JPH04264957A - 証券売買意思決定支援装置 - Google Patents
証券売買意思決定支援装置Info
- Publication number
- JPH04264957A JPH04264957A JP3026379A JP2637991A JPH04264957A JP H04264957 A JPH04264957 A JP H04264957A JP 3026379 A JP3026379 A JP 3026379A JP 2637991 A JP2637991 A JP 2637991A JP H04264957 A JPH04264957 A JP H04264957A
- Authority
- JP
- Japan
- Prior art keywords
- price
- unit
- securities
- security
- output
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 abstract 2
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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。
め要約のデータは記録されません。
Description
【0001】[発明の目的]
【0002】
【産業上の利用分野】この発明は証券市場価格の時系列
データから証券売買の意思決定を支援する証券売買意思
決定支援装置に関し、特に神経回路網を用いて構成した
証券売買意思決定支援装置に関する。
データから証券売買の意思決定を支援する証券売買意思
決定支援装置に関し、特に神経回路網を用いて構成した
証券売買意思決定支援装置に関する。
【0003】
【従来の技術】従来、証券市場価格の時間的変動を示す
生データをチャート図に変換し、このチャート上に売買
タイミングを動機づける典型的なパターンが存在するか
否かで証券売買の意思決定を行う種々の方法が知られて
いる。
生データをチャート図に変換し、このチャート上に売買
タイミングを動機づける典型的なパターンが存在するか
否かで証券売買の意思決定を行う種々の方法が知られて
いる。
【0004】ところで、このような証券売買の意思決定
にコンピュータを導入して、コンピュータにより証券売
買の意思決定を行わせるようにした証券売買意思決定支
援システムも種々提案されている。
にコンピュータを導入して、コンピュータにより証券売
買の意思決定を行わせるようにした証券売買意思決定支
援システムも種々提案されている。
【0005】しかし、上記チャート上に現れる売買タイ
ミングを動機づける典型的なパターンは経験則によるも
のがほとんどで、これをどこまで一般化できるかを厳密
に決めることは難しく、証券売買の一連の意思決定プロ
セスをコンピュータ上で高精度で実現することは困難で
あった。
ミングを動機づける典型的なパターンは経験則によるも
のがほとんどで、これをどこまで一般化できるかを厳密
に決めることは難しく、証券売買の一連の意思決定プロ
セスをコンピュータ上で高精度で実現することは困難で
あった。
【0006】
【発明が解決しようとする課題】上述した如く、従来の
コンピュータを用いた証券売買意思決定支援装置は、売
買タイミングを動機づける典型的なパターンは経験則に
よるもので、これをどこまで一般化できるかを厳密に決
めることは難しく、証券売買の一連の意思決定プロセス
をコンピュータ上で高精度で実現することは困難であっ
た。
コンピュータを用いた証券売買意思決定支援装置は、売
買タイミングを動機づける典型的なパターンは経験則に
よるもので、これをどこまで一般化できるかを厳密に決
めることは難しく、証券売買の一連の意思決定プロセス
をコンピュータ上で高精度で実現することは困難であっ
た。
【0007】そこで、この発明は証券売買意思決定に不
確かなデータの処理に適した神経回路網を導入し、かな
りの高精度で証券売買意思決定を支援でき、しかも使用
に応じてその精度を向上することのできる証券売買意思
決定支援装置を提供することを目的とする。
確かなデータの処理に適した神経回路網を導入し、かな
りの高精度で証券売買意思決定を支援でき、しかも使用
に応じてその精度を向上することのできる証券売買意思
決定支援装置を提供することを目的とする。
【0008】[発明の構成]
【0009】
【課題を解決するための手段】この発明は、上記目的を
達成するために、少なくとも、買いまたは売りを示す信
号を出力する出力ユニットと、複数の情報を入力する複
数の入力ユニットとを有し、各ユニットの間はそれぞれ
重みがつけられた結合によって結ばれ、各結合の重みは
前記出力ユニットの出力の評価にもとづく重み調整の繰
り返しによる学習により変化する神経回路網と、証券市
場価格が上昇している間は一定価格上昇するごとにその
価格を上昇価格としてサンプリングし、下降に転じると
一定価格下降するごとにその価格を下降価格としてサン
プリングし、これを現在の証券市場価格まで繰り返し、
これによって得られた複数の上昇価格の極大値および下
降価格の極小値を前記神経回路網の複数の入力ユニット
に入力する入力手段とを具備したことを特徴とする。
達成するために、少なくとも、買いまたは売りを示す信
号を出力する出力ユニットと、複数の情報を入力する複
数の入力ユニットとを有し、各ユニットの間はそれぞれ
重みがつけられた結合によって結ばれ、各結合の重みは
前記出力ユニットの出力の評価にもとづく重み調整の繰
り返しによる学習により変化する神経回路網と、証券市
場価格が上昇している間は一定価格上昇するごとにその
価格を上昇価格としてサンプリングし、下降に転じると
一定価格下降するごとにその価格を下降価格としてサン
プリングし、これを現在の証券市場価格まで繰り返し、
これによって得られた複数の上昇価格の極大値および下
降価格の極小値を前記神経回路網の複数の入力ユニット
に入力する入力手段とを具備したことを特徴とする。
【0010】
【作用】証券市場価格が上昇している間は一定価格上昇
するごとにその価格を上昇価格としてサンプリングし、
下降に転じると一定価格下降するごとにその価格を下降
価格としてサンプリングし、これを現在の証券市場価格
まで繰り返し、これによって得られた複数の上昇価格の
極大値および下降価格の極小値を神経回路網の複数の入
力ユニットに入力し、この神経回路の出力ユニットの出
力から証券売買の意思を判断する。ここで神経回路網の
各ユニット間の重みは出力ユニットの出力の評価に基づ
く重み調整の繰り返しによる学習により変化し、神経回
路の出力ユニットから出力される証券売買の判断の精度
はこの装置の使用量が多くなるに従って高められる。
するごとにその価格を上昇価格としてサンプリングし、
下降に転じると一定価格下降するごとにその価格を下降
価格としてサンプリングし、これを現在の証券市場価格
まで繰り返し、これによって得られた複数の上昇価格の
極大値および下降価格の極小値を神経回路網の複数の入
力ユニットに入力し、この神経回路の出力ユニットの出
力から証券売買の意思を判断する。ここで神経回路網の
各ユニット間の重みは出力ユニットの出力の評価に基づ
く重み調整の繰り返しによる学習により変化し、神経回
路の出力ユニットから出力される証券売買の判断の精度
はこの装置の使用量が多くなるに従って高められる。
【0011】
【実施例】以下、この発明の一実施例を添付図面を参照
して詳細に説明する。
して詳細に説明する。
【0012】図1は、この発明の証券売買意思決定支援
装置の一実施例を示すブロック図である。この実施例は
、証券売買意思決定の判断の基礎となるデータを入力す
るデータ入力部10と証券売買意思決定を判断する神経
回路網20から構成される。ここで証券売買意思決定を
判断する神経回路網20としては、いわゆる階層型ネッ
トワークが用いられる。神経回路網20は、互いに影響
を及ぼしながら同時に異なる処理を実行する3層のユニ
ット群から構成される。この神経回路網20の第1層は
、Sユニット(センサリユニット)群と呼ばれるもので
、n+1個のユニットS1 ,S2 ,…Sn+1 か
ら構成され、証券売買意思決定判断の基礎となるn+1
個のデータD0 ,D1 ,…Dn が入力される。こ
のn+1個のデータD0 ,D1 ,…Dn の詳細に
ついては、後に詳述する。
装置の一実施例を示すブロック図である。この実施例は
、証券売買意思決定の判断の基礎となるデータを入力す
るデータ入力部10と証券売買意思決定を判断する神経
回路網20から構成される。ここで証券売買意思決定を
判断する神経回路網20としては、いわゆる階層型ネッ
トワークが用いられる。神経回路網20は、互いに影響
を及ぼしながら同時に異なる処理を実行する3層のユニ
ット群から構成される。この神経回路網20の第1層は
、Sユニット(センサリユニット)群と呼ばれるもので
、n+1個のユニットS1 ,S2 ,…Sn+1 か
ら構成され、証券売買意思決定判断の基礎となるn+1
個のデータD0 ,D1 ,…Dn が入力される。こ
のn+1個のデータD0 ,D1 ,…Dn の詳細に
ついては、後に詳述する。
【0013】第2層は、Aユニット(アソシエイティブ
ユニット)群と呼ばれるもので、m個のユニットA1
,A2 ,…Am から構成され、このm個のユニット
A1 ,A2 ,…Am と前述したSユニット群のn
+1個のユニットS1 ,S2 ,…Sn+1 との間
にはそれぞれ重みが付けられた複数の結合により結ばれ
る。
ユニット)群と呼ばれるもので、m個のユニットA1
,A2 ,…Am から構成され、このm個のユニット
A1 ,A2 ,…Am と前述したSユニット群のn
+1個のユニットS1 ,S2 ,…Sn+1 との間
にはそれぞれ重みが付けられた複数の結合により結ばれ
る。
【0014】第3層は、Rユニット(レスポンスユニッ
ト)群と呼ばれるもので、買いを示す信号を出力する第
1のユニットR1 と売りを示す信号を出力する第2の
ユニットR2 の2つのユニットから構成される。この
第1のユニットR1 および第2のユニットR2 とA
ユニット群のm個のユニットA1 ,A2 ,…Am
との間にはそれぞれ重みが付けられた複数の結合により
結ばれる。
ト)群と呼ばれるもので、買いを示す信号を出力する第
1のユニットR1 と売りを示す信号を出力する第2の
ユニットR2 の2つのユニットから構成される。この
第1のユニットR1 および第2のユニットR2 とA
ユニット群のm個のユニットA1 ,A2 ,…Am
との間にはそれぞれ重みが付けられた複数の結合により
結ばれる。
【0015】第1層のn+1個のユニットS1 ,S2
,…Sn+1 と第2層のm個のユニットA1 ,A
2 ,…Am との間の複数の結合のそれぞれの重み、
および第2層のm個のユニットA1 ,A2 ,…Am
と第3層の2個のユニットR1 ,R2 との間の複
数の結合のそれぞれの重みは、第1のユニットR1 お
よび第2のユニットR2 から出力される買いを示す信
号および売りを示す信号の評価、すなわち売買の判断の
的中度に基づき学習的に調整され、変化する。
,…Sn+1 と第2層のm個のユニットA1 ,A
2 ,…Am との間の複数の結合のそれぞれの重み、
および第2層のm個のユニットA1 ,A2 ,…Am
と第3層の2個のユニットR1 ,R2 との間の複
数の結合のそれぞれの重みは、第1のユニットR1 お
よび第2のユニットR2 から出力される買いを示す信
号および売りを示す信号の評価、すなわち売買の判断の
的中度に基づき学習的に調整され、変化する。
【0016】図2は、神経回路網20における各ユニッ
ト間の結合の重みを調整する処理をフローチャートで示
したものである。
ト間の結合の重みを調整する処理をフローチャートで示
したものである。
【0017】まず、適当な経験則から各ユニット間の結
合の重みの初期設定を行う(ステップ101)。続いて
、この状態で第1のユニットR1 および第2のユニッ
トR2 から出力される買いを示す信号および売りを示
す信号の評価を行う(ステップ102)。この評価は、
第1のユニットR1 および第2のユニットR2 から
出力されるデータおよび所定の評価基準に基づき行われ
る。そしてこの評価に対応して各ユニット間の結合の重
みを調整する(ステップ103)。そして、第1のユニ
ットR1 および第2のユニットR2 から出力される
買いを示す信号および売りを示す信号の評価を再び行い
(ステップ102)、この評価に対応して再び各ユニッ
ト間の結合の重みを調整し(ステップ103)、この動
作を繰り返す。
合の重みの初期設定を行う(ステップ101)。続いて
、この状態で第1のユニットR1 および第2のユニッ
トR2 から出力される買いを示す信号および売りを示
す信号の評価を行う(ステップ102)。この評価は、
第1のユニットR1 および第2のユニットR2 から
出力されるデータおよび所定の評価基準に基づき行われ
る。そしてこの評価に対応して各ユニット間の結合の重
みを調整する(ステップ103)。そして、第1のユニ
ットR1 および第2のユニットR2 から出力される
買いを示す信号および売りを示す信号の評価を再び行い
(ステップ102)、この評価に対応して再び各ユニッ
ト間の結合の重みを調整し(ステップ103)、この動
作を繰り返す。
【0018】これにより、第1のユニットR1 および
第2のユニットR2 から出力される買いを示す信号お
よび売りを示す信号の評価、すなわち売買の判断の的中
度は順次高くなり、高精度な証券売買意思決定判断が可
能になる。
第2のユニットR2 から出力される買いを示す信号お
よび売りを示す信号の評価、すなわち売買の判断の的中
度は順次高くなり、高精度な証券売買意思決定判断が可
能になる。
【0019】ところで、この実施例では、図1に示した
神経回路網20の第1層のn+1個のユニットS1 ,
S2 ,…Sn+1 に、データ入力部10から入力さ
れる証券売買意思決定判断の基礎となるn+1個のデー
タとして、いわゆるP&Fチャート(ポイントアンドフ
ィギュアチャート)の複数の極値を用いる。
神経回路網20の第1層のn+1個のユニットS1 ,
S2 ,…Sn+1 に、データ入力部10から入力さ
れる証券売買意思決定判断の基礎となるn+1個のデー
タとして、いわゆるP&Fチャート(ポイントアンドフ
ィギュアチャート)の複数の極値を用いる。
【0020】このP&Fチャートについて簡単に説明す
ると、P&Fチャートは証券市場価格の変動を2次元グ
ラフ上に○×で表示するもので、このグラフにおいて、
縦軸は証券市場価格を示し、横軸は時間を示す。ただし
、後述する説明から明らかなように横軸の時間は線形な
関係を表していない。○×で形成される各列の間の時間
は証券市場価格の変動のパターンによって異なる。また
、ここで○×はそれぞれあらかじめ設定された単位価格
を表す。
ると、P&Fチャートは証券市場価格の変動を2次元グ
ラフ上に○×で表示するもので、このグラフにおいて、
縦軸は証券市場価格を示し、横軸は時間を示す。ただし
、後述する説明から明らかなように横軸の時間は線形な
関係を表していない。○×で形成される各列の間の時間
は証券市場価格の変動のパターンによって異なる。また
、ここで○×はそれぞれあらかじめ設定された単位価格
を表す。
【0021】このP&Fチャートの一例が図3に示され
る。図3において、証券市場価格が下降していると、こ
の証券市場価格が一定の単位価格低下する毎に、価格−
時間グラフ上に、○を下に向けて一列に順次プロットし
ていく。そして証券市場価格が下降から上昇に転じると
、列を一列分ずらし、今度は×を上に向けて、一列に順
次プロットしていく。再び、証券市場価格が上昇から下
降に転じると、再び列を一列分ずらし、今度は○を下に
向けて一列に順次プロットしていく。この操作を現時点
の証券市場価格まで繰り返す。
る。図3において、証券市場価格が下降していると、こ
の証券市場価格が一定の単位価格低下する毎に、価格−
時間グラフ上に、○を下に向けて一列に順次プロットし
ていく。そして証券市場価格が下降から上昇に転じると
、列を一列分ずらし、今度は×を上に向けて、一列に順
次プロットしていく。再び、証券市場価格が上昇から下
降に転じると、再び列を一列分ずらし、今度は○を下に
向けて一列に順次プロットしていく。この操作を現時点
の証券市場価格まで繰り返す。
【0022】この実施例では、図3に示したようなP&
Fチャートの複数の極値、すなわち証券市場価格を、図
1に示したデータ入力部10から神経回路網の第1層の
n+1個のユニットS1 ,S2 ,…Sn+1 に入
力する。
Fチャートの複数の極値、すなわち証券市場価格を、図
1に示したデータ入力部10から神経回路網の第1層の
n+1個のユニットS1 ,S2 ,…Sn+1 に入
力する。
【0023】この図1に示したデータ入力部10から神
経回路網20の第1層のn+1個のユニットS1 ,S
2 ,…Sn+1 に入力するP&Fチャートの複数の
極値の一例を図4、図5を参照して更に説明する。
経回路網20の第1層のn+1個のユニットS1 ,S
2 ,…Sn+1 に入力するP&Fチャートの複数の
極値の一例を図4、図5を参照して更に説明する。
【0024】図4は、証券市場価格が現在上昇している
場合のP&Fチャートの一例を示したものである。図4
において、現在の証券市場価格はD0 で示されており
、その前の証券市場価格下降時の極値はD1 で示され
、その前の証券市場価格上昇時の極値はD2 で示され
、その前の証券市場価格下降時の極値はD3 で示され
、その前の証券市場価格上昇時の極値はD4 で示され
る。そこで、この場合はD0 ,D1 ,…Dn に対
応するデータD0 ,D1 ,…Dn が図1に示した
データ入力部10から神経回路網20の第1層のn+1
個のユニットS1 ,S2 ,…Sn+1 に入力され
る。
場合のP&Fチャートの一例を示したものである。図4
において、現在の証券市場価格はD0 で示されており
、その前の証券市場価格下降時の極値はD1 で示され
、その前の証券市場価格上昇時の極値はD2 で示され
、その前の証券市場価格下降時の極値はD3 で示され
、その前の証券市場価格上昇時の極値はD4 で示され
る。そこで、この場合はD0 ,D1 ,…Dn に対
応するデータD0 ,D1 ,…Dn が図1に示した
データ入力部10から神経回路網20の第1層のn+1
個のユニットS1 ,S2 ,…Sn+1 に入力され
る。
【0025】図5は、証券市場価格が現在下降している
場合のP&Fチャートの一例を示したものである。図5
において、現在の証券市場価格はD0 で示されており
、その前の証券市場価格上昇時の極値はD1 で示され
、その前の証券市場価格下降時の極値はD2 で示され
、その前の証券市場価格上昇時の極値はD3 で示され
、その前の証券市場価格下降時の極値はD4 で示され
る。そこで、この場合はD0 ,D1 ,…Dn に対
応するデータD0 ,D1 ,…Dn が図1に示した
データ入力部10から神経回路網20の第1層のn+1
個のユニットS1 ,S2 ,…Sn+1 に入力され
る。
場合のP&Fチャートの一例を示したものである。図5
において、現在の証券市場価格はD0 で示されており
、その前の証券市場価格上昇時の極値はD1 で示され
、その前の証券市場価格下降時の極値はD2 で示され
、その前の証券市場価格上昇時の極値はD3 で示され
、その前の証券市場価格下降時の極値はD4 で示され
る。そこで、この場合はD0 ,D1 ,…Dn に対
応するデータD0 ,D1 ,…Dn が図1に示した
データ入力部10から神経回路網20の第1層のn+1
個のユニットS1 ,S2 ,…Sn+1 に入力され
る。
【0026】再び図1において、図1に示したデータ入
力部10から神経回路網20の第1層のn+1個のユニ
ットS1 ,S2 ,…Sn+1 に入力されると、第
1層のn+1個のユニットS1 ,S2 ,…Sn+1
が反応し、次に、第2層のm個のユニットA1 ,A
2 ,…Am が、第1層のn+1個のユニットS1
,S2 ,…Sn+1 からの信号各結合を介して得て
、反応し、そして、第3層の第1のユニットR1 およ
び第2のユニットR2 は、第2層のm個のユニットA
1 ,A2 ,…Am からの信号を得て、買いを示す
信号および売りを示す信号をそれぞれ出力する。ここで
、第3層の第1のユニットR1および第2のユニットR
2 から出力される買いを示す信号および売りを示す信
号は、第1層のn+1個のユニットS1 ,S2 ,…
Sn+1 に入力されたデータD0 ,D1 ,…Dn
および、第1層のn+1個のユニットS1 ,S2
,…Sn+1 と第2層のm個のユニットA1 ,A2
,…Am との間の複数の結合のそれぞれの重み、お
よび第2層のm個のユニットA1 ,A2 ,…Am
と第3層の2個のユニットR1 ,R2 との間の複数
の結合のそれぞれの重みによって決定されるが、前述し
たように各ユニット間の結合の重みは、第1のユニット
R1 および第2のユニットR2 から出力される買い
を示す信号および売りを示す信号の評価、すなわち売買
の判断の的中度に基づき学習的に調整され、変化するの
で、結局、第1のユニットR1および第2のユニットR
2 から出力される買いを示す信号および売りを示す信
号の評価、すなわち売買の判断の的中度は順次高くなり
、高精度な証券売買意思決定判断が可能になる。
力部10から神経回路網20の第1層のn+1個のユニ
ットS1 ,S2 ,…Sn+1 に入力されると、第
1層のn+1個のユニットS1 ,S2 ,…Sn+1
が反応し、次に、第2層のm個のユニットA1 ,A
2 ,…Am が、第1層のn+1個のユニットS1
,S2 ,…Sn+1 からの信号各結合を介して得て
、反応し、そして、第3層の第1のユニットR1 およ
び第2のユニットR2 は、第2層のm個のユニットA
1 ,A2 ,…Am からの信号を得て、買いを示す
信号および売りを示す信号をそれぞれ出力する。ここで
、第3層の第1のユニットR1および第2のユニットR
2 から出力される買いを示す信号および売りを示す信
号は、第1層のn+1個のユニットS1 ,S2 ,…
Sn+1 に入力されたデータD0 ,D1 ,…Dn
および、第1層のn+1個のユニットS1 ,S2
,…Sn+1 と第2層のm個のユニットA1 ,A2
,…Am との間の複数の結合のそれぞれの重み、お
よび第2層のm個のユニットA1 ,A2 ,…Am
と第3層の2個のユニットR1 ,R2 との間の複数
の結合のそれぞれの重みによって決定されるが、前述し
たように各ユニット間の結合の重みは、第1のユニット
R1 および第2のユニットR2 から出力される買い
を示す信号および売りを示す信号の評価、すなわち売買
の判断の的中度に基づき学習的に調整され、変化するの
で、結局、第1のユニットR1および第2のユニットR
2 から出力される買いを示す信号および売りを示す信
号の評価、すなわち売買の判断の的中度は順次高くなり
、高精度な証券売買意思決定判断が可能になる。
【0027】なお、上記実施例では、2つの出力ユニッ
トR1 およびR2 から買いを示す信号および売りを
示す信号を出力するように構成したが、1つの出力ユニ
ットを用い、その出力の大きさかから買いおよび売りを
判断するように構成してもよい。また、神経回路網20
として階層型ネットワーク構造のものを用いたが、相互
結合型ネットワーク構造のものを用いても同様に構成す
ることができる。
トR1 およびR2 から買いを示す信号および売りを
示す信号を出力するように構成したが、1つの出力ユニ
ットを用い、その出力の大きさかから買いおよび売りを
判断するように構成してもよい。また、神経回路網20
として階層型ネットワーク構造のものを用いたが、相互
結合型ネットワーク構造のものを用いても同様に構成す
ることができる。
【0028】
【発明の効果】以上説明したようにこの発明によれば、
証券売買意思決定に不確かなデータの処理に適した神経
回路網を導入し、この神経回路網の出力から証券売買の
意思を判断するように構成したので、かなりの高精度で
証券売買意思決定を支援でき、しかも使用に応じてその
精度を向上することのできるという効果が得られる。
証券売買意思決定に不確かなデータの処理に適した神経
回路網を導入し、この神経回路網の出力から証券売買の
意思を判断するように構成したので、かなりの高精度で
証券売買意思決定を支援でき、しかも使用に応じてその
精度を向上することのできるという効果が得られる。
【図1】この発明の証券売買意思決定支援装置の一実施
例を示すブロック図。
例を示すブロック図。
【図2】図1に示した実施例の動作を説明するフローチ
ャート。
ャート。
【図3】図1に示した実施例で用いるP&Fチャートの
一例を示すグラフ。
一例を示すグラフ。
【図4】証券市場価格が現在上昇している場合のP&F
チャートの一例を示すグラフ。
チャートの一例を示すグラフ。
【図5】証券市場価格が現在下降している場合のP&F
チャートの一例を示すグラフ。
チャートの一例を示すグラフ。
10 データ入力部
20 神経回路網
S1 ,S2 ,…Sn+1 SユニットA1
,A2 ,…Am AユニットR1
第1のユニット R2 第2のユニット
,A2 ,…Am AユニットR1
第1のユニット R2 第2のユニット
Claims (1)
- 【請求項1】少なくとも、買いまたは売りを示す信号を
出力する出力ユニットと、複数の情報を入力する複数の
入力ユニットとを有し、各ユニットの間はそれぞれ重み
がつけられた結合によって結ばれ、各結合の重みは前記
出力ユニットの出力の評価にもとづく重み調整の繰り返
しによる学習により変化する神経回路網と、証券市場価
格が上昇している間は一定価格上昇するごとにその価格
を上昇価格としてサンプリングし、下降に転じると一定
価格下降するごとにその価格を下降価格としてサンプリ
ングし、これを現在の証券市場価格まで繰り返し、これ
によって得られた複数の上昇価格の極大値および下降価
格の極小値を前記神経回路網の複数の入力ユニットに入
力する入力手段とを具備したことを特徴とする証券売買
意思決定支援装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3026379A JPH04264957A (ja) | 1991-02-20 | 1991-02-20 | 証券売買意思決定支援装置 |
GB9203663A GB2253081A (en) | 1991-02-20 | 1992-02-19 | Security-exchange decision-making support |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3026379A JPH04264957A (ja) | 1991-02-20 | 1991-02-20 | 証券売買意思決定支援装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04264957A true JPH04264957A (ja) | 1992-09-21 |
Family
ID=12191890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3026379A Pending JPH04264957A (ja) | 1991-02-20 | 1991-02-20 | 証券売買意思決定支援装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPH04264957A (ja) |
GB (1) | GB2253081A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019207452A (ja) * | 2018-05-28 | 2019-12-05 | 正雄 成宮 | 投資家支援のための相場分析用プログラム |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761442A (en) * | 1994-08-31 | 1998-06-02 | Advanced Investment Technology, Inc. | Predictive neural network means and method for selecting a portfolio of securities wherein each network has been trained using data relating to a corresponding security |
AUPO170196A0 (en) * | 1996-08-16 | 1996-09-12 | University Of Alberta | A finite-dimensional filter |
US10839321B2 (en) | 1997-01-06 | 2020-11-17 | Jeffrey Eder | Automated data storage system |
US20080071588A1 (en) | 1997-12-10 | 2008-03-20 | Eder Jeff S | Method of and system for analyzing, modeling and valuing elements of a business enterprise |
US6993504B1 (en) | 1999-04-09 | 2006-01-31 | Trading Technologies International, Inc. | User interface for semi-fungible trading |
US7212999B2 (en) | 1999-04-09 | 2007-05-01 | Trading Technologies International, Inc. | User interface for an electronic trading system |
US6735580B1 (en) | 1999-08-26 | 2004-05-11 | Westport Financial Llc | Artificial neural network based universal time series |
US6772132B1 (en) | 2000-03-02 | 2004-08-03 | Trading Technologies International, Inc. | Click based trading with intuitive grid display of market depth |
US7389268B1 (en) | 2000-03-02 | 2008-06-17 | Trading Technologies International, Inc. | Trading tools for electronic trading |
US6938011B1 (en) | 2000-03-02 | 2005-08-30 | Trading Technologies International, Inc. | Click based trading with market depth display |
SG99866A1 (en) * | 2000-07-13 | 2003-11-27 | Asianbourses Com Pte Ltd | Buy or sell recommendation for a financial investment, method and data processing system for such a recommendation |
US20040236673A1 (en) | 2000-10-17 | 2004-11-25 | Eder Jeff Scott | Collaborative risk transfer system |
US20040215551A1 (en) | 2001-11-28 | 2004-10-28 | Eder Jeff S. | Value and risk management system for multi-enterprise organization |
AU2008200204B2 (en) * | 2001-06-14 | 2010-07-29 | Trading Technologies International, Inc | Electronic spread trading tool |
US7243083B2 (en) | 2001-06-14 | 2007-07-10 | Trading Technologies International, Inc. | Electronic spread trading tool |
US7853506B2 (en) * | 2001-09-17 | 2010-12-14 | Recognia Incorporated | Method for categorizing pivot points in technical analysis |
US7835966B2 (en) * | 2001-09-17 | 2010-11-16 | Recognia Inc. | Technical analysis formation recognition using pivot points |
US7523065B2 (en) | 2001-12-12 | 2009-04-21 | Asset Trust, Inc. | Risk transfer supply chain system |
US20080027769A1 (en) | 2002-09-09 | 2008-01-31 | Jeff Scott Eder | Knowledge based performance management system |
US7730063B2 (en) | 2002-12-10 | 2010-06-01 | Asset Trust, Inc. | Personalized medicine service |
US7970640B2 (en) | 2002-06-12 | 2011-06-28 | Asset Trust, Inc. | Purchasing optimization system |
US8713025B2 (en) | 2005-03-31 | 2014-04-29 | Square Halt Solutions, Limited Liability Company | Complete context search system |
US8498915B2 (en) | 2006-04-02 | 2013-07-30 | Asset Reliance, Inc. | Data processing framework for financial services |
EP2939163A4 (en) * | 2012-12-31 | 2015-12-02 | Shuster Gary Stephen | DECISION MAKING USING PROGRAMMATIC OR ALGORITHMIC ANALYSIS |
US20210350426A1 (en) | 2020-05-07 | 2021-11-11 | Nowcasting.ai, Inc. | Architecture for data processing and user experience to provide decision support |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5109475A (en) * | 1988-09-19 | 1992-04-28 | Hitachi, Ltd. | Method and a system for selection of time series data |
-
1991
- 1991-02-20 JP JP3026379A patent/JPH04264957A/ja active Pending
-
1992
- 1992-02-19 GB GB9203663A patent/GB2253081A/en not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019207452A (ja) * | 2018-05-28 | 2019-12-05 | 正雄 成宮 | 投資家支援のための相場分析用プログラム |
Also Published As
Publication number | Publication date |
---|---|
GB2253081A (en) | 1992-08-26 |
GB9203663D0 (en) | 1992-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH04264957A (ja) | 証券売買意思決定支援装置 | |
US5161103A (en) | Real time status monitoring system | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
US6493691B1 (en) | Assembly of interconnected computing elements, method for computer-assisted determination of a dynamics which is the base of a dynamic process, and method for computer-assisted training of an assembly of interconnected elements | |
CN110222838A (zh) | 深度神经网络及其训练方法、装置、电子设备及存储介质 | |
JPH02287860A (ja) | 情報処理装置 | |
JPH09257553A (ja) | 自重測定装置 | |
CN117348831B (zh) | 液晶显示屏的画面调校方法及系统 | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
CN108304298A (zh) | 基于教育行业实现多管理端对学生移动终端的监管系统 | |
CN104636833B (zh) | 选取配置措施的方法和装置 | |
JP2682312B2 (ja) | スケジューリングシステム及び条件調整ニューラルネットワーク | |
JP3110584B2 (ja) | 製品プラン作成装置 | |
JPH02157981A (ja) | ニューラルネットを用いたパターン認識システム | |
JPH0458188A (ja) | 天気予測装置 | |
JPH04220758A (ja) | 時系列データの予測及び予測認識方法 | |
CN115858926B (zh) | 基于用户的复杂多模式兴趣提取与建模的序列推荐方法 | |
Bauer et al. | Dynamics of signal processing in feedback multilayer perceptrons | |
JPH05108601A (ja) | ニユーラルネツトワーク学習装置 | |
CN117474624A (zh) | 一种购物订单的适老化处理方法 | |
Zalloi | Forecasting momentary price of crude oil and gas fossil energies in the world markets through fuzzy based modeling | |
Bairdy et al. | On the Localization of Feedforward Networks | |
JPH04364565A (ja) | ニューラルネットワーク装置 | |
Lázaro et al. | Physical-Mathematical wind prediction model |