JPH07296057A - Method for monitoring financial market - Google Patents

Method for monitoring financial market

Info

Publication number
JPH07296057A
JPH07296057A JP8940194A JP8940194A JPH07296057A JP H07296057 A JPH07296057 A JP H07296057A JP 8940194 A JP8940194 A JP 8940194A JP 8940194 A JP8940194 A JP 8940194A JP H07296057 A JPH07296057 A JP H07296057A
Authority
JP
Japan
Prior art keywords
time series
time
trend
method
variation
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
Application number
JP8940194A
Other languages
Japanese (ja)
Inventor
Hideyuki Maki
Ikuo Yoshihara
郁夫 吉原
牧  秀行
Original Assignee
Hitachi Ltd
株式会社日立製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd, 株式会社日立製作所 filed Critical Hitachi Ltd
Priority to JP8940194A priority Critical patent/JPH07296057A/en
Publication of JPH07296057A publication Critical patent/JPH07296057A/en
Application status is Pending legal-status Critical

Links

Abstract

PURPOSE: To provide a function prompting attention by notifying a user of the difficulty of prediction when it is expected, by monitoring a financial market.
CONSTITUTION: A trend extraction 102 takes out from economic time series data 101 its time series of the trend component. Trend prediction 103 predicts a future trend. A monitor 104 calculates the alienation between the result of trend prediction 103 and the economic time series data realizing value of original so as to continue monitoring how this alienation changes along with the passage of time. When the monitoring means detects the drastic change of alienation, a notifying means notifies 105 the user of it.
COPYRIGHT: (C)1995,JPO

Description

【発明の詳細な説明】 DETAILED DESCRIPTION OF THE INVENTION

【0001】 [0001]

【産業上の利用分野】本発明は金融取引における意思決定支援システムに関する。 The present invention relates to a decision support system in financial transactions.

【0002】 [0002]

【従来の技術】特開平5−135060 号公報「取引市場の価格形成シミュレーション方法」では投資家の売買行動、 BACKGROUND OF THE INVENTION JP-A-5-135060 Patent Publication "of the trading market price formation simulation method" in investors buying and selling behavior,
および価格形成の仕組をモデル化し、商品の初期価格, And model the mechanisms of price formation, the initial price of the product,
投資家人数等をパラメータとして価格形成をシミュレートする手法が示されている。 It is shown techniques to simulate the price formation investors number of people or the like as a parameter. このシミュレーション手法は現物投資家,先物投資家,裁定投資家の3種の投資家を持ち、各投資家は現物および先物の現在の価格をもとに、売買行動モデルにしたがって注文を決定する。 This simulation technique is kind investors, futures investors, has three types of investors arbitrage investors, each investor is based on the current price of spot and futures, to determine the order in accordance with the buying and selling behavior model. この注文を受け、価格形成モデルにしたがって現物および先物の価格が決定される。 Upon receiving the order, according to the pricing model the price of spot and futures are determined. 以上の、注文と価格決定の処理を繰り返す。 Or more, the process is repeated orders and pricing.

【0003】このシミュレーション方法によれば、 [0003] According to this simulation method,
(1)極力現実の市場に近いモデルでシミュレーションを行うので、価格形成のメカニズムの解析が可能となる、(2)新しい取引市場の創設時に、市場の制度が目的のとおりに機能するかをあらかじめ確認できる、 (1) Since as much as possible to simulate the model closer to the reality of the market, analysis of the mechanism of price formation is possible, (2) a new transaction at the time of the creation of a market, or the pre-market system to function as of purpose It can be confirmed,
(3)投資手法,投資戦略のトレーニングシステムとして利用できる、という効果があるとしている。 (3) investment approach, can be used as a training system of investment strategy, it is that there is an effect that.

【0004】特願平3−187254 号明細書「フラクタル次元を応用した情報処理装置」にフラクタル次元を用いた時系列予測の適中率の予測,異常警報信号の発生などの技術が示されている。 [0004] As predicted the predictive value of time series prediction using fractal dimension in Japanese Patent Application No. 3-187254 specification, "the information processing apparatus that applies fractal dimension" technologies such as abnormal alarm signal is shown . ここでは時系列の変動の複雑さをフラクタル次元という尺度で測り、フラクタル次元の値が大きいほど予測的中率が低いという関係から、予測の的中率を事前に知ることができるとしている。 Here measure a measure of the fractal dimension of the complexity of the variation in the time series, the relationship as predicted hitting ratio the larger the value of the fractal dimension is low, is set to the hitting ratio of prediction can be known in advance. また、時間の経過にともなってフラクタル次元の値が変化することから時系列の変動の局面の変化を知ることができるとしている。 Also as it is possible to know the change in the aspects of variation in the time series may change the value of the fractal dimension with time.

【0005】 [0005]

【発明が解決しようとする課題】金融取引に関する意思決定支援システムの機能の一つに価格予測機能がある。 One of the SUMMARY OF THE INVENTION It is an object of the decision support system functions related to financial transactions there is a price prediction function.
例えば、株価の予測などである。 For example, a prediction of stock prices. 予測には誤差が避けられないが、予測の困難さは取引市場の局面によって大きく変わり、予測誤差の大きさは常に一定ではない。 But inevitable errors in the prediction, the difficulty of prediction will vary greatly depending on aspects of the trading market, the size of the prediction error is not always constant. したがって、現在の局面を診断し、予測の困難さを知ることが重要となる。 Therefore, the diagnosis of the current situation, it is important to know the difficulty of the prediction.

【0006】本発明の目的は、市場の局面を監視し、予測が困難であることが予想される場合には、その旨を使用者に通報し、注意を促す方法を提供することにある。 An object of the present invention monitors the aspects of market, if the prediction is expected to be difficult, report such information to the user is to provide a reminder method.

【0007】 [0007]

【課題を解決するための手段】本発明による金融取引市場監視装置は経済時系列データを入力とする。 Financial transaction market monitoring device according to the present invention, there is provided means for solving] is an input of economic time series data. この装置は大局的な変動であるトレンド成分を入力された時系列から抽出する手段と、トレンド成分の未来の値を予測する手段と、この予測結果の時間変化を監視する手段と、 The apparatus comprises means for extracting from the time series inputted trend component which is a global variations, and means for predicting the value of the future trend component, and means for monitoring the time variation of the prediction result,
この変化の仕方があらかじめ設定された条件を満たした時にそれを使用者に通報する手段を持つ。 Having means for reporting it to the user when the manner of this change satisfies a predetermined condition. また、予測結果の時間変化量を入力,変動の大きさの変化の程度を出力とするニューラルネットワークを持つこともできる。 Also, the time variation of the predicted result input, it is also possible to have a neural network to output the degree of change in the size of the change.

