す評価値を、前記評価情報として取得し、
   前記選択手段は、前記Ｎ個の機械学習モデルのうち、前記評価値が高い順に上位ｎ個の機械学習モデルを選択する情報処理装置。
4. 請求項１から３のいずれか一項に記載の情報処理装置であって、
   前記所定の推定処理は、前記選択された２以上の整数ｎ個の機械学習モデルのそれぞれに対して入力データを入力し、当該ｎ個の機械学習モデルのそれぞれが出力する結果に関する統計処理を行って、推定結果を取得する処理である情報処理装置。
5. 請求項１から４のいずれか一項に記載の情報処理装置であって、
   前記保持手段は、前記選択したｎ個の機械学習モデル毎にシードを互いに異ならせて設定した３以上の整数Ｎ′個の機械学習モデルに係る情報をさらに保持し、
   前記学習処理手段は、前記入力データを用いて、前記Ｎ′個の機械学習モデルの各々にさらに機械学習させ、
   前記評価取得手段は、前記Ｎ′個の機械学習モデルの各々を評価した評価情報をさらに取得し、
   前記選択手段は、前記取得した評価情報に基づいて、前記Ｎ′個の機械学習モデルのうち、前記Ｎ′未満の整数ｎ′個の機械学習モデルを最終的に選択する情報処理装置。
6. 入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、２以上の整数Ｎ個の機械学習モデルに係る情報を保持する保持手段と、
   互いに異なる種類の入力データであって、当該入力データの種類が、前記入力データの元となる情報の種類、および当該入力データの元となる情報に基づいて算出される特徴量の種類に基づいて決定される入力データを受け入れ、当該受け入れた互いに異なる種類の入力データを用いて、前記機械学習モデルの各々に機械学習させる学習処理手段と、
   前記機械学習モデルの各々を評価した評価情報を取得する評価取得手段と、
   前記取得した評価情報に基づいて、前記Ｎ個の機械学習モデルのうち、１以上かつ前記Ｎ未満の整数ｎ個の機械学習モデルを選択する選択手段と、
   を含み、
   前記保持手段は、前記選択したｎ個の機械学習モデル毎にシードを互いに異ならせて設定した３以上の整数Ｎ′個の機械学習モデルに係る情報をさらに保持し、
   前記学習処理手段は、前記入力データを用いて、前記Ｎ′個の機械学習モデルの各々にさらに機械学習させ、
   前記評価取得手段は、前記Ｎ′個の機械学習モデルの各々を評価した評価情報をさらに取得し、
   前記選択手段は、前記取得した評価情報に基づいて、前記Ｎ′個の機械学習モデルのうち、前記Ｎ′未満の整数ｎ′個の機械学習モデルを最終的に選択し、
   前記選択手段により選択された機械学習モデルを用いた所定の推定処理を実行する情報処理装置。
7. 請求項１から６のいずれか一項に記載の情報処理装置であって、
   前記学習処理手段は、前記受け入れた入力データを用いて、推定の対象となる国の市場推定に係る情報を出力するよう、前記機械学習モデルの各々に機械学習させる手段であり、
   前記入力データは、前記推定の対象となる国とは異なる国の市場インデックスの情報に基づいて得られる特徴量を含み、
   前記評価情報は、前記市場推定に係る情報の正解率である情報処理装置。
8. 請求項７に記載の情報処理装置であって、
   前記入力データは、前記市場インデックスの情報に基づいて得られる、始値、終値、高値および安値の少なくとも一つに基づいて算出される特徴量を含む情報処理装置。
9. 請求項７または８に記載の情報処理装置であって、
   前記市場推定に係る情報に基づいて、前記推定の対象となる国の市場で推薦される売買行動を表す情報を出力する情報処理装置。
10. 請求項７から９のいずれか一項に記載の情報処理装置であって、
    前記市場推定に係る情報は、前記推定の対象となる国の市場インデックスの変化に係る情報である情報処理装置。
11. コンピュータを、
    入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、２以上の整数Ｎ個の機械学習モデルに係る情報を保持する保持手段と、
    互いに異なる種類の入力データであって、当該入力データの種類が、前記入力データの元となる情報の種類、および当該入力データの元となる情報に基づいて算出される特徴量の種類に基づいて決定される入力データを受け入れ、当該受け入れた互いに異なる種類の入力データを用いて、前記機械学習モデルの各々に機械学習させる学習処理手段と、
    前記機械学習モデルの各々を評価した評価情報を取得する評価取得手段と、
    前記取得した評価情報に基づいて、前記Ｎ個の機械学習モデルのうち、１以上かつ前記Ｎ未満の整数ｎ個の機械学習モデルを選択する選択手段と、
    として機能させ、
    コンピュータを、前記評価取得手段として機能させる際には、前記Ｎ個の機械学習モデルの各々による推定精度を表す評価値を、前記評価情報として取得させ、
    前記選択手段として機能させる際には、前記Ｎ個の機械学習モデルのうち、前記評価値の統計量が比較的高く、前記評価値の標準偏差が比較的小さい前記Ｎ未満の整数ｎ個の機械学習モデルを選択させ、
    当該選択された複数の機械学習モデルを用いた所定の推定処理を実行させるプログラム。
12. コンピュータを、
    入力データの入力を受けて所定の推定情報を出力する機械学習モデルであって、２以上の整数Ｎ個の機械学習モデルに係る情報を保持する保持手段と、
    互いに異なる種類の入力データであって、当該入力データの種類が、前記入力データの元となる情報の種類、および当該入力データの元となる情報に基づいて算出される特徴量の種類に基づいて決定される入力データを受け入れ、当該受け入れた互いに異なる種類の入力データを用いて、前記機械学習モデルの各々に機械学習させる学習処理手段と、
    前記機械学習モデルの各々を評価した評価情報を取得する評価取得手段と、
    前記取得した評価情報に基づいて、前記Ｎ個の機械学習モデルのうち、１以上かつ前記Ｎ未満の整数ｎ個の機械学習モデルを選択する選択手段と、
    として機能させ、
    コンピュータを、前記保持手段として機能させる際には、前記選択したｎ個の機械学習モデル毎にシードを互いに異ならせて設定した３以上の整数Ｎ′個の機械学習モデルに係る情報をさらに保持させ、
    前記学習処理手段として機能させる際には、前記入力データを用いて、前記Ｎ′個の機械学習モデルの各々にさらに機械学習させ、
    前記評価取得手段として機能させる際には、前記Ｎ′個の機械学習モデルの各々を評価した評価情報をさらに取得させ、
    前記選択手段として機能させる際には、前記取得した評価情報に基づいて、前記Ｎ′個の機械学習モデルのうち、前記Ｎ′未満の整数ｎ′個の機械学習モデルを最終的に選択させて、
    当該選択された複数の機械学習モデルを用いた所定の推定処理を実行させるプログラム。

Images