JP7364228B2 - 情報処理装置、その制御方法、プログラム、ならびに、学習済モデル - Google Patents
情報処理装置、その制御方法、プログラム、ならびに、学習済モデル Download PDFInfo
- Publication number
- JP7364228B2 JP7364228B2 JP2020062808A JP2020062808A JP7364228B2 JP 7364228 B2 JP7364228 B2 JP 7364228B2 JP 2020062808 A JP2020062808 A JP 2020062808A JP 2020062808 A JP2020062808 A JP 2020062808A JP 7364228 B2 JP7364228 B2 JP 7364228B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- date
- text
- texts
- information processing
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現し、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する。
本実施形態に係るニューラルネットワークは、典型的には、プログラムをコンピュータが実行することによって実現される。当該コンピュータは、各種の出力装置や入力装置に接続され、これらの機器と情報を送受する。
図1は、本実施形態におけるニューラルネットワークの構成を示す説明図である。以下、本図を参照して説明する。
基準日時より前の過去日時から基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、
複数の対象の価格が基準日時の直前日時から基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力するものであり、
複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデル19に含む。
基準日時tに公開されたテキストの集合Nt,
基準日時tの前日に公開されたテキストの集合Nt-1,
…,
基準日時tのd日前である過去日時t-dに公開されたテキストの集合Nt-d
を入力とすることになる。
yj t = 1, (pj t ≧ pj t-1);
yj t = 0, (pj t < pj t-1)
を採用する。
yj t = 1, (pj t > pj t-1);
yj t = 0, (pj t ≦ pj t-1)
を採用することもできる。
y^j t = f({Nτ)τ∈[t-d,t])
を満たす関数f(.)を、現実の分類yj tとの差が少なくなるように最適化して求めることに相当する。
CEj = -(1/T) Σt=1 T 〔yj t log y^j t + (1-yj t) log (1-y^j t)〕
と定義される。
CE = Σj=1 J CEj/J
を評価関数(損失関数)として採用することができる。
ニューラルネットワークを用いたテキスト処理において広く用いられるWord2vecを用いて、単語kの単語埋込(word embeddings)ベクトルwkを求め、
単語kのTF-IDF(Term Frequency-Inverse Document Frequency)スコアγk = TFk・IDFkを計算した上で、
テキストniの一方の特徴ベクトルnK iを、
nK i = Σk γk wk/Σk wk
により求める。
scorei,j = nK i・sj
を計算する。なお、内積ではなく、コサイン類似度や任意の関数を用いた一般化内積を採用することとしても良い。
αj i = exp(scorei,j)/Σi'exp(scorei',j)
のように計算する。
NV τ = { nV i | ni∈Nτ }
に基づいて、
mj τ = (1/|NV τ|) Σ[ui∈NV τ] αj i ui
のように計算する。ここで、「Σ[ui∈NV τ]」は、「ui∈NV τを満たすuiについて総和をとる」ことを意味する。日時τにおける対象jの状態mj τは、市況ベクトルと呼ぶ。
σ(x) = 1/(1+exp(-x))
の組み合わせにより実現される。すなわち、
hO t = GRU({mj τ}τ∈[t-d,t]);
y^j t = σ(MLP(hO t))
hO t = GRU({mj τ}τ∈[t-d,t]);
hO = Στ∈[t-d,t] βτ hO t;
y^j t = σ(MLP(hO))
のように分類を行う。
以下では、ニューラルネットワーク11の分類性能について実験を行った結果について説明する。当該実験では、日時の単位は1日である。
WSJ … [-0.0053,0.0079];
R&B … [-0.00587,0.00684]
増加側と減少側で閾値が異なるのは、実験の対象となる期間において景気が向上し、株価が上がった日の方が下がった日よりも多いからである。
(1)単純平均(Simple Average) … 短いレベルの特徴ベクトルを無視して、αj i = 1としたもの。
(2) 重み付け平均(WA; Weighted Average) … 株-テキスト内積により重み付けをしたもの。分類器は、各株式ごとに独立したものとする。
(3) 重み付け平均+分類器共有(CS; Classifier Sharing) … 上記WAにおいて、本技術と同様に分類器を共有することとしたもの。
(4) 重み付け平均+デュアルベクトル表現 … 2つのレベルの特徴ベクトルにより重み付けをしたもの。分類器は、各株式ごとに独立したものとする。
(5) 重み付け平均+分類器共有+デュアルベクトル表現 … 上記の実施形態(proposed)に係る態様。
以下、ニューラルネットワーク11において学習されたモデル19に含まれる埋込ベクトルを用いて、ポートフォリオの最適化をする態様について説明する。
ωT ω = 1
を満たすものとする。すると、当該ポートフォリオのリスクRは、リスク行列Σを利用して、
R = ωT Σ ω
と表現することができる。すると、ポートフォリオ最適化とは、リスクRを最小化するωを探すことに相当する。
E = ωT r
と表現できる。一般に、Eを大きくすると、リスクは高くなる。
Σ = Cov({rj}t) (j∈[1,J])
としている。
Σi,j = cos(si,sj)
のように設定する。これは、リスク行列として、対象同士の類似度行列を採用することに相当する。なお、リスク行列Σの(i,j)要素Σi,jには、埋込ベクトルsi, sjの類似度が格納されれば良いので、コサイン類似度ではなく、内積や一般化内積等を採用しても良い。
E[b,e] = Σj=1 J ωj(pj e/pj b - 1)
のように計算することができる。
上記のように、16年分のWSJの記事と、7年分のR&Bの記事と、の各年について、所望の利得(Expected Annual Return)Eを0.05から0.29まで0.01刻みで設定して、それぞれリスクが最小となるωを求めた上で、全年の年間平均利得(Real Average Return (averaged over years))を求めた。
これらの実験では、本実施形態(Stock Embedding)に対する比較対象として、以下の6種類を採用した。
S&P 500インデックス(S&P 500 index);
株価の共分散行列(Covariance);
既存のモデルを利用したWord2vecにより得た分散表現(Word2vec-general);
ニュースのテキストを学習したWord2vecにより得た分散表現(Word2vec-news);
テキストで言及される頻度に比例する重みを用いたBERTの重み付き和(Weighted BERT);
株価の共分散と本実施形態による埋込ベクトル(Covariance - stock emb.);
