JP6998498B1 - 情報処理装置、及びプログラム - Google Patents
情報処理装置、及びプログラム Download PDFInfo
- Publication number
- JP6998498B1 JP6998498B1 JP2021535264A JP2021535264A JP6998498B1 JP 6998498 B1 JP6998498 B1 JP 6998498B1 JP 2021535264 A JP2021535264 A JP 2021535264A JP 2021535264 A JP2021535264 A JP 2021535264A JP 6998498 B1 JP6998498 B1 JP 6998498B1
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- information
- input data
- learning models
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
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。
(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。
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。
・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。
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。
(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。
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。
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。
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。
(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。
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。
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。
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。
Claims (12)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021206546A JP7245314B2 (ja) | 2020-06-29 | 2021-12-20 | 情報処理装置、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/025569 WO2022003793A1 (ja) | 2020-06-29 | 2020-06-29 | 情報処理装置、及びプログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021206546A Division JP7245314B2 (ja) | 2020-06-29 | 2021-12-20 | 情報処理装置、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022003793A1 JPWO2022003793A1 (ja) | 2022-01-06 |
JP6998498B1 true JP6998498B1 (ja) | 2022-01-18 |
Family
ID=79317593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021535264A Active JP6998498B1 (ja) | 2020-06-29 | 2020-06-29 | 情報処理装置、及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6998498B1 (ja) |
WO (1) | WO2022003793A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09128360A (ja) * | 1995-10-27 | 1997-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データの学習方法及び装置 |
JP2013020353A (ja) * | 2011-07-08 | 2013-01-31 | Fujifilm Corp | 判別器生成方法、装置およびプログラム |
US20170316164A1 (en) * | 2016-04-29 | 2017-11-02 | Stichting Imec Nederland | Method and device for estimating a condition of a person |
WO2019171416A1 (ja) * | 2018-03-05 | 2019-09-12 | 日本電気株式会社 | 画像分類システム、画像分類方法および画像分類プログラム |
JP2020009301A (ja) * | 2018-07-11 | 2020-01-16 | 株式会社日立製作所 | 情報処理装置および情報処理方法 |
-
2020
- 2020-06-29 JP JP2021535264A patent/JP6998498B1/ja active Active
- 2020-06-29 WO PCT/JP2020/025569 patent/WO2022003793A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09128360A (ja) * | 1995-10-27 | 1997-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データの学習方法及び装置 |
JP2013020353A (ja) * | 2011-07-08 | 2013-01-31 | Fujifilm Corp | 判別器生成方法、装置およびプログラム |
US20170316164A1 (en) * | 2016-04-29 | 2017-11-02 | Stichting Imec Nederland | Method and device for estimating a condition of a person |
WO2019171416A1 (ja) * | 2018-03-05 | 2019-09-12 | 日本電気株式会社 | 画像分類システム、画像分類方法および画像分類プログラム |
JP2020009301A (ja) * | 2018-07-11 | 2020-01-16 | 株式会社日立製作所 | 情報処理装置および情報処理方法 |
Non-Patent Citations (2)
Title |
---|
石原 龍太,多層ニューラルネットワークとGAを用いたTOPIX運用AI,人工知能学 金融情報学研究会(SIG-FIN) 019 [online] ,人工知能学会,2017年10月14日,2.1.4節、2.2節、2.3節、表1、図2 |
石原 龍太: "多層ニューラルネットワークとGAを用いたTOPIX運用AI", 人工知能学 金融情報学研究会(SIG−FIN) 019 [ONLINE], JPN6021032594, 14 October 2017 (2017-10-14), ISSN: 0004577799 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022003793A1 (ja) | 2022-01-06 |
JPWO2022003793A1 (ja) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clementi et al. | Entry, exit, firm dynamics, and aggregate fluctuations | |
Martinez-Jaramillo et al. | An heterogeneous, endogenous and coevolutionary GP-based financial market | |
US20110184884A1 (en) | Optimizing portfolios of financial instruments | |
JP2003044665A (ja) | 金融市場における価格変動シミュレーションプログラム | |
Phillips et al. | Is Schumpeterian ‘creative destruction’a plausible source of endogenous real business cycle shocks? | |
Adegboye et al. | Improving trend reversal estimation in forex markets under a directional changes paradigm with classification algorithms | |
JP6998498B1 (ja) | 情報処理装置、及びプログラム | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
EP3876181A1 (en) | Information processing device, information processing method, and program | |
JP7245314B2 (ja) | 情報処理装置、及びプログラム | |
Kinlay | Synthetic market data and its applications | |
Huang et al. | Evolutionary frequency and forecasting accuracy: Simulations based on an agent-based artificial stock market | |
Kelly et al. | Australians over the coming 50 years: providing useful projections | |
Tian | Riskiness Choice and Endogenous Productivity Dispersion over the Business Cycle | |
Assa et al. | Assessing reinforcement delta hedging | |
Davies et al. | Capital income taxation in a two-commodity life cycle model: The role of factor intensity and asset capitalization effects | |
Ko | Dissecting Trade and Business Cycle Co-movement | |
Ravazzolo et al. | Predictive gains from forecast combinations using time varying model weights | |
Clementi et al. | Entry, Exit, Firm Dynamics, and Aggregate Fluctuations1 | |
Piguillem et al. | Do non‐exporters lose from lower trade costs? | |
MOLINARI | The Rough Heston model | |
Kim | Investor Learning and the Aggregate Allocation of Capital to Active Management | |
Patani et al. | Financial Portfolio Management using Reinforcement Learning | |
VanOsten et al. | Forex Trading Systems: An Algorithmic Approach to Technical Trading | |
Anderson | Forex Trading Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210617 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210617 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210824 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211011 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6998498 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |