JPH04373069A - 証券価格予測装置 - Google Patents
証券価格予測装置Info
- Publication number
- JPH04373069A JPH04373069A JP3151349A JP15134991A JPH04373069A JP H04373069 A JPH04373069 A JP H04373069A JP 3151349 A JP3151349 A JP 3151349A JP 15134991 A JP15134991 A JP 15134991A JP H04373069 A JPH04373069 A JP H04373069A
- Authority
- JP
- Japan
- Prior art keywords
- price
- data
- chart
- section
- price prediction
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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】
【産業上の利用分野】本発明は証券取引所で売買される
有価証券の価格を予測する証券価格予測装置に関する。
有価証券の価格を予測する証券価格予測装置に関する。
【0002】
【従来の技術】公設又は私設の証券取引所で売買される
有価証券としては、代表的な株式の他に、長期,短期の
国債,転換社債、ワラント債券,為替等がある。これら
の証券取引所で売買される価格を適切に予測することは
投資家にとって最重要関心事である事は勿論である。
有価証券としては、代表的な株式の他に、長期,短期の
国債,転換社債、ワラント債券,為替等がある。これら
の証券取引所で売買される価格を適切に予測することは
投資家にとって最重要関心事である事は勿論である。
【0003】しかし、将来価格を正確に予測する事は非
常に困難である。この正確に予測できない最大の要因は
、なによりも価格は価値判断基準が異なる多数の人間の
恣意によって定まるからである。しかし、その量が膨大
になると、将来価格はある程度統計的手法を用いて過去
のデータの延長線上に位置すると見なしてよい。
常に困難である。この正確に予測できない最大の要因は
、なによりも価格は価値判断基準が異なる多数の人間の
恣意によって定まるからである。しかし、その量が膨大
になると、将来価格はある程度統計的手法を用いて過去
のデータの延長線上に位置すると見なしてよい。
【0004】そこで、従来から、過去のデータを利用す
る手法として多数の方法が提唱されている。例えば証券
取引所に上場されている株式に例を取って説明すると、
毎日又は、一週間毎に、始値,高値,安値,終値のいわ
ゆる4本値と売買の出来高を1枚のチャートに描き、今
日までの又は今週までのチャートの時系列データの傾向
から、該当株式の明日又は来週の価格を推定していた。
る手法として多数の方法が提唱されている。例えば証券
取引所に上場されている株式に例を取って説明すると、
毎日又は、一週間毎に、始値,高値,安値,終値のいわ
ゆる4本値と売買の出来高を1枚のチャートに描き、今
日までの又は今週までのチャートの時系列データの傾向
から、該当株式の明日又は来週の価格を推定していた。
【0005】
【発明が解決しようとする課題】しかし、その明日又は
近い将来の価格を予測する事は、経験豊かな証券アナリ
ストが過去の膨大な経験と勘とに基づいて行ってきたが
、必ずしも正確に価格を予測できなかった。
近い将来の価格を予測する事は、経験豊かな証券アナリ
ストが過去の膨大な経験と勘とに基づいて行ってきたが
、必ずしも正確に価格を予測できなかった。
【0006】すなわち、前述したように過去のデータを
利用する場合においてもチャートの作成方法も多岐に亘
り、かつチャートの分析手法も種々ある。その結果、過
去のチャートの分析結果とその後の価格との相関関係を
正しく求める事が困難であり、人間の経験的な知識を用
いて行っていたが、その経験的な知識を求めることが困
難であった。
利用する場合においてもチャートの作成方法も多岐に亘
り、かつチャートの分析手法も種々ある。その結果、過
去のチャートの分析結果とその後の価格との相関関係を
正しく求める事が困難であり、人間の経験的な知識を用
いて行っていたが、その経験的な知識を求めることが困
難であった。
【0007】また、経験的な知識が変化する場合があり
、将来価格を計算機上で実現するためには、予測を行う
ルールを設定し、またそのルールを経験的な知識が変化
した場合にその変化に対応させて変更する必要があった
。しかし、その変更作業は膨大な量になり、計算機でも
って価格予測を行うことは必ずしも最良の手法とは見な
されていなかった。
、将来価格を計算機上で実現するためには、予測を行う
ルールを設定し、またそのルールを経験的な知識が変化
した場合にその変化に対応させて変更する必要があった
。しかし、その変更作業は膨大な量になり、計算機でも
って価格予測を行うことは必ずしも最良の手法とは見な
されていなかった。