上記のニューラルネットワーク11は、コンピュータにてプログラムを実行する、あるいは、プログラムに基づいて構成された電子回路を動作させることによって学習ならびに分類を実行することができ、埋込ベクトルを含む学習済みモデルを得ることができる。
以上説明したように、本実施形態に係る情報処理装置は、
基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現し、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する学習部
を備える。
前記一方の特徴ベクトルは、前記各テキストの単語レベルの特徴を表し、
前記他方の特徴ベクトルは、前記各テキストの文脈レベルの特徴を表す
ように構成することができる。
前記学習器は、Bi-GRU(Bidirectional Gated Recurrent Unit)と、MLP(MultiLayer Perceptron)と、により構成される
ように構成することができる。
前記学習されたモデルに含まれる埋込ベクトル同士の類似に基づいて、前記複数の対象同士の類似度行列を計算する類似度計算部
をさらに備えるように構成することができる。
前記複数の対象に対する配分を表すポートフォリオベクトルを、前記計算された類似度行列に基づくリスクを最小化することにより、求める最適化部
をさらに備えるように構成することができる。
基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現する情報処理装置を制御し、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する
処理を前記情報処理装置に実行させる。
基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現する処理をコンピュータに実行させ、前記プログラムは、前記コンピュータに、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する
処理を実行させる。
12a 抽出器
12b 抽出器
13 スコア計算器
14 重み計算器
15 状態計算器
16 分類器
19 モデル
101 情報処理装置
102 学習部
103 類似度計算部
104 最適化部
Claims (8)
- 基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現する情報処理装置であって、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する学習部
を備えることを特徴とする情報処理装置。 - 前記一方の特徴ベクトルは、前記各テキストの単語レベルの特徴を表し、
前記他方の特徴ベクトルは、前記各テキストの文脈レベルの特徴を表す
ことを特徴とする請求項1に記載の情報処理装置。 - 前記学習器は、Bi-GRU(Bidirectional Gated Recurrent Unit)と、MLP(MultiLayer Perceptron)と、により構成される
ことを特徴とする請求項1また2に記載の情報処理装置。 - 前記学習されたモデルに含まれる埋込ベクトル同士の類似に基づいて、前記複数の対象同士の類似度行列を計算する類似度計算部
をさらに備えることを特徴とする請求項1から3のいずれか1項に記載の情報処理装置。 - 前記複数の対象に対する配分を表すポートフォリオベクトルを、前記計算された類似度行列に基づくリスクを最小化することにより、求める最適化部
をさらに備えることを特徴とする請求項4に記載の情報処理装置。 - 基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現する情報処理装置を制御する制御方法であって、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する
処理を前記情報処理装置に実行させることを特徴とする制御方法。 - 基準日時より前の過去日時から前記基準日時までの複数の日時にそれぞれ公開されたテキストの集合が入力されると、複数の対象の価格が前記基準日時の直前日時から前記基準日時までにそれぞれ増加もしくは減少したかを表す分類を出力し、前記複数の対象の特徴がそれぞれ埋め込まれた複数の埋込ベクトルをモデルに含むニューラルネットワークを実現する処理をコンピュータに実行させるプログラムであって、前記プログラムは、前記コンピュータに、
前記過去日時から前記基準日時までの各日時における前記複数の対象の状態を、
前記各日時に公開された各テキストから2つの異なるレベルの特徴ベクトルを抽出し、
前記各テキストから抽出された特徴ベクトルの一方と前記複数の埋込ベクトルのそれぞれとの内積に基づいて、前記各テキストの重みを定め、
前記定められた各テキストの重みを、前記各テキストから抽出された特徴ベクトルの他方に、それぞれ乗じて総和をとる
ことにより定め、前記定められた状態を、学習器に入力して、前記学習器に前記分類を出力させる
ことにより、前記モデルを学習する
処理を実行させることを特徴とするプログラム。 - 請求項7に記載のプログラムをコンピュータに実行させることにより学習された埋込ベクトルが含まれる学習済モデル。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020062808A JP7364228B2 (ja) | 2020-03-31 | 2020-03-31 | 情報処理装置、その制御方法、プログラム、ならびに、学習済モデル |
US17/913,222 US20230162003A1 (en) | 2020-03-31 | 2021-02-02 | Information processing device, method of controlling same, program, and learned model |
PCT/JP2021/003815 WO2021199657A1 (ja) | 2020-03-31 | 2021-02-03 | 情報処理装置、その制御方法、プログラム、ならびに、学習済モデル |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020062808A JP7364228B2 (ja) | 2020-03-31 | 2020-03-31 | 情報処理装置、その制御方法、プログラム、ならびに、学習済モデル |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021163073A JP2021163073A (ja) | 2021-10-11 |
JP7364228B2 true JP7364228B2 (ja) | 2023-10-18 |
Family
ID=77928499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020062808A Active JP7364228B2 (ja) | 2020-03-31 | 2020-03-31 | 情報処理装置、その制御方法、プログラム、ならびに、学習済モデル |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230162003A1 (ja) |
JP (1) | JP7364228B2 (ja) |
WO (1) | WO2021199657A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694476A (zh) | 2018-06-29 | 2018-10-23 | 山东财经大学 | 一种结合财经新闻的卷积神经网络股票价格波动预测方法 |
WO2018220685A1 (ja) | 2017-05-29 | 2018-12-06 | 株式会社野村総合研究所 | 株価分析装置 |