【0008】 [0008]

【作用】本発明では、経済時系列データをトレンド成分と不規則変動成分からなっていると見なす。 According to the present invention is considered to have become the economic time series data from the trend component and a random variation component. ここで言うトレンド成分とは、元の時系列の移動平均、または低周波成分である。 The trend component here, the moving average of the original time series, or a low-frequency component. トレンド抽出手段は入力された経済時系列データからそのトレンド成分の時系列を取り出す。 Trends extracting means extracts a time series of the trend component from the input economic time series data. トレンド予測手段では、抽出されたトレンドの時系列を用いてトレンド成分の未来の値を予測する。 The trend prediction means predicts the value of the future trend component using the time series of the extracted trend. 監視手段では、トレンド成分の予測値と、元の時系列の実現値との乖離の時間変化,トレンド成分の予測値とトレンド成分の実現値との乖離の時間変化,トレンド成分の予測値の単位時間当たりの変化量の時間変化などを取引市場の状態を示す指標として監視する。 In the monitoring means includes a predicted value of the trend component, the time variation of the deviation between the actual values ​​of the original time series, the time variation of the deviation between the actual values ​​of the predicted value and the trend component of trend component, a unit of the predicted value of the trend component monitoring and time variation of the amount of change per time as an index indicating the state of the trading market. これらの指標が大きく変化しない場合は市場が安定しており、経済時系列データの予測結果は比較的高い精度が期待できる。 If these indicators do not change significantly and the market has stabilized, the prediction result of the economic time series data is relatively high accuracy can be expected. しかし、これらの指標が激しく変化する場合は、市場が不安定、すなわち、不規則変動が大きいと考えられ、予測結果の信頼性は低くなる。 However, if these indicators changes violently, market instability, i.e., random fluctuations is considered to be greater, the reliability of the prediction result is low. 監視手段が指標の激しい変化を検出すると、通報手段が、使用者にそれを通報する。 When the monitoring means detects a severe change in the indicator, notification means notifies it to the user.

【0009】また、監視手段は前述の取引市場の状態を示す指標を入力,時系列の変動の大きさの変化の程度を出力とするニューラルネットワークを持ち、ニューラルネットワークの出力に応じた信号を通報手段に送る。 [0009] The monitoring means has a neural network to output the degree of change in the size of the aforementioned type the index indicating the status of the trading market, the time-series variation, report a signal corresponding to the output of the neural network and it sends it to the means.

【0010】また、本発明による金融取引市場監視装置は常に最新の経済情報を受信し、時系列の監視を続ける。 [0010] In addition, the financial transaction market monitoring device according to the present invention will always receive the latest economic information, time continues to monitor the series. そして、予測結果の変化の仕方が異常条件を満たすと、ただちに、条件に応じた方法で使用者に通報する。 Then, the manner of the prediction result changes abnormal condition is satisfied, immediately, to notify the user by a method corresponding to the condition.

【0011】また、本発明による金融取引市場監視方式はトレンド成分の予測誤差を監視し、誤差が増加している場合は、予測値の信頼度が低いとし、使用者に注意を促す機能を備えたトレンド予測方式として機能する。 Further, financial transaction market surveillance system according to the present invention monitors the prediction error of the trend component, if the error is increased, the low reliability of the predicted value, including the alert function to the user to function as a trend prediction scheme.

【0012】 [0012]

【実施例】本発明の一実施例を説明する。 An example of the embodiment of the present invention will be described. 本実施例は記憶装置,数値演算装置,入出力装置を備えた汎用計算機,ワークステーションにて実施できる。 This embodiment memory, numerical calculation unit, a general purpose computer including input and output device can be implemented at the workstation. 記憶装置は取外し可能な外部記憶装置を含む。 Storage device comprises a removable external storage device. 入出力装置はディスプレイ装置,キーボード,通信装置を含む。 Input and output devices include a display device, a keyboard, a communication device. 図1に処理の流れを示す。 Figure 1 shows the flow of processing.

【0013】入力は株価などの経済時系列101である。 [0013] The input is the economic time series 101, such as stock prices. 以下の説明では簡単のため、本装置は、他の経済要因は入力せず、一つの時系列のみを入力するものとする。 For simplicity in the following description, the apparatus, other economic factors without entering it shall enter only one time series. 例えば、A社の株価の変化を監視する際には、A社の株価の過去の履歴のみを入力する。 For example, in monitoring changes in the company A stock inputs only past history of company A stock. ただし、これを複数の時系列を入力とするように拡張するのは容易である。 However, it is easy to extend this to the input a plurality of time-series. 以下の説明中、各時刻における時系列の値を表すスカラー量を、種々の経済要因時系列の同時刻における値を成分とするベクトル量に置き換え、必要に応じて係数をベクトルや行列に置き換えればよい。 In the following description, the scalar quantity that represents the value of the time series at each time, replacing the value at the same time the various economic factors time series vector quantity whose components, by replacing the coefficient vectors and matrices as needed good. これは例えば、 This is, for example,
A社の株価の変化を監視する際に、A社の株価の過去の履歴だけではなく、同業種など関係の深い他社の株価や金利などの経済要因の過去の履歴を用いる場合である。 In monitoring the changes in Company A's stock price, as well as the past history of the A's stock price, which in the case of using the past history of economic factors such as deep third-party stock prices and interest rates related, such as the same industry.

【0014】一般に、経済時系列データは時間の経過にともなって比較的緩やかに大きく変動するトレンド成分と、不規則変動成分からなっていると見なすことができる。 [0014] Generally, economic time series data can be regarded a trend component which varies relatively slowly increases with time, and are made of random variation component.

【0015】 [0015]

【数1】 (経済時系列)=(トレンド成分の時系列)+(不規則変動成分の時系列) …(数1) トレンド抽出手段102では、入力された時系列からトレンド成分を抽出する。 [Number 1] In (economic time series) = (time series trend component) + (time series of random variation component) (Equation 1) trend extraction unit 102 extracts a trend component from a time series of input.

【0016】トレンド成分を抽出する一つの方法は、元の時系列の移動平均を求め、それをトレンド成分と見なす方法である。 [0016] One method of extracting the trend component, obtains a moving average of the original time series, is a method regarded it as trend component. ここで、2種類の移動平均を用いる。 Here, two types of use of the moving average. 数2,数3はそれらを求める式である。 Number 2, Number 3 is an expression for obtaining them.

【0017】 [0017]

【数2】 [Number 2]

【0018】 [0018]

【数3】 [Number 3]

【0019】T(t),TT(t)はそれぞれ、時刻tにおける移動平均の値、y(t)は元の経済時系列の時刻tにおける実現値、wは移動平均をとる際の時間幅で、w> [0019] T (t), TT (t) moving average of the values ​​in each time t, y (t) is realized value at time t of the original economic time series, w is the time width when taking a moving average in, w>
0である。 It is 0. なお、tは離散値である。 Incidentally, t is a discrete value. 数3では、TT In number 3, TT
(t)を求めるのに元の時系列の時刻t以後の実現値も使っているため、実際には、時刻tの時点ではTT(t)を得ることはできない。 Because it uses also the time t after the realization of the original time series to determine the (t), in fact, can not be obtained TT (t) is at time t. これに対し、数2では、時刻tの時点でT(t)を求めることができるが、元の時系列{y}に対し、時間おくれが生じる。 In contrast, in the number 2, it is possible to determine the T (t) at time t, with respect to the original time series {y}, delays time. 図2は元の時系列{y}と数3の移動平均{TT}の例である。 Figure 2 is an example of the moving average of the number 3 time series {y} of the original {TT}. 実線で示してあるのが{y}、破線で示してあるのが{TT}である。 The is shown by a solid line {y}, that is indicated by a broken line is a {TT}. このように、y(t)が得られた時点では、{T Thus, at the time that y (t) is obtained, {T
T}はTT(t−w)までしか得られない。 T} is not only obtained up to TT (t-w).

【0020】トレンド成分を抽出するもう一つの方法は、周波数フィルタを用いて元の時系列から低周波成分をとりだし、これをトレンド成分と見なす方法である。 [0020] Another method of extracting the trend component, extracts the low-frequency component from the original time series by using a frequency filter, a method regarded as this trend component.
周波数フィルタを用いて低周波成分を抽出する処理を図3に示す。 The process for extracting a low frequency component using a frequency filter shown in FIG. まず、切り出し処理301で元の時系列から適当な長さの時系列を切り出す。 First, it cuts out a time series of suitable length from the time series of the original in cutout processing 301. 図3の第1段のグラフ311が切り出された時系列である。 A time series in which the first stage of the graph 311 of FIG. 3 is cut. 次に、この時系列にフーリエ変換302を施し、スペクトラムを得る。 Next, the Fourier transform 302 applied to the time series to obtain a spectrum. 図3の第2段のグラフ312が得られたスペクトラムで、 In spectrum graph 312 is obtained in the second stage of FIG. 3,
横軸は周波数である。 The horizontal axis is the frequency. 次に、高周波成分カット303を行う。 Next, the high frequency component cut 303. 高周波成分と低周波成分の境の周波数を切断周波数と呼ぶことにする。 It will be referred to as frequency of the boundary of the high and low frequency components and the cutting frequency. そして、切断周波数より周波数の高い成分の絶対値を0にすることで高周波成分を除去する。 Then, the absolute value of the high component frequency than cleavage frequency removing high frequency components by zero. 図3の第3段のグラフ313が高周波成分を除去されたスペクトラムであり、三角形で示してある点が切断周波数である。 Graph 313 of the third stage of FIG. 3 is a spectrum that is removing high frequency components, that is indicated by a triangle are cut frequency. 残った低周波成分に逆フーリエ変換30 Inverse Fourier transform on the remaining low-frequency component 30
4を施すことにより時系列の低周波成分を得る。 4 to obtain a low-frequency component of the time series by the applied. 図3の第4段のグラフ314が得られた低周波成分である。 A low frequency component fourth stage of the graph 314 in FIG. 3 were obtained.

【0021】図4は元の時系列と周波数フィルタによって抽出された低周波成分の例である。 [0021] FIG. 4 is an example of a low-frequency component extracted by the original time series and the frequency filter. 実線で示してあるのが元の時系列、破線で示してあるのがその低周波成分である。 Time series of the original to is indicated by a solid line, that is indicated by a broken line is a low frequency component. 本実施例では以上のように移動平均、または周波数フィルタを用いてトレンド成分を抽出する。 Extracting the trend component using a moving average or a frequency filter, as described above in this embodiment. しかし、任意の時系列に関するトレンド成分の一般的な定義はなく、何をもって元の時系列のトレンド成分と見なすかは使用者の判断に任される。 However, there is no general definition of trend component for any time series, what regarded as trend component of the original time series with is left to the discretion of the user.

【0022】トレンド予測手段103では、時刻(t− [0022] In the trend prediction means 103, time (t-
1)で得られている時系列{y}の実現値y(t−1), Realization y of the time series {y} are obtained in 1) (t-1),
y(t−2),y(t−3),‥‥をもとに、トレンド成分の時系列{T0}の時刻t以後の値T0(t),T0(t y (t-2), y (t-3), based on the ‥‥, the value of the time t after the time series {T0} trend component T0 (t), T0 (t
+1),‥‥を予測する。 +1), to predict the ‥‥. なお、T0(t),T0(t+ It should be noted that, T0 (t), T0 (t +
1),‥‥の予測値をT0*(t),T0*(t+1),‥‥ 1), the predicted value of ‥‥ T0 * (t), T0 * (t + 1), ‥‥
と表すことにする。 To be expressed as. 簡単な例として、ここでは時刻t− As a simple example, here at the time t-
1で得られている時系列{y}の実現値をもとに、1時刻先のT0(t)を予測することにする。 Based on the realization of the time series {y} are obtained in 1, to be predicted of 1 time the destination T0 the (t). 予測手法としては、数4に示すような回帰モデルを用いる。 As prediction method uses a regression model as shown in Equation 4.

【0023】 [0023]

【数4】 T0*(t)=f[x(t−1),x(t−2),x(t−3),‥‥] …(数4) f[ ]は予測関数である。 Equation 4] T0 * (t) = f [x (t-1), x (t-2), x (t-3), ‥‥] ... (Equation 4) f [] is a prediction function. x(t−1),x(t−2), x (t-1), x (t-2),
x(t−3),‥‥は時刻(t−1)までの時系列{x}の実現値である。 x (t-3), ‥‥ is realized value of the time series {x} to time (t-1). {x}は元の経済時系列{y}の実現値から得られる時系列である。 {X} is a time series obtained from realization of the original economic time series {y}.

【0024】トレンド予測手段は図5に示すように、モデル決定部501,推定部502,予測部503の三つの処理からなる。 The trend prediction means, as shown in FIG. 5, the model determination unit 501, estimation unit 502 consists of three processes prediction unit 503. モデル決定部501では、数4の予測関数f[ ]にどのような関数を用いるか、{T0}, The model determination unit 501, or use any function of the number 4 of the prediction function f [], {T0},
{x}をどのような時系列とするかを決定する。 To determine what time the series {x}. これらは、使用者があらかじめ指定しておくことによって決定される。 These user is determined by to be specified in advance. {x}には元の経済時系列{y}から得られる様々な時系列を用いることができる。 The {x} can be formed using a variety of time series obtained from the original economic time series {y}. また、予測関数f In addition, the prediction function f
[ ]も、線形,非線形の様々な関数を用いることができる。 [] May also be used a linear, a variety of non-linear function.

【0025】例えば、予測すべきトレンドの時系列{T [0025] For example, the time series of the trend to be predicted {T
0}を数2で得られる移動平均の時系列{T}とし、時系列{x}を同じくトレンドの時系列{T}とすると、 0} and the time series {T} of the moving average obtained by the number 2, when the time series {time series also trends x} {T},
予測モデルは数5のようになる。 Prediction model is as shown in equation (5).

【0026】 [0026]

【数5】 T*(t)=f[T(t−1),T(t−2),T(t−3),‥‥] …(数5) 数5の予測モデルの具体例として、f[ ]を簡単な線形関数として、数6のような予測モデルを作る。 Equation 5] T * (t) = f [T (t-1), T (t-2), T (t-3), ‥‥] ... Examples of predictive models (5) Number 5 the f [] as a simple linear function, making predictive models such as the number 6.

【0027】 [0027]

【数6】 T*(t)=a(0)+a(1)・T(t−1)+‥‥+a(p)・T(t−p)…(数6) これは、通常のAR(自己回帰)モデルであり、pはAR [6] T * (t) = a (0) + a (1) · T (t-1) + ‥‥ + a (p) · T (t-p) ... (number 6) This is a normal AR is a (self-regression) model, p is AR
モデルの次数、a(0),a(1),‥‥,a(p)はARモデルの係数である。 Model order, a (0), a (1), ‥‥, a (p) is a coefficient of the AR model. ARモデルのかわりにARIMA ARIMA instead of the AR model
(自己回帰和分移動平均)モデルなどを用いることもできる。 Etc. (autoregressive sum moving average) model can also be used.

【0028】また、図6に示すような3層以上の多層型ニューラルネットワークを用いることによって、非線形な予測関数を実現することができる。 Further, by using the three or more layers neural network as shown in FIG. 6, it is possible to realize a non-linear prediction function. この場合、T(t In this case, T (t
−1),‥‥,T(t−pp)を入力、T*(t) を出力とする多層型ニューラルネットワークとなる。 -1), ‥‥, enter the T (t-pp), a multi-layer neural network to an output T * a (t). ただし、p However, p
pはニューラルネットワークの入力ノード603の数である。 p is the number of input nodes 603 of the neural network.

【0029】数3で得られる移動平均の時系列{TT} The time series of the moving average obtained by the number 3 {TT}
を予測すべきトレンドの時系列と見なし、時系列{x} Regarded as time-series trend should predict time series {x}
をやはり、同じ時系列{TT}とすると、数3に示すように、時刻t−1では時刻t−w以後の時系列{TT} The Again, if the same time series {TT}, as shown in Equation 3, the time t-1 at time t-w after the time series {TT}
の実現値は得られないので、予測モデルは数7のようになる。 Because of realization is not obtained, the prediction model is as Equation 7.

【0030】 [0030]

【数7】 TT*(t)=f[TT(t−w−1),TT(t−w−2),TT(t−w−3), ‥‥] …(数7) この場合、図7に示すように、直近の値TT(t−1), [Equation 7] TT * (t) = f [TT (t-w-1), TT (t-w-2), TT (t-w-3), ‥‥] ... (7) In this case, as shown in FIG. 7, last value TT (t-1),
‥‥,TT(t−w)はTT*(t) の計算に使えないことになる。 ‥‥, TT (t-w) will be not be used in the calculation of the TT * (t). 図7の中で、実線で示してあるのが元の時系列{y}の実現値、破線で示してあるのが移動平均{T In Figure 7, when the is shown by solid lines in the original sequence {y} of realizations, the moving average that is shown by a broken line {T
T}の実現値である。 It is a realization of T}. また、数6に対応する予測モデルは数8のようになる。 Further, the prediction model corresponding to the number 6 is as Equation 8.

【0031】 [0031]

【数8】 TT*(t)=b(0)+b(1)・TT(t−w−1)+‥‥+b(q)・TT(t−w −q) …(数8) ここで、wは数3における移動平均の時間の幅、b [Equation 8] TT * (t) = b (0) + b (1) · TT (t-w-1) + ‥‥ + b (q) · TT (t-w -q) ... (8) here , w is the moving average of the time width in the number 3, b
(0),b(1),‥‥,b(q)は予測関数の係数である。 (0), b (1), ‥‥, b (q) is a coefficient of a prediction function. また、予測関数に多層型ニューラルネットワークを用いることもできる。 It is also possible to use a multi-layer neural networks to the prediction function. この場合は、TT(t−w−1),‥‥, In this case, TT (t-w-1), ‥‥,
TT(t−w−qq)を入力、TT*(t) を出力とする多層型ニューラルネットワークとなる。 Enter the TT (t-w-qq), a multi-layered neural network to output TT * a (t). ただし、qqはニューラルネットワークの入力ノード数である。 However, qq is the number of input nodes of the neural network.

【0032】数4の予測関数における時系列{x}に、 The time series {x} in Equation 4 prediction function,
トレンドの時系列ではなく、元の経済時系列{y}をそのまま用いる方法もある。 Rather than chronological trend, there is a method of using as the original economic time series {y}. この場合、予測モデルは数9,数10のようになる。 In this case, prediction model number 9, so that the number 10.

【0033】 [0033]

【数9】 T*(t)=f[y(t−1),y(t−2),y(t−3),‥‥] …(数9) [Equation 9] T * (t) = f [y (t-1), y (t-2), y (t-3), ‥‥] ... (number 9)

【0034】 [0034]

【数10】 TT*(t)=f[y(t−1),y(t−2),y(t−3),‥‥] …(数10) 数5,数7の予測モデルはいずれも、時系列{T}, [Number 10] TT * (t) = f [y (t-1), y (t-2), y (t-3), ‥‥] ... (number 10) Number 5, number 7 prediction model of both the time series {T},
{TT}の過去の実現値を用いて同じ時系列の未来の予測値を得る。 Obtaining a predicted value of the future of the same time series using past realizations of {TT}. これに対して、数9,数10の予測モデルは時系列{y}の過去の実現値を用いて別の時系列{T},{TT}の未来の予測値を得るという違いがある。 In contrast, the number 9, another time series using past realization value of the prediction model number 10 time series {y} {T}, with the difference that obtain a predicted value of the future {TT}. 数9は元の経済時系列{y}から{T}を、数10 The number 9 is the original economic time series {y} {T}, number 10
は{y}から{TT}を予測するモデルになっている。 It has become a model for predicting the {TT} from {y}.
また、数6,数8と同様に予測関数に線形関数を用いた場合、数9,数10はそれぞれ数11,数12のようになる。 The number 6, when using the linear function in the same way prediction function and number 8, number 9, number number 10 respectively 11, so that the number 12.

【0035】 [0035]

【数11】 T*(t)=c(0)+c(1)・y(t−1)+‥‥+c(r)・y(t−r) …(数11) c(0),c(1),‥‥,c(r)は予測関数の係数である。 [Number 11] T * (t) = c (0) + c (1) · y (t-1) + ‥‥ + c (r) · y (t-r) ... (number 11) c (0), c (1), ‥‥, c (r) is a coefficient of a prediction function.

【0036】 [0036]

【数12】 TT*(t)=d(0)+d(1)・y(t−1)+‥‥+d(s)・y(t−s) …(数12) d(0),d(1),‥‥,d(s)は予測関数の係数である。 [Number 12] TT * (t) = d (0) + d (1) · y (t-1) + ‥‥ + d (s) · y (t-s) ... (number 12) d (0), d (1), ‥‥, d (s) is a coefficient of a prediction function. 予測関数として線形関数ではなく、多層型ニューラルネットワークによる非線形関数を用いることもできる。 Not a linear function as a prediction function may be used a non-linear function according to the multilayer neural network.

【0037】推定部502ではモデル決定部501で決定された予測関数の持つパラメータの推定を行う。 [0037] estimates the parameters of the prediction function determined by the estimator 502 in the model determination unit 501. ここで言うパラメータとは、数6,数8,数11,数12の線形関数の場合は右辺各項の係数であり、図6の多層型ニューラルネットワークの場合は計算ユニット間の結合係数である。 The parameters referred to here, the number 6, number 8, number 11, in the case of a linear function of the number 12 is the coefficient of each term right, in the case of multi-layer neural network of Figure 6 is the coupling coefficient between the calculation unit . トレンド成分の時刻tの値を予測する場合には、時刻(t−1)までに得られている元の経済時系列{y}の実現値を用いてパラメータの推定量を計算する。 When predicting the value of the time t of the trend component calculates the estimated amount of parameters using the actual values ​​of time (t-1) of the original which is obtained to economic time series {y}. 元の経済時系列{y}の実現値のうち、時刻tの直前の、長さLの実現値時系列、すなわち、時刻(t− Of realization value of the original economic time series {y}, immediately before time t, realization time series of length L, that the time (t-
L)から時刻(t−1)までの実現値時系列をパラメータ推定に用いるものとする。 The realization time series from L) to time (t-1) shall be used in parameter estimation. この長さLは使用者があらかじめ設定しておく。 The length L is the user set in advance. 具体的な推定法は予測モデルによって異なり、また、予測モデルによっては、いくつかの推定法が存在する。 Specific estimation method varies by the predictive model, also depending on the prediction model, several estimation exists. 数6,数8,数11,数12のような線形関数の場合、最小二乗法が代表的である。 6, number 8, number 11, when the linear function such as the number 12, the least squares method is representative. 最小二乗法では、予測誤差の二乗和を最小にするパラメータを求める。 The least square method to determine the parameters that minimize the sum of squares of prediction errors. 数8に示した{TT}からTT*(t) を予測するモデルを例にとると、予測誤差は数13で表される。 Taking a model that predicts the TT * (t) from the indicated number 8 {TT} example, the prediction error is represented by the number 13.

【0038】 [0038]

【数13】 err(i)=TT(i)−TT*(i) =TT(i)−{b(0)+b(1)・TT(i−w−1)+‥‥+b(q) ・TT(i−w−q)} …(数13) ここで、err(i)は時刻iの予測誤差である。 [Number 13] err (i) = TT (i) -TT * (i) = TT (i) - {b (0) + b (1) · TT (i-w-1) + ‥‥ + b (q) · TT (i-w-q)} ... (Equation 13) where, err (i) is the prediction error at time i. 予測誤差の二乗和はERROR は数14で表される。 Square sum of the prediction error ERROR is represented by the number 14.

【0039】 [0039]

【数14】 [Number 14]

【0040】ただし、t0=t−Lとする。 [0040] However, the t0 = t-L.

【0041】t,w,q,t0の時間関係を図8に示す。 [0041] t, w, the time relationship of q, t0 shown in FIG. 8. 図8の中で、実線で示してあるのが元の時系列{y}の実現値、破線で示してあるのが移動平均{T In Figure 8, when the is shown by solid lines in the original sequence {y} of realizations, the moving average that is shown by a broken line {T
T}の実現値である。 It is a realization of T}. そして、数14のERRORを最小にするb(0),b(1),‥‥,b(q)を求める。 Then, b (0) to minimize the ERROR number 14, b (1), ‥‥, determine the b (q).

【0042】また、多層型ニューラルネットワークの推定法としては誤差逆伝播法がよく知られている。 [0042] In addition, the error back propagation method is well known as an estimation method of the multi-layered neural network. 誤差逆伝播法を用いる場合は、やはり数14のERRORを目的関数として、最急降下法によりニューラルネットワークの結合係数604を計算する。 When using the back propagation method, as an objective function the ERROR number 14 again calculates the coupling coefficient 604 of the neural network by the steepest descent method.

【0043】このようにして得られた推定量を各パラメータに当てはめることによって、予測関数が得られる。 [0043] By fitting the estimated amount obtained in this manner for each parameter, the prediction function is obtained.

【0044】予測部503では推定部で得られた予測関数に時系列の実現値を当てはめ、トレンド成分の予測値T0*(t)を計算する。 [0044] applying the realization of time series prediction functions obtained by the estimation unit in the prediction unit 503 calculates a predicted value T0 * (t) of the trend component.

【0045】トレンド予測手段内では以上のモデル決定,推定,予測の三つの処理が以下の手順にしたがって行われる。 The model determination described above in trend prediction means, estimating, three processing prediction is performed according to the following procedure.

【0046】[トレンド予測手段の処理] ステップ1:モデル決定 ステップ2:パラメータ推定に用いる時系列の長さLを設定する ステップ3:予測開始時刻tを設定する ステップ4:時刻t−L からt−1まで実現値の時系列を用いてパラメータ推定を行う ステップ5:予測値T0*(t)を計算する ステップ6:t←t+1として、ステップ4へ戻る このように、推定(ステップ4)と予測(ステップ5) [0046] Processing of the trend prediction means] Step 1: Model decision step 2: Step 3 to set the length L of the time series to be used for parameter estimation: step sets a predicted start time t 4: Time t-L from t step performs parameter estimation using a time series of realization to -1 5: step 6 calculates the predicted value T0 * (t): a t ← t + 1, as the operation returns to step 4, and the estimated (step 4) prediction (step 5)
の処理を時刻t,t+1,t+2,‥‥と続けることにより、予測値の時系列{T0*(t) ,T0*(t+1), Processing the time t, t + 1, t + 2, by continuing the ‥‥, time series prediction value {T0 * (t), T0 * (t + 1),
T0*(t+2),‥‥}を得る。 T0 * (t + 2), obtain ‥‥}.

【0047】監視手段では、元の経済時系列{y},トレンド成分の実現値の時系列{T0},トレンド成分の予測値の時系列{T0*}を入力として時系列の変動の大きさの変化を検出する。 [0047] In the monitoring means, the original economic time series {y}, the time series of the actual values ​​of the trend component {T0}, the variation in time series as input time series {T0 *} of the predictive value of the trend component size to detect the change. 取引市場の状態を示す指標には、 The indicator of the state of the transaction market,
次のものを用いる。 Use the following:.

【0048】(1)トレンドの実現値の変化量 (2)トレンドの予測値の変化量 (3)トレンドの実現値と予測値の差の変化量 (4)トレンドの実現値と元の時系列の実現値の差の変化量 (5)トレンドの予測値と元の時系列の実現値の差の変化量 (1)はトレンド成分の実現値の変化量ΔT0(t)の異常を時系列の変動の異常と見なすものである。 [0048] (1) the amount of change in realization of the trend (2) the variation of the predicted values ​​of the trend (3) the amount of change in the difference between actual values ​​and predicted values ​​of the trend (4) When the trend of the realization and the original sequence the variation of the difference between the realized value (5) predicted value and the change amount of the difference between the original time series of realization trend (1) of the time series abnormal variation ΔT0 of realization of trend component (t) it is to be regarded as abnormal fluctuations. ΔT0 ΔT0
(t)は数15で表される。 (T) is represented by the number 15.

【0049】 [0049]

【数15】 ΔT0(t)=T0(t)−T0(t−1) …(数15) ここで、T0(t)、T0(t−1)はそれぞれ、時刻t, [Number 15] ΔT0 (t) = T0 (t) -T0 (t-1) ... (number 15) where, T0 (t), T0 (t-1), respectively, the time t,
(t−1)におけるトレンド成分の実現値である。 It is a realization of the trend component in (t-1). そして、ΔT0(t)があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送る。 When the .DELTA.T0 (t) satisfies a preset abnormal condition, the monitoring means sends a signal to the reporting unit.

【0050】(2)はトレンド成分の予測値の変化量Δ [0050] (2) the amount of change in the predicted values ​​of the trend component Δ
T0*(t)の異常を時系列の変動の異常と見なすものである。 T0 * an abnormality of (t) is to be regarded as abnormal fluctuations in the time series. ΔT0*(t)は数16で表される。 .DELTA.T0 * (t) is represented by the number 16.

【0051】 [0051]

【数16】 ΔT0*(t)=T0*(t)−T0*(t−1) …(数16) ここで、T0*(t),T0*(t−1)はそれぞれ、時刻t,t−1におけるトレンド成分の予測値である。 [Number 16] ΔT0 * (t) = T0 * (t) -T0 * (t-1) ... (number 16) where, T0 * (t), T0 * (t-1), respectively, the time t, is the predicted value of the trend component at t-1. そして、ΔT0*(t) があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送る。 When the .DELTA.T0 * (t) satisfies a preset abnormal condition, the monitoring means sends a signal to the reporting unit.

【0052】(3)はトレンド成分の実現値と予測値の差の変化量ΔE0(t)の異常を時系列の変動の異常と見なすものである。 [0052] (3) are those regarded as abnormal variations in time sequence abnormality of variation of the difference realized and predicted values ​​of the trend component .DELTA.e0 (t). ΔE0(t)は数17で表される。 .DELTA.e0 (t) is represented by the number 17.

【0053】 [0053]

【数17】 ΔE0(t)=E0(t)−E0(t−1) ={T0*(t)−T0(t)}−{T0*(t−1)−T0(t−1)} …(数17) ここで、T0(t),T0(t−1)はそれぞれ、時刻t, Equation 17] ΔE0 (t) = E0 (t) -E0 (t-1) = {T0 * (t) -T0 (t)} - ​​{T0 * (t-1) -T0 (t-1)} (Equation 17) where, T0 (t), T0 (t-1), respectively, the time t,
(t−1)におけるトレンド成分の実現値、T0*(t), Realization of trend component in (t-1), T0 * (t),
T0*(t−1)はそれぞれ、時刻t,(t−1)におけるトレンド成分の予測値である。 T0 * (t-1), respectively, the time t, the predicted value of the trend component in (t-1). そして、ΔE0(t)があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送る。 When the .DELTA.e0 (t) satisfies a preset abnormal condition, the monitoring means sends a signal to the reporting unit.

【0054】(4)はトレンド成分の実現値と元の経済時系列の差の変化量ΔD0(t)の異常を時系列の変動の異常と見なすものである。 [0054] (4) are those regarded as abnormal variations in time sequence abnormality of variation of the difference between the realized value and the original economic time series trend component ΔD0 (t). ΔD0(t)は数18で表される。 ΔD0 (t) is represented by the number 18.

【0055】 [0055]

【数18】 ΔD0(t)=D0(t)−D0(t−1) ={T0(t)−y(t)}−{T0(t−1)−y(t−1)} …(数18) ここで、T0(t),T0(t−1)はそれぞれ、時刻t, Equation 18] ΔD0 (t) = D0 (t) -D0 (t-1) = {T0 (t) -y (t)} - ​​{T0 (t-1) -y (t-1)} ... ( by the number 18) where, T0 (t), T0 (t-1), respectively, the time t,
(t−1)におけるトレンド成分の実現値、y(t),y Realization of trend component in (t-1), y (t), y
(t−1)はそれぞれ、時刻t,(t−1)における元の経済時系列の実現値である。 (T-1), respectively, the time t, is the realization of the original economic time series in (t-1). そして、ΔD0(t)があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送る。 When the ΔD0 (t) satisfies a preset abnormal condition, the monitoring means sends a signal to the reporting unit.

【0056】(5)はトレンド成分の予測値と元の経済時系列の差の変化量ΔD*0(t) の異常を時系列の変動の異常と見なすものである。 [0056] (5) are those regarded as abnormal variations in time sequence abnormality of variation [Delta] D * 0 of the difference between the predicted value and the original economic time series trend component (t). ΔD0*(t) は数19で表される。 ΔD0 * (t) is represented by the number 19.

【0057】 [0057]

【数19】 ΔD0*(t)=D0*(t)−D0*(t−1) ={T0*(t)−y(t)}−{T0*(t−1)−y(t−1)} …(数19) ここで、T0*(t),T0*(t−1)はそれぞれ、時刻t,(t−1)におけるトレンド成分の予測値、y(t), Equation 19] ΔD0 * (t) = D0 * (t) -D0 * (t-1) = {T0 * (t) -y (t)} - ​​{T0 * (t-1) -y (t- 1)} (Equation 19) where, T0 * (t), T0 * (t-1), respectively, the time t, the predicted value of the trend component in (t-1), y (t),
y(t−1)はそれぞれ、時刻t,(t−1)における元の経済時系列の実現値である。 y (t-1), respectively, the time t, is the realization of the original economic time series in (t-1). そして、ΔD0*(t) があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送る。 When the ΔD0 * (t) satisfies a preset abnormal condition, the monitoring means sends a signal to the reporting unit.

【0058】前述の(1)から(5)の変化量を一般にΔ(t)と表すことにする。 [0058] To be expressed from the above-mentioned (1) and (5) generally delta (t) the amount of change. 変化量Δ(t)の1時点だけにおける値ではなく、数20で表される、ある期間中の変化量Δ(t)の重みつき平均W[Δ](t)を時系列の変動の大きさを示す指標とし、W[Δ](t)があらかじめ設定された異常条件を満たした時に、通報手段に信号を送るというようにしてもよい。 Rather than the value of only one point of variation delta (t), represented by the number 20, the magnitude of variation of the time-series weighted average W [delta] (t) is the amount of change in a period of time delta (t) it is an index indicating a, W [delta] when (t) satisfies a preset abnormal conditions, may be that sends a signal to the reporting unit.

【0059】 [0059]

【数20】 [Number 20]

【0060】ここで、w(i)はあらかじめ設定された重み、uは平均をとる時間の長さである。 [0060] Here, w (i) is the length of the preset weight, u is the time averaging. 重みは、過去にさかのぼるほど、すなわち、iが大きくなるほどw(i) Weights, as dating back to the past, ie, greater i is the more w (i)
が小さくなるようにする。 So that becomes smaller. あるいは、簡単にすべてのi Alternatively, a simple all of i
についてw(i)=1/uとする。 For the w (i) = 1 / u.

【0061】さらに、変化量Δ(t)の変化量、すなわち、 [0061] Further, the change amount Δ change amount of the (t), i.e.,

【0062】 [0062]

【数21】 ΔΔ(t)=Δ(t)−Δ(t−1) …(数21) を指標とし、ΔΔ(t)があらかじめ設定された異常条件を満たした時に、監視手段は通報手段に信号を送るという方式をとってもよい。 Equation 21] ΔΔ (t) = Δ (t) -Δ a (t-1) ... (Equation 21) as an index, when .DELTA..delta (t) satisfies a preset abnormal condition, monitoring means notification means It may take the method of sending a signal to.

【0063】異常条件、すなわち、監視手段から通報手段へ信号を送る条件はいくつかある。 [0063] abnormal conditions, i.e., conditions for sending a signal to the notification means from the monitoring means are several. もっとも簡単な条件は、監視している指標があらかじめ設定された閾値を上回る、あるいは、下回るというものである。 The simplest condition is greater than the index being monitored is preset threshold, or is that below. また、指標がある一定期間閾値を上回り続ける、あるいは、下回り続けるという条件もある。 In addition, there continues to exceed the predetermined period certain threshold index, or even the condition of keeping below. 条件は一つだけでなく、 Conditions are not only one,
(1)から(5)の指標に関する条件を組み合わせ、それらの論理積,論理和を条件とすることもできる。 Combining conditions relating indices from (1) (5), the logical product of them, may be subject to a logical OR. 監視手段から通報手段へ送る信号を数種類用意しておいて、 The signal sent from the monitoring means to the report means sure that you several types available,
取引市場の変化の様子に応じて信号の種類を選択するようにすることもできる。 It may be adapted to select the type of signal according to state of a change in the trading market. 例えば、各指標の値の大きさに応じた重要度を監視手段から通報手段へ送る。 For example, sending the importance corresponding to the magnitude of the value of each index to Problem means from the monitoring means.