【0008】本発明はこのような事情に鑑みてなされた
ものであり、チャート分析結果とその後の価格変動との
相関関係を計算機を用いて求め、その求められた相関関
係に基づいて将来の証券価格をより正確に予測できる証
券価格予測装置を提供することを目的とする。
ものであり、チャート分析結果とその後の価格変動との
相関関係を計算機を用いて求め、その求められた相関関
係に基づいて将来の証券価格をより正確に予測できる証
券価格予測装置を提供することを目的とする。
【0009】
【課題を解決するための手段】上記課題を解消するため
に本発明の証券価格予測装置においては、証券取引所か
ら時系列的に送信される相場情報を受信する相場情報受
信部と、この相場情報受信部にて受信される各相場情報
を時系列的に蓄積する相場情報蓄積部と、この相場情報
蓄積部に蓄積された時系列データを予め定められた複数
の変換式を用いてチャートデータに変換するチャート作
成部と、このチャート作成部にて作成されたチャートデ
ータを所定の分析方法で分析するチャート分析部と、こ
のチャート分析部における分析結果データと相場情報蓄
積部にて蓄積された蓄積データとの対応関係を算出する
データ対応部と、このデータ対応部にて得られた対応関
係データを用いて、価格予測に関する価格予測パラメー
タを用いた価格予測モデルを作成する価格予測モデル作
成部と、直近に受信された相場情報に基づいて得られた
最新の分析結果データから価格予測モデル作成部で作成
された価格予測モデルを用いて将来の証券価格を予測す
る価格予測部とを備えたものである。
に本発明の証券価格予測装置においては、証券取引所か
ら時系列的に送信される相場情報を受信する相場情報受
信部と、この相場情報受信部にて受信される各相場情報
を時系列的に蓄積する相場情報蓄積部と、この相場情報
蓄積部に蓄積された時系列データを予め定められた複数
の変換式を用いてチャートデータに変換するチャート作
成部と、このチャート作成部にて作成されたチャートデ
ータを所定の分析方法で分析するチャート分析部と、こ
のチャート分析部における分析結果データと相場情報蓄
積部にて蓄積された蓄積データとの対応関係を算出する
データ対応部と、このデータ対応部にて得られた対応関
係データを用いて、価格予測に関する価格予測パラメー
タを用いた価格予測モデルを作成する価格予測モデル作
成部と、直近に受信された相場情報に基づいて得られた
最新の分析結果データから価格予測モデル作成部で作成
された価格予測モデルを用いて将来の証券価格を予測す
る価格予測部とを備えたものである。
【0010】
【作用】このように構成された証券価格予測装置であれ
ば、証券取引所から時系列的に送信されてくる相場情報
は相場情報受信部にて受信された後、相場情報蓄積部に
よって例えばデータファイルに時系列的に蓄積される。
ば、証券取引所から時系列的に送信されてくる相場情報
は相場情報受信部にて受信された後、相場情報蓄積部に
よって例えばデータファイルに時系列的に蓄積される。
【0011】次に、価格予測モデルの作成において、ま
ず、蓄積された時系列データはチャート作成部によって
チャートデータに変換される。そして、作成されたチャ
ートデータは所定の分析方法でもって分析される。分析
結果データはデータ対応部でもって蓄積データとの対応
関係が求められる。求められた対応関係は価格予測モデ
ル作成部へ送出される。そして最終的に、価格予測モデ
ル作成部において、対応関係データを用いて、価格予測
に関する価格予測パラメータを用いた価格予測モデルを
作成する。
ず、蓄積された時系列データはチャート作成部によって
チャートデータに変換される。そして、作成されたチャ
ートデータは所定の分析方法でもって分析される。分析
結果データはデータ対応部でもって蓄積データとの対応
関係が求められる。求められた対応関係は価格予測モデ
ル作成部へ送出される。そして最終的に、価格予測モデ
ル作成部において、対応関係データを用いて、価格予測
に関する価格予測パラメータを用いた価格予測モデルを
作成する。
【0012】また、実際に上記手法で求められた価格予
測モデルを用いて価格予測を行う場合は、まず最初に、
相場情報受信部が受信した最新の相場情報をチャート作
成部を用いてチャートデータに変換し、さらにチャート
分析を行う。そして、得られた最新の分析結果データか
ら前記作成された価格予測パラメータを用いて将来の証
券価格が算出される。
測モデルを用いて価格予測を行う場合は、まず最初に、
相場情報受信部が受信した最新の相場情報をチャート作
成部を用いてチャートデータに変換し、さらにチャート
分析を行う。そして、得られた最新の分析結果データか
ら前記作成された価格予測パラメータを用いて将来の証
券価格が算出される。
【0013】
【実施例】以下本発明の一実施例を図面を用いて説明す
る。
る。
【0014】図1は実施例の証券価格予測装置の概略構
成を示すブロック図である。なお、この証券価格予測装
置は、相場情報受信部を除き、一種の電子計算機におけ
るアプリケーションプログラムでもってソフト的に構成
されている。
成を示すブロック図である。なお、この証券価格予測装
置は、相場情報受信部を除き、一種の電子計算機におけ
るアプリケーションプログラムでもってソフト的に構成
されている。
【0015】例えば上場された株式を売買する証券取引
所1のホストコンピュータに例えば専用回線を用いて接
続されたデータ受信端末機等からなる相場情報受信部2
には、午前の立ち会い開始時刻から午後の立ち会い終了
時刻までの時々刻々変化する各銘柄の価格とその時点お
ける出来高がオンラインで入力される。また、1週間に
一度は信用銘柄の買残,売残等の信用取引きのその時点
における残高が入力される。
所1のホストコンピュータに例えば専用回線を用いて接
続されたデータ受信端末機等からなる相場情報受信部2
には、午前の立ち会い開始時刻から午後の立ち会い終了
時刻までの時々刻々変化する各銘柄の価格とその時点お
ける出来高がオンラインで入力される。また、1週間に
一度は信用銘柄の買残,売残等の信用取引きのその時点
における残高が入力される。
【0016】なお、株式の直接的なデータのみでなく、
株価に影響を与えると考えられる転換社債やワラント債
の価格のデータも同時に入力される。さらに、長期,短
期の金利情報も入力される。
株価に影響を与えると考えられる転換社債やワラント債
の価格のデータも同時に入力される。さらに、長期,短
期の金利情報も入力される。
【0017】相場情報受信部2にて時系列的に受信され
た上述した各種の相場情報は相場情報蓄積部3でもって
データベース4に時系列的に蓄積される。このデータベ
ース4には常時現在から過去数年分のデータが蓄積され
ている。まず、最初にこのデータベース4に蓄積された
蓄積データを用いて最終的な価格予測モデルを作成する
手法を説明する。
た上述した各種の相場情報は相場情報蓄積部3でもって
データベース4に時系列的に蓄積される。このデータベ
ース4には常時現在から過去数年分のデータが蓄積され
ている。まず、最初にこのデータベース4に蓄積された
蓄積データを用いて最終的な価格予測モデルを作成する
手法を説明する。
【0018】データベース4に蓄積された時系列データ
はチャート作成部5へ入力される。チャート作成部5は
入力された時系列データを予め定められた複数の変換式
を用いてチャートデータに変換する。このチャートデー
タとは、例えば、日足,週足、月足等の始値,高値,安
値,終値,出来高,信用残、また必要に応じて、6週移
動平均、13週移動平均等のデータも含まれる。
はチャート作成部5へ入力される。チャート作成部5は
入力された時系列データを予め定められた複数の変換式
を用いてチャートデータに変換する。このチャートデー
タとは、例えば、日足,週足、月足等の始値,高値,安
値,終値,出来高,信用残、また必要に応じて、6週移
動平均、13週移動平均等のデータも含まれる。
【0019】変換された各方式のチャートデータ6はそ
れぞれ専用のチャート分析部7へ送出される。各チャー
ト分析部7は各変換方式でもって得られた各チャートデ
ータに予め定められた最適の分析方法で各チャートデー
タ6を分析する。チャート分析とは、例えば、出来高と
株価の上昇率の比や、日足データと各種移動平均データ
との関係や、細かい所では始値と終値都との関係、また
は昨年来または年初来の高値,安値に対する比較等であ
る。各チャート分析部7で得られた各分析結果データ8
は一旦分析結果データファイルに記憶される。なお、こ
のチャート分析は各銘柄毎に行われる。
れぞれ専用のチャート分析部7へ送出される。各チャー
ト分析部7は各変換方式でもって得られた各チャートデ
ータに予め定められた最適の分析方法で各チャートデー
タ6を分析する。チャート分析とは、例えば、出来高と
株価の上昇率の比や、日足データと各種移動平均データ
との関係や、細かい所では始値と終値都との関係、また
は昨年来または年初来の高値,安値に対する比較等であ
る。各チャート分析部7で得られた各分析結果データ8
は一旦分析結果データファイルに記憶される。なお、こ
のチャート分析は各銘柄毎に行われる。
【0020】データ対応部9は、データベース4に記憶
されている該当銘柄の時系列的な蓄積データの各時点に
おけるデータ(相場情報)と、分析結果データファイル
に記憶されている分析結果データ8との対応関係を例え
ば統計的手法を用いて算出する。算出された対応関係デ
ータは価格予測モデル作成データ10として価格予測モ
デル作成部11のデータメモリに格納される。
されている該当銘柄の時系列的な蓄積データの各時点に
おけるデータ(相場情報)と、分析結果データファイル
に記憶されている分析結果データ8との対応関係を例え
ば統計的手法を用いて算出する。算出された対応関係デ
ータは価格予測モデル作成データ10として価格予測モ
デル作成部11のデータメモリに格納される。
【0021】価格予測モデル作成部11は、データメモ
リに記憶されている対応関係データからなる価格予測モ
デル作成データ10を用いて、価格予測パラメータ12
を用いた価格予測モデルを作成する。
リに記憶されている対応関係データからなる価格予測モ
デル作成データ10を用いて、価格予測パラメータ12
を用いた価格予測モデルを作成する。
【0022】この価格予測パラメータ12の作成および
更新方法として例えばバックプロパゲーション・アルゴ
リズム等の学習アルゴリズムを用いて学習を行うニュー
ラルネットワーク理論が用いられる。
更新方法として例えばバックプロパゲーション・アルゴ
リズム等の学習アルゴリズムを用いて学習を行うニュー
ラルネットワーク理論が用いられる。
【0023】図2はこの実施例で使用されるニューラル
ネットワークの概略構成を示す模式図である。このニュ
ーラルネットワークは、複数の入力ノードAからなる入
力層14aと、各入力ノードAとアークBを介してネッ
トワークで結合された複数の中間ノードCからなる中間
層14bと、各中間ノードCとアークDを介してネット
ワークで結合された複数の出力ノードEからなる出力層
14cとで構成されている。また、各アークBには、各
入力ノードAと各中間ノードCとの間の結合の強さを示
す荷重値Wacが設定されている。同様に、各アークD
には、各中間ノードCと各出力ノードEとの間の結合の
強さを示す荷重値Wceが設定されている。
ネットワークの概略構成を示す模式図である。このニュ
ーラルネットワークは、複数の入力ノードAからなる入
力層14aと、各入力ノードAとアークBを介してネッ
トワークで結合された複数の中間ノードCからなる中間
層14bと、各中間ノードCとアークDを介してネット
ワークで結合された複数の出力ノードEからなる出力層
14cとで構成されている。また、各アークBには、各
入力ノードAと各中間ノードCとの間の結合の強さを示
す荷重値Wacが設定されている。同様に、各アークD
には、各中間ノードCと各出力ノードEとの間の結合の
強さを示す荷重値Wceが設定されている。
【0024】すなわち、入力ノードAの各値X1 ,X
2 ,….Xi ,…,X10と、中間ノードCの各値
Z1 ,…,Zi ,…Z10と、出力ノードEの各値
Y1 ,Y2 ,…,Y1 ,…、Y5 とは上記各荷
重値Wacij,Wceijを用いて(1) 式のよう
に表記できる。
2 ,….Xi ,…,X10と、中間ノードCの各値
Z1 ,…,Zi ,…Z10と、出力ノードEの各値
Y1 ,Y2 ,…,Y1 ,…、Y5 とは上記各荷
重値Wacij,Wceijを用いて(1) 式のよう
に表記できる。
【0025】
【数1】
したがって、出力ノードEの各値Yは入力ノードAの各
値Xと各荷重値Wacij,Wceijとが定まれば、
一義的に定まる。
値Xと各荷重値Wacij,Wceijとが定まれば、
一義的に定まる。
【0026】そして、実施例においては、入力層14a
の各入力ノードAの各値X1 〜X10が、前述した各
分析結果データ8となる。そして、出力層14cの各出
力ノードY1 〜Y5 が予想価格となる。具体的に
は、例えば出力ノードY1 が現在価格からの上昇金額
を示し、出力ノードY2が現在価格からの下落金額を示
し、出力ノードY3 が予想変動幅を示し、出力ノード
Y4 が予測値の信頼度(%)を示す。また、出力ノー
ドY5 は全く予測不可能の程度を示す。
の各入力ノードAの各値X1 〜X10が、前述した各
分析結果データ8となる。そして、出力層14cの各出
力ノードY1 〜Y5 が予想価格となる。具体的に
は、例えば出力ノードY1 が現在価格からの上昇金額
を示し、出力ノードY2が現在価格からの下落金額を示
し、出力ノードY3 が予想変動幅を示し、出力ノード
Y4 が予測値の信頼度(%)を示す。また、出力ノー
ドY5 は全く予測不可能の程度を示す。
【0027】また、前記各荷重値Wacij,Wcei
jは、前述したバックプロパゲーション・アリゴリズム
により修正される。このバックプロパゲーション・アリ
ゴリズムとは、入力層14aの入力パータンに対して、
出力層14cに望ましい出力パータンが出力されるよう
に、学習を行って、最適の各荷重値Wacij,Wce
ijを求める。
jは、前述したバックプロパゲーション・アリゴリズム
により修正される。このバックプロパゲーション・アリ
ゴリズムとは、入力層14aの入力パータンに対して、
出力層14cに望ましい出力パータンが出力されるよう
に、学習を行って、最適の各荷重値Wacij,Wce
ijを求める。
【0028】なお、この学習においては、入力パターン
に対するニューラルネットワークの実際の出力パターン
と、望ましい出力パターンとの間の2乗誤差が減るよう
に、出力層14cから入力層14aに向かって逆向きに
各荷重値Wacij,Wceijを修正する。
に対するニューラルネットワークの実際の出力パターン
と、望ましい出力パターンとの間の2乗誤差が減るよう
に、出力層14cから入力層14aに向かって逆向きに
各荷重値Wacij,Wceijを修正する。
【0029】具体的には、出力ノードEに出力される過
去のある時点の株価が、それ以前の蓄積データに基づい
て得られた分析結果データを(1) 式で演算すること
によって得られるように各荷重値Wacij,Wcei
jiを設定する。次に、このような価格予測パラメータ
12を用いて、価格予測モデルを用いた実際の価格を予
測する手順を説明する。
去のある時点の株価が、それ以前の蓄積データに基づい
て得られた分析結果データを(1) 式で演算すること
によって得られるように各荷重値Wacij,Wcei
jiを設定する。次に、このような価格予測パラメータ
12を用いて、価格予測モデルを用いた実際の価格を予
測する手順を説明する。
【0030】まず、証券取引所1から受信した最新の相
場情報は、前述したように、相場情報蓄積部3でもって
一旦データベース4へ格納された後、チャート作成部5
にて読出されて、チャートデータ6に変換される。チャ
ート分析部7はそれぞれのチャートデータ6を前述した
各分析手法を用いて分析する。分析された各分析結果デ
ータ8は価格予測部13へ入力される。価格予測部13
は図2に示したニューラルネットワークにて設定された
(1) 式で示す価格予測パラメータ12を用いて最終
的な将来の価格を算出する。
場情報は、前述したように、相場情報蓄積部3でもって
一旦データベース4へ格納された後、チャート作成部5
にて読出されて、チャートデータ6に変換される。チャ
ート分析部7はそれぞれのチャートデータ6を前述した
各分析手法を用いて分析する。分析された各分析結果デ
ータ8は価格予測部13へ入力される。価格予測部13
は図2に示したニューラルネットワークにて設定された
(1) 式で示す価格予測パラメータ12を用いて最終
的な将来の価格を算出する。
【0031】このように構成された証券価格予測装置に
よれば、現在までの過去数年間における相場情報の時系
列的な蓄積データに基づいて図2に示すニューラルネッ
トワークの手法を用いて定量的な価格予測パラメータ1
2を組込んだ価格予測モデルを作成することができた。
よれば、現在までの過去数年間における相場情報の時系
列的な蓄積データに基づいて図2に示すニューラルネッ
トワークの手法を用いて定量的な価格予測パラメータ1
2を組込んだ価格予測モデルを作成することができた。
【0032】よって、経験豊かな証券アナリストが長年
の経験と勘とで将来の価格を予測する従来の手法に比較
して、格段に合理的判断ができ、より高い精度で将来の
証券価格を予測できる。
の経験と勘とで将来の価格を予測する従来の手法に比較
して、格段に合理的判断ができ、より高い精度で将来の
証券価格を予測できる。
【0033】なお、本発明は上述した実施例に限定され
るものではない。実施例装置においては、価格予測対象
を証券取引所に上場された株式に適用したが、株式に限
定されるものではなく、例えば転換社債,ワラント債,
長期,短期の国債,為替等であってもよい。
るものではない。実施例装置においては、価格予測対象
を証券取引所に上場された株式に適用したが、株式に限
定されるものではなく、例えば転換社債,ワラント債,
長期,短期の国債,為替等であってもよい。
【0034】
【発明の効果】以上説明したように本発明の証券価格予
測装置によれば、チャート分析結果とその後の価格変動
との相関関係を求めて価格予測モデルを構築している。 したがって、この求められた価格予測モデルを用いるこ
とによって高い精度で将来の証券価格を求めることがで
き、効率のよい証券投資を行うことができる。
測装置によれば、チャート分析結果とその後の価格変動
との相関関係を求めて価格予測モデルを構築している。 したがって、この求められた価格予測モデルを用いるこ
とによって高い精度で将来の証券価格を求めることがで
き、効率のよい証券投資を行うことができる。
【図1】 本発明の一実施例に係わる証券価格予測装
置の概略構成を示すブロック図、
置の概略構成を示すブロック図、
【図2】 同実施例装置に用いるニューラルネットワ
ークを示す概念図。
ークを示す概念図。
1…証券取引所、2…相場情報受信部、3…相場情報蓄
積部、4…データベース、5…チャート作成部、6…チ
ャートデータ、7…チャート分析部、8…分析結果デー
タ、9…データ対応部、11…価格予測モデル作成部、
12…価格予測パラメータ、13…価格予測部。
積部、4…データベース、5…チャート作成部、6…チ
ャートデータ、7…チャート分析部、8…分析結果デー
タ、9…データ対応部、11…価格予測モデル作成部、
12…価格予測パラメータ、13…価格予測部。
Claims (1)
- 【請求項1】 証券取引所から時系列的に送信される
相場情報を受信する相場情報受信部と、この相場情報受
信部にて受信される各相場情報を時系列的に蓄積する相
場情報蓄積部と、この相場情報蓄積部に蓄積された時系
列データを予め定められた複数の変換式を用いてチャー
トデータに変換するチャート作成部と、このチャート作
成部にて作成されたチャートデータを所定の分析方法で
分析するチャート分析部と、このチャート分析部におけ
る分析結果データと前記相場情報蓄積部にて蓄積された
蓄積データとの対応関係を算出するデータ対応部と、こ
のデータ対応部にて得られた対応関係データを用いて、
価格予測に関する価格予測パラメータを用いた価格予測
モデルを作成する価格予測モデル作成部と、直近に受信
された相場情報に基づいて得られた最新の分析結果デー
タから前記価格予測モデル作成部で作成された価格予測
モデルを用いて将来の証券価格を予測する価格予測部と
を備えた証券価格予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3151349A JPH04373069A (ja) | 1991-06-24 | 1991-06-24 | 証券価格予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3151349A JPH04373069A (ja) | 1991-06-24 | 1991-06-24 | 証券価格予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04373069A true JPH04373069A (ja) | 1992-12-25 |
Family
ID=15516621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3151349A Pending JPH04373069A (ja) | 1991-06-24 | 1991-06-24 | 証券価格予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH04373069A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744529A (ja) * | 1993-07-27 | 1995-02-14 | Masuhiro Yamada | 市場取引に係わる時系列データの予測及び取引支援装置 |
JPH07168806A (ja) * | 1993-12-15 | 1995-07-04 | Masuhiro Yamada | 市場取引に係わる時系列データの予測及び取引支援装置 |
JP2007524897A (ja) * | 2003-03-05 | 2007-08-30 | モルガン・スタンレー | インテリジェントシミュレーション分析方法およびシステム |
JP2010507872A (ja) * | 2006-10-24 | 2010-03-11 | アイ・ティ・ジー ソフトウェア ソリューションズ インコーポレーテッド | 取引費用の取引後取引費用予測のためのシステム及び方法 |
JP2014052941A (ja) * | 2012-09-10 | 2014-03-20 | Daiwa Institute Of Research Business Innovation Ltd | 注文システム |
JP2017117152A (ja) * | 2015-12-24 | 2017-06-29 | みずほ証券株式会社 | 取引管理システム、取引管理方法及び取引管理プログラム |
-
1991
- 1991-06-24 JP JP3151349A patent/JPH04373069A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744529A (ja) * | 1993-07-27 | 1995-02-14 | Masuhiro Yamada | 市場取引に係わる時系列データの予測及び取引支援装置 |
JPH07168806A (ja) * | 1993-12-15 | 1995-07-04 | Masuhiro Yamada | 市場取引に係わる時系列データの予測及び取引支援装置 |
JP2007524897A (ja) * | 2003-03-05 | 2007-08-30 | モルガン・スタンレー | インテリジェントシミュレーション分析方法およびシステム |
US7865415B2 (en) | 2003-03-05 | 2011-01-04 | Morgan Stanley | Intelligent simulation analysis method and system |
JP2010507872A (ja) * | 2006-10-24 | 2010-03-11 | アイ・ティ・ジー ソフトウェア ソリューションズ インコーポレーテッド | 取引費用の取引後取引費用予測のためのシステム及び方法 |
JP2014052941A (ja) * | 2012-09-10 | 2014-03-20 | Daiwa Institute Of Research Business Innovation Ltd | 注文システム |
JP2017117152A (ja) * | 2015-12-24 | 2017-06-29 | みずほ証券株式会社 | 取引管理システム、取引管理方法及び取引管理プログラム |
WO2017110171A1 (ja) * | 2015-12-24 | 2017-06-29 | みずほ証券 株式会社 | 取引管理システム、取引管理方法及び取引管理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moody et al. | Performance functions and reinforcement learning for trading systems and portfolios | |