KR20190116590A (ko) | 2018-03-19 | 2019-10-15 | 동국대학교 산학협력단 | 뉴스를 분석하여 기업의 주가를 예측하는 장치 및 이의 동작 방법 |
-
2020
- 2020-03-31 JP JP2020062808A patent/JP7364228B2/ja active Active
-
2021
- 2021-02-02 US US17/913,222 patent/US20230162003A1/en active Pending
- 2021-02-03 WO PCT/JP2021/003815 patent/WO2021199657A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018220685A1 (ja) | 2017-05-29 | 2018-12-06 | 株式会社野村総合研究所 | 株価分析装置 |
KR20190116590A (ko) | 2018-03-19 | 2019-10-15 | 동국대학교 산학협력단 | 뉴스를 분석하여 기업의 주가를 예측하는 장치 및 이의 동작 방법 |
CN108694476A (zh) | 2018-06-29 | 2018-10-23 | 山东财经大学 | 一种结合财经新闻的卷积神经网络股票价格波动预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021199657A1 (ja) | 2021-10-07 |
US20230162003A1 (en) | 2023-05-25 |
JP2021163073A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Listening to chaotic whispers: A deep learning framework for news-oriented stock trend prediction | |
Arras et al. | Explaining and interpreting LSTMs | |
Nousi et al. | Machine learning for forecasting mid-price movements using limit order book data | |
US10824815B2 (en) | Document classification using attention networks | |
Passalis et al. | Temporal bag-of-features learning for predicting mid price movements using high frequency limit order book data | |
US20210303970A1 (en) | Processing data using multiple neural networks | |
US11586919B2 (en) | Task-oriented machine learning and a configurable tool thereof on a computing environment | |
CN111160000B (zh) | 作文自动评分方法、装置终端设备及存储介质 | |
Petrozziello et al. | Deep learning for volatility forecasting in asset management | |
Ma et al. | Jointly trained sequential labeling and classification by sparse attention neural networks | |
Zhu et al. | Mixseq: Connecting macroscopic time series forecasting with microscopic time series data | |
Merello et al. | Investigating timing and impact of news on the stock market | |
Li et al. | A comparison of forecasting models for the resource usage of MapReduce applications | |
Passalis et al. | Forecasting financial time series using robust deep adaptive input normalization | |
Igual et al. | Supervised learning | |
Yang et al. | Enhancing stock movement prediction with market index and curriculum learning | |
Bhambu | Stock Market prediction using deep learning techniques for short and long horizon | |
Gurgul et al. | Forecasting Cryptocurrency Prices Using Deep Learning: Integrating Financial, Blockchain, and Text Data | |
Sakhare et al. | Spatial federated learning approach for the sentiment analysis of stock news stored on blockchain | |
Elena | Predicting the movement direction of omxs30 stock index using xgboost and sentiment analysis | |
Banerjee et al. | Short term stock price prediction in indian market: A neural network perspective | |
Yu et al. | Share price trend prediction using CRNN with LSTM structure | |
Abd Elminaam et al. | CPSMP_ML: Closing price Prediction of Stock Market using Machine Learning Models | |
Sambasivan et al. | Classification and regression using augmented trees | |
Gu et al. | Stock prediction based on news text analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220928 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20220928 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220930 |
|
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: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230928 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7364228 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |