JPH04188273A - 株価パターン照合装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は株価パターン照合方法及び装置に関し、特に動
的計画法並びにニューラルネットワークをもちいて株価
データ列の照合を行う株価パターン照合装置に関する。

（従来の技術） 従来、株の売買を行う場合に用いられていた株価データ
列間の照合は、株価データを罫線・ポイントアンドフイ
ギャーもしくは逆ウォッチ曲線と呼ばれるチャートにし
て人間が照合するという方法で行われていた。この手法
はテクニカル分析と呼ばれ、合宝郁太部氏が昭和６０年
に［株式相場のテクニカル分析］、日本経済新聞社、と
して発表した文献に詳しい。株式売買を行う専門家は過
去の経験に基づき、チャートに表れる何種類かの株価パ
ターンを見いだすことにより、今後の株価市場の予測を
行っている。

また、株価データに関するデータ処理は、平均値などの
単純な統計量の算出に留まっていた。

（発明が解決しようとする課題） 専門家は過去の経験に基づいて株価パターンの認識を行
っているため、株価パターンの定義が曖昧であり、従来
の統計モデルによる認識や規則に基づく人工知能アプロ
ーチによる株価パターンの認識は困難であった。

また、証券取引所に上場されている株の銘柄数が非常に
多いにも関わらず、−人の専門家は限られた数の銘柄し
か監視する事ができない。さらに、−人前の専門家を育
てるためには非常に長い時間を要しているという問題が
あった。

（課題を解決するための手段） 本発明の株価パターン照合装置は前述の問題点を解決す
るため、 株価データ列を正規化するデータ正規化部と、前記デー
タ正規化部で正規化されたデータを蓄積する入力バッフ
ァ部と、前記入力バッファ部から入力される正規化され
た２つの株価データ列の各構成データ間の距離を計算す
る距離計算部と、前記の正規化された株価データ列を動
的計画法により非線形に伸縮し、株価データ列間の対応
するデータ間の距離の総和を最小にする対応づけを決定
するＤＰマツチング部と、前記距離計算部と前記ＤＰマ
ツチング部の計算タイミングの調整や計算範囲の制限等
を行うＤＰ制御部と、前ＭａＤＰマツチング部での照合
結果を解析するデータ解析部と、前記データ解析部の解
析結果を提示する出力部とを有している。

さらに、前述の株価パターン照合装置は、１種もしくは
２種以上の経済指標列を正規化し、前記ＤＰマツチング
部に提示する経済指標正規化部をさらに有している。

また、前述の株価パターン照合装置は、前記データ正規
化部が、株価データ列を複数の区間に分割し、その区間
単位でデータを正規化する手段を含んでいる。

さらに、前述の株価パターン照合装置は株価データ列を
対数値に変換し、その変換値を前記データ正規化部に供
給する対数変換部を有している。

また、前述の株価パターン照合装置は、複数の銘柄の株
価データ列から単純平均株価もしくは荷重平均株価を計
算し、その計算値を前記データ正規化部に供給する平均
株価計算部をさらに有している。

また、前述の株価パターン照合装置は、入力層・出力層
と１層以上の中間層で構成されるニューラル・ネットワ
ーク・システムを各層のユニット間の結合係数を用いて
実現するユニット間結合係数記憶部と、前記入力層に正
規化した株価データ列を提示し、前記出力層には前記入
力層に提示するデータ列に対応した教師信号を提示し、
前記出力層での教師信号と実際の出力値との差異を小さ
くするようにニューラル・ネットワーク・システムの結
合係数の修正量を決定する修正量計算部と、その結合係
数の修正量に基づき各ユニット間の結合係数を更新する
結合係数修正部と、前記データ正規化部により正規化さ
れた２つ以上の株価データ列の各構成データ間の類似度
を計算する類似度計算部とをさらに有している。

さらに、前述の株価パターン照合装置は、前記修正量計
算部において、逆伝播学習則を用いている。

（作用） 本発明の基本原理は、正規化された株価データ列の時間
軸を動的計画法に基づいて非線型に伸縮し、あらかじめ
正規化を行った別の株価データ列との最適なパターン照
合を行おうというものである。

以下に本発明の原理を、動的計画法をパターン照合の問
題に適用したＤＰマツチング法を用いて、２つの株価デ
ータの照合を行う場合について述べる。このＤＰマツチ
ング法については、［動的計画法を利用した音声の時間
正規化に基づく連続単語認識、音響学会誌、２７．９、
ｐｐ、４８３−４９０　Ｊに詳しい。

本発明には、データ正規化部が存在する。データ正規化
部では、数値化された株価データをＤＰマツチング部に
用いられるようにデータ変換を行う。株価データには、
株価の経済的価値もしくは時間経過に起因するバイアス
成分が含まれており、ＤＰマツチング部に株価データを
提示する以前にこれらの成分を除去する必要がある。本
発明では、このバイアス成分の除去に照合区間の平均と
分散を用いた正規化を行う。この結果、銘柄、時期、額
面、発行枚数等が異なる株価データ列に対しても株価の
照合が可能になる。

本発明は、動的計画法に基づいたＤＰマツチングにより
、株価データ列の時間軸を非線形に伸縮し、最適なパタ
ーン照合を行うことにある。

また本発明は、動的計画法とニューラル・ネットワーク
を組み合わせたダイナミック・プログラミング・ニュー
ラルネットワークにより、株価データ列の特徴を学習し
、その学習パターンの時間軸を非線形に伸縮して、最適
な照合を行う。株価をニューラル・ネットワークに学習
させるためには、逆伝播学習則を利用する。この逆伝播
学習則については、「パラレル　ディストリビューテッ
ドプロセスイング、第１巻、３１８−３６２頁、１９８
６年」（ｒ　Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅ
ｄ　Ｐｒｏｃｅｓｓｉｎｇ　Ｊ　ｖｏｌ、　１．　ＭＩ
Ｔｐｒｅｓｓ、　ｐｐ、　３１８−３６２（１９８６）
Ｘ以下「文献１」）が詳しい。

また、ダイナミック・プログラミング、ニューラルネッ
トワークについては、迫江博昭・磯健−「ダイナミック
ニューラルネットワークの提案」信学会論文誌り、　Ｖ
ｏｌ、　Ｊ’！１−Ｄ、　Ｎｏ、　７．　ｐｐ、　１３
４１−１３４４．　（１９８ｇ）に詳しい。以下では、
この逆伝播学習則を適用した階層型ニューラル・ネット
ワーク・システムを逆伝播ネットワークモデルと呼ぶ。

（実施例） 第１図は本発明の請求項第１項・第３項を実現した装置
の一実施例を示したブロック図である。以下この実施例
を第１の実施例と呼ぶ。

データ正規化部１０は、株価のバイアス成分を除去する
手段、データを正規化する手段を構成要素としている。

株価のバイアス成分を除去する手段は、株価に含まれる
経済的要因や時間経過によって発生するバイアス成分を
除去する。その実現手法としては、例えば対象区間での
平均株価を一律に減算する方法を用いる。バイアス成分
を除去する週の長さをｎ、ある週ｔの株価データをｐｔ
とすると、区間内での平均株価ｐａは ｐａ（ｔ）＝−Σｐｔ　　　　　　　　　　　　　　　
（１）ｔ である。データを正規化する手段では、対象区間のデー
タの標準偏差σを求め、この標準偏差σが例えば１にな
るようデータの正規化を行う。データ正規化部１０は以
上の手続きを実行する。例えば日本電気（株）製のＰＣ
９８シリーズ等のパーソナルコンピュータ、日本電気（
株）製のＥＷ８４８００等のエンジニアワークステーシ
ョン等を用いることで実現できる。

一般に株価データとしては、単位期間内の株価の始値、
高値、安値、終値、出来高などのデータが用いられてい
る。この単位期間の取り方としては、月単位、週単位、
日単位、１５分単位などがあり、それぞれ刃元、週足、
日足、１５分足と呼ばれている。これらについては、日
本経済新聞社編、「株価の見方」、日本経済新聞社（以
下「文献３」）に詳しい。本実施例では週足の場合につ
いて述べているが、刃元用足等の場合についてもなんら
効果に変わりはない。本実施例で用いる株価の一例を第
６図に示す。第６図では、始値、高値、安値、終値の場
合を示したが、株価の始値、高値、安値、終値、出来高
の出来高の内の１つもしくは複数の組み合わせでも同様
の効果かえられる。

入力バッファ部２０は、データ正規化部１０で正規化さ
れた株価データ列を格納する。このデータバッファ部に
は、大容量であること、高速に読み書きできることが要
求されるので、磁気ディスク装置、半導体メモリ記憶装
置、光磁気ディスク装置等を用いる。

距離計算部３０は、入力バッファ部から受けとった２つ
のデータ（以下標準株価データと入力株価デー゛　タと
呼ぶ）の各要素間の距離を可能なすべての組み合わせに
ついて計算する。距離の計算方法としては、ユークリッ
ド距離・市街化距離などを用いる。

ＤＰマツチング部４０は、標準データと入力データの各
要素の最適な対応関係を決定する。対応関係を表す指標
としては、例えば標準株価データ列の各要素に対応する
入力株価データ列との距離の総和を用い、これを最小に
する対応関係を最適とする。いま、標準株価データ列を Ｓ　＝（ｓ　（１）、　ｓ　（２）、　・−５（ｎ））
　　　　　　　　　　　　（２）入力株価データ列を Ａ　＝（ａ（１）、　ａ（２）、　・・−ａ（ｎ））　
　　　　　　　　　　　（３）とし、標準株価データ列
のｉ番目の要素と入力株価データ列のｊ番目の要素の距
離をｄ（ｉ、ｊ）とすると、前記の距離の総和ｇ（ｎ、
　ｍ）は例えば、［初期値］ ｇ（１，１）＝ｄ（ＬＬ）　　　　　　　　　　　　　
　　　（４）［漸化式］ としてその最小値を求める。ここにあげた漸化式は単な
る一例にすぎず他の漸化式を用いてもよいことはいうま
でもない。ＤＰマツチング部４０は、以上の手続きを実
行する例えば日本電気（株）製のＰＣ９８００シリーズ
等のパーソナルコンピュータ、日本電気（株）製のＥＷ
８４８００等のエンジニアワークステーション等を用い
ることで実現できる。

ＤＰ制御部５０は、前記距離計算部３０とＤＰマツチン
グ部４０の計算タイミング等の制御、計算範囲・ＤＰパ
スの制限等を行う。データ解析部６０は、ＤＰマツチン
グ部での照合データを解析し、最適な対応関係を探索す
る。また出力部７０は前記探索結果を人間に理解できる
形態で出力する装置である。

第２図は本発明の請求項第２項を実現した装置の１実施
例を示したブロック図である。以下では第１の実施例と
共通の部分の説明は省略する。また、本実施例を第２の
実施例と呼ぶ。

前記、第１の実施例では、株価データ列の照合に株価デ
ータのみを用いる例を説明したが、本実施例では、株価
以外に金利、為替レート等の経済指標をも加味した照合
を実現している。

経済指標正規化部８０は、経済指標のバイアス成分を除
去する手段、データを正規化する手段を構成要素として
いる。経済指標のバイアス成分を除去する手段は、経済
指標に含まれる経済的要因や時間経過によって発生する
バイアス成分を除去する。その実現手法としては、たと
えば対象区間での経済指標の平均値を一律に減算する方
法を用いる。バイアス成分を除去する週の長さをｎ、あ
る週ｔの経済指標データを２体すると、区間内での経済
指標の平均値Ｐａは ｐａ（ｔ）＝−ΣＰｔ　　　　　　　　　　　　　　　
（６）ｔ である。データを正規化する手段では、対象区間のデー
タの標準偏差σを求め、この標準偏差σが例えば１にな
るようデータの正規化を行う。経済指標正規化部８０は
以上の手続きを実行する例えば日本ｔ％（ａ）製のＰＣ
９８００シリーズ等のパーソナルコンピュータ、日本電
機（株）製のＥＷＳ４８００等のエンジニアワークステ
ーション等を用いることで実現できる。

第３図は本発明の請求項第４項を実現した装置の一実施
例を示したブロック図である。以下第３の実施例と呼ぶ
。また、本実施例の説明では、第１・第２の実施例と共
通の部分の説明は省略する。

対数変換部９０は、入力された株価データを対数値に変
換する装置である。入力株価データをｐ、変換後の対数
株価データをｐ′とすると、変換式はｐ’＝ｌｏｇ（ｐ
）　　　　　　　　　　　　　　　　　　（７）と表せ
る。この対数株価データｐ′はデータ正規化部に入力さ
れる。人間の感覚は対数的であり、株価の対数値を用い
て照合する事で、より人間に近い照合結果かえられる。

この対数変換部９０は、例えば日本電気（株）製のＰ０
９８００シリーズ等のパーソナルコンピュータ、日本電
気（株）製のＥＷ８４８００等のエンジニアワークステ
ーション等を用いることで実現できる。

第４図は本発明の請求項第５項を実現した装置の一実施
例を示したブロック図である。以下第４の実施例と呼ぶ
。また、本実施例の説明では、第１から第３の実施例と
共通の部分の説明は省略する。前記、第１の実施例では
、株価データ列の照合に各銘柄の株価を用いる例を説明
したが、本実施例では、単一銘柄の株価の代わりに例え
ば、日経２２５、ＴＯＰＩＸ等の複数の銘柄の単純平均
もしくは加重平均を用いて、照合を行うシステムを実現
している。

平均株価計算部１００では、複数の銘柄の株価を単純平
均もしくは加重平均し、一つ以上の平均株価を計算し、
データ正規化部１０に引き渡す。たとえば東証呈純平均
ＴＰは、銘柄ｉの株価をｐｉとすると、’ｒｐ＝Σｐｉ
　　　　　　　　　　　　　　　　　　（８）ｉ　　・ として計算される。このようにして計算される株価とし
ては、前記の日経２２５、ＴＯＰＩＸ等がある。もちろ
んこのような−船釣な指標のみならず利用者が自由に選
んだ銘柄について平均株価を計算できることはいうまで
もない。

第５図は本発明の請求項第６項ならびに第７項を実現し
た装置の一実施例を示したブロック図である。以下第５
の実施例と呼ぶ。また、本実施例の説明では、第１から
第４の実施例と共通の部分の説明は省略する。

ユニット間結合係数記憶部１４０はニューラル・ネット
ワーク・システムの各ユニット間結合係数を格納する。

このユニット間結合係数は修正量計算部１２０ならびに
結合係数修正部１３０から参照され、ニューラル・ネッ
トワーク・システムの各ユニットの入力総和の計算・教
師付き学習時の結合係数の修正量計算に用いられる。ま
た、結合係数修正部１３０によりその記憶内容が更新さ
れる。このユニット間結合係数記憶部１４０には、磁気
ディスク装置、半導体メモリ記憶装置等を用いることが
できる。

修正量計算部１２０は、入力バッファ２ｏがら入力デー
タ及び教師データを、ユニット結合係数記憶部１４０か
らユニット結合係数を参照し、修正量計算制御部１１０
の制御のもと、ニューラル、ネットワークの出力を計算
し、出力データと教師データとの差（以下誤差という）
を求め、逆伝播学習則により各ユニットの結合係数の修
正値を計算する。以下に数式を用いてこの計算を説明す
る。

逆伝播ネットワークモデルは一般に第７図のような入力
層、中間層、出力層と呼ばれる３種類の層から構成され
、さらに各層にはユニット１６０と呼ばれる処理Ｍ偉力
ｆ装置されスー久ユニ・ソトＩＡｌ”ｌｊ寸λ力届に近
い例の隣接層のユニットから入力を受け、出力層に近い
側の隣接層のユニットに出力を出す。

本実施例では入力層と中間層の複数のユニットがブロッ
クと呼ぶ構造を形成しており、入力層と中間層のデータ
の入出力はこのブロック内部のユニット間のみに限られ
る。各ユニットの入力及び出力の関係は、例えば次のよ
うに定義することができる。

にｎ）　　　（ｎ） ｙｌ＝　ｆ（ｘｉ）　　　　　　　　　　　　　　　　
（１０）ｆ（ｘ）　＝　（１−ｅ　　）−（１１）ここ
で、ｘ、　ｙ、θはそれぞれ、ユニットへの入力、ユニ
ットからの出力、ユニットの閾値を表し、上付きの添え
字は入力層がら数えた階層の数を表す整数で、下付きの
添え字は層中のユニットを表す番号である。また、ｗｉ
ｊは第（ｎ−１）層のユニットｊがら、１つ出力層側に
隣接する層のユニットｉへの結合を表す荷重、ｆ（ｘ）
は式のような入出力の応答関数である。入力層から順序
よく計算すれば最終段である出力層からの出力が得られ
る。

次に、モデルが望ましい類似度出力を行うようにユニッ
ト間の結合係数ｗｉｊを定める逆伝播学習則について述
べる。出力層からの出力をｙｉ、教師信号をＴｉとする
と、出力層の出力と教師信号の２乗誤差（Ｅ）は Ｅ＝−Σ（ｙｉ−Ｔｉ）２　　　　　　　　　　　（１
２）とおける。係数の１／２は計算を容易にするための
ものである。逆伝播学習則ではこの２乗誤差を小さくす
るように各層の結合係数を変化させる。具体的な変更方
法は文献１に詳しい。本実施例ではこの修正量計算部３
０としては、例えば日本電気（株）製パーソナルニュー
ロボードＮｅｕｒｏ−０７、日本電気（株）製スーパー
コンピュータＳＸ２を用いることができる。

結合係数修正部１３０では、修正量計算部１２０が計算
した各ユニットの修正量に基づき、ユニット間結合係数
記憶部のデータを更新する。また修正量計算制御部１１
０は、修正量計算部１２０、結合係数修正部１３０の動
作を制御・監視する。

類似度計算部１５０は、入力バッファ部から受けとった
２つの株価データ列の各要素間の類似度をユニット間結
合係数記憶部に蓄えられたユニット間結合係数に従い、
可能なすべての組み合わせについて計算する。各要素間
の類似度Ｒは に２２　（♀） Ｒ＝ΣＷＩＪ　−ｙＪ　　　　　　　　　　　　　（１
３）で定義する。

（発明の効果） 本発明を用いることにより、時間軸が非線形に伸縮した
株価パターンの照合を、株価の経済的なバイアス成分を
除去して、自動的に行うことかできる。また、ニューラ
ルネットワークの学習は、新たな専門家を育成するのに
比べると、非常に短時間に行われるので、大量の株価に
関する情報からのパターン認識を短時間で効率よく行う
ことが可能になる。

【図面の簡単な説明】

第１図から第５図は本発明の一実施例の構成を示すブロ
ック図である。第６図は株価データ列の例、第７図はダ
イナミック・ニューラルネットワークの例を表す。 図において、１０・・・データ正規化部、２０・・・入
力バッファ部、３０・・・距離計算部、４０・・・ＤＰ
マツチング部、５０・・・ＤＰ制御部、６０・・・デー
タ解析部、７０・・・出力部、８０・・・経済指標正規
化部、９０・・・対数変換部、１００・・・平均株価計
算部、１１０・・・修正量計算制御部、１２０・・・修
正量計算部、１３０・・・結合係数修正部、１４０・・
・ユニット間結合係数記憶部、１５０・・・類似度計算
部、１６０・・・ブロック。

Claims (7)

【特許請求の範囲】
1. （１）複数の株価データ列間の照合を行う株価パターン
   照合装置において、株価データ列を正規化するデータ正
   規化部と、前記データ正規化部で正規化されたデータを
   蓄積する入力バッファ部と、前記入力バッファ部から入
   力される正規化された２つの株価データ列の各構成デー
   タ間の距離を計算する距離計算部と、前記の正規化され
   た株価データ列を動的計画法により非線形に伸縮し、株
   価データ列間の対応するデータ間の距離の総和を最小に
   する対応づけを決定するＤＰマッチング部と、前記距離
   計算部と前記ＤＰマッチング部の計算タイミングの調整
   や計算範囲の制限等を行うＤＰ制御部と、前記ＤＰマッ
   チング部での照合結果を解析するデータ解析部と、前記
   データ解析部の解析結果を提示する出力部とを有する株
   価パターン照合装置。
2. （２）１種もしくは２種以上の経済指標列を正規化し、
   前記ＤＰマッチング部に提示する経済指標正規化部をさ
   らに有することを特徴とする請求項第１項記載の株価パ
   ターン照合装置。
3. （３）前記データ正規化部が、株価データ列を複数の区
   間に分割し、その区間単位でデータを正規化する手段を
   含むことを特徴とする請求項第１項記載の株価パターン
   照合装置。
4. （４）株価データ列を対数値に変換し、その変換値を前
   記データ正規化部に供給する対数変換部をさらに有する
   ことを特徴とする請求項第１項記載の株価パターン照合
   装置。
5. （５）複数の銘柄の株価データ列から単純平均株価もし
   くは荷重平均株価等の平均株価を計算し、その計算値を
   前記データ正規化部に供給する平均株価計算部をさらに
   有することを特徴とする請求項第１項記載の株価パター
   ン照合装置。
6. （６）入力層・出力層と１層以上の中間層で構成される
   ニューラル・ネットワーク・システムを各層のユニット
   間の結合係数を用いて実現するユニット間結合係数記憶
   部と、前記入力層に正規化した株価データ列を提示し、
   前記出力層には前記入力層に提示するデータ列に対応し
   た教師信号を提示し、前記出力層での教師信号と実際の
   出力値との差異を小さくするようにニューラル・ネット
   ワーク・システムの結合係数の修正量を決定する修正量
   計算部と、その結合係数の修正量に基づき各ユニット間
   の結合係数を更新する結合係数修正部と、前記データ正
   規化部により正規化された２つ以上の株価データ列の各
   構成データ間の類似度を計算する類似度計算部とをさら
   に有することを特徴とする請求項第１項記載の株価パタ
   ーン照合装置。
7. （７）前記修正量計算部において、逆伝播学習則を用い
   ることを特徴とする請求項第６項記載の株価パターン照
   合装置。