Al Parisi | Overview of forecasting zakat collection in indonesia using multiplicative decomposition | |
Gonzalez Miranda et al. | Modelling market volatilities: the neural network perspective | |
Simpson et al. | Modelling business cycle movements in the UK economy | |
Sun et al. | Using machine learning for cryptocurrency trading | |
US20030065606A1 (en) | Method for categorizing pivot points in technical analysis | |
CN112732786A (zh) | 金融数据处理方法、装置、设备及存储介质 | |
Moreno-Pino et al. | Deepvol: Volatility forecasting from high-frequency data with dilated causal convolutions | |
JP2019125306A (ja) | データ処理方法、データ処理装置およびプログラム | |
JPH04373069A (ja) | 証券価格予測装置 | |
Raheem et al. | Forecasting foreign exchange rate: Use of FbProphet | |
KR102614595B1 (ko) | 실시간 거시지표 예측 기반 주가 예측 시스템 | |
Schittenkopf et al. | The benefit of information reduction for trading strategies | |
Wiiava et al. | Stock price prediction with golden cross and death cross on technical analysis indicators using long short term memory | |
Brzeszczynski et al. | Are there benefits from trading strategy based on the returns spillovers to the emerging Stock markets?: evidence from Poland | |
Driffill et al. | An empirical examination of term structure models with regime shifts | |
Lekkos et al. | Forecasting interest rate swap spreads using domestic and international risk factors: evidence from linear and non‐linear models | |
Asati | A Comparative Study On Forecasting Consumer Price Index Of India Amongst XGBoost, Theta, ARIMA, Prophet And LSTM Algorithms. | |
CN112132352A (zh) | 一种基于注意力以及密集连接的股价趋势预测方法 | |
Pavel et al. | Decision Making Process of Stock Trading Implementing DRQN And ARIMA | |
Jabbour et al. | Multinomial lattices and derivatives pricing | |
De Clerk et al. | AI algorithms for fitting GARCH parameters to empirical financial data | |
Alamsyah et al. | Comparison of Predictions Foreign Currency Exchange Rates (USD, JPY, EUR, GBP, CHF, CAD) to Rupiah (IDR) using Artificial Neural Network and Long Short-Term Memory | |
Shankar et al. | Comparative Study of Performances of Banks Using Markov Chain Model and LSTM | |
Guo et al. | How to mine gold without digging |