【0064】また、取引市場の状態を表す指標を入力、 [0064] In addition, the input of the index representing the state of the transaction market,
取引市場の局面の変化の程度を出力とする多層型ニューラルネットワークを用いてもよい。 It may be used as a multi-layered neural network to output the degree of change of the aspects of the transaction market. これを図9に示す。 This is shown in Figure 9.
図9中のVはニューラルネットワークの出力値で、取引市場の局面の変化が大きい場合には1に近く、そうでない時は0に近い値となるように過去の事例を用いてニューラルネットワークの学習を行なう。 The output value of the V is a neural network in FIG. 9, the learning of the neural network transaction changes in the aspects of the market close to 1 in the case is large, using the past cases to a value close to 0 when it is not It is carried out.

【0065】通報手段では、監視手段から信号を受けとったことを使用者に通報する。 [0065] In notification means notifies the user that the received signals from the monitoring means. 信号に重要度が付加されている場合は、その重要度にしたがった方法で通報することができる。 If importance in signal is added, it is possible to notify by the method according to their importance. 例えば、重要度が大きい場合は、使用者が他の作業をしている最中であっても、割り込んで通報し、重要度が低い場合は、使用者からの問い合わせがあった場合にだけ通報を行うようにする。 For example, if the degree of importance is high, if the user even in the midst of the other work, Problem interrupted, less important, the report only if there is an inquiry from the user to perform the.

【0066】 [0066]

【発明の効果】本発明によれば使用者は取引市場の局面の変化を知ることができ、意思決定に役立てることができる。 According to the present invention the user can know the change of the aspects of the transaction market, it can be useful in decision-making. また、時系列予測に関しては、高い予測精度が期待できない局面に入った場合に使用者はそれを知ることができるので、精度の低い予測結果を用いて不適正な判断を下すという事態を避けることができる。 In addition, when the terms of the series prediction, because the user when a high prediction accuracy has entered a phase that can not be expected to be able to know it, to avoid the situation that make improper determined using a low prediction accurate results can.

【図面の簡単な説明】 BRIEF DESCRIPTION OF THE DRAWINGS

【図1】本発明の一実施例において行われる処理のフローチャート。 Flowchart of processing performed in an embodiment of the present invention; FIG.

【図2】経済時系列とその移動平均のグラフ。 [Figure 2] economic time series with the graph of the moving average.

【図3】周波数フィルタの処理のフローチャート。 FIG. 3 is a flowchart of the processing of the frequency filter.

【図4】経済時系列とその低周波成分のグラフ。 [4] economic time series and a graph of the low-frequency component.

【図5】トレンド予測手段の内部で行われる処理のフローチャート。 FIG. 5 is a flowchart of processing performed inside the trend prediction means.

【図6】予測関数を実現する多層型ニューラルネットワークの説明図。 Figure 6 is an explanatory diagram of a multilayer neural network to realize the prediction function.

【図7】移動平均の時系列の予測に用いるデータ間の時間関係を表す説明図。 Figure 7 is an explanatory view representing the time relationships between the data used to predict the moving average of the time series.

【図8】予測関数のパラメータ推定に用いるデータ間の時間関係を表す説明図。 Figure 8 is an explanatory view representing the time relationships between the data used for the parameter estimation of a prediction function.

【図9】監視手段に用いられる多層型ニューラルネットワークの説明図。 Figure 9 is an explanatory diagram of a multi-layer neural network used in the monitoring means.

【符号の説明】 DESCRIPTION OF SYMBOLS

101…経済時系列、102…トレンド抽出手段、10 101 ... economic time series, 102 ... trend extraction means, 10
3…トレンド予測手段、104…監視手段、105…通報手段。 3 ... trend prediction means, 104 ... monitoring means 105 ... notification unit.

Claims (8)

    【特許請求の範囲】 [The claims]
  1. 【請求項1】経済時系列データを入力とし、入力された時系列からトレンド成分を抽出し、トレンドの未来の値を予測し、この予測値と前記入力時系列の実現値との乖離の時間変化を監視することにより変動の大きさの変化を検出し、これを使用者に通報することを特徴とする金融取引市場監視方法。 1. A inputs the economic time series data, extracts a trend component from a time series that is input to predict the value of future trends, time deviation between the actual values ​​of the predicted value and the input time-series financial trading market monitoring method for detecting a change in the magnitude of the variation, characterized in that report this to the user by monitoring a change.
  2. 【請求項2】請求項1において、トレンドの予測値とトレンドの実現値との乖離の時間変化を監視することにより変動の大きさの変化を検出する金融取引市場監視方法。 2. The method of claim 1, financial transaction market surveillance method for detecting a change in the magnitude of variation by monitoring the time variation of the deviation between the actual values ​​of the predicted values ​​and trends of the trend.
  3. 【請求項3】請求項1において、トレンドの予測値の単位時間あたりの変化量を監視することにより変動の大きさの変化を検出する金融取引市場監視方法。 3. The method of claim 1, financial transaction market surveillance method for detecting a change in the magnitude of variation by monitoring the amount of change per unit of the predicted value time trend.
  4. 【請求項4】請求項1において、入力時系列の移動平均を求め、これを元の時系列のトレンド成分とする金融取引市場監視方法。 4. The method of claim 1, obtains a moving average of input time series, financial transaction market surveillance method according to this original time series trend component.
  5. 【請求項5】請求項1において、周波数フィルタを用いて入力時系列から低周波成分をとりだし、これを元の時系列のトレンド成分とする金融取引市場監視方法。 5. The method of claim 1, the input time series using a frequency filter extracts the low frequency component, financial transaction market surveillance method according to this original time series trend component.
  6. 【請求項6】請求項1において、トレンドの予測値と元の入力時系列の実現値との乖離の時間変化量、またはトレンドの予測値とトレンドの実現値との乖離の時間変化量、またはトレンドの予測値の単位時間あたりの変化量を入力、時系列の変動の大きさを出力とするニューラルネットワークを持ち、前記ニューラルネットワークの出力に応じて時系列の変動の大きさの変化を使用者に通報する金融取引市場監視方法。 6. The method of claim 1, the time variation of the deviation between the predicted value and the time variation of the deviation between the actual values ​​of the original input time series or realization of the predicted values ​​and trends of the trend, trends, or enter the amount of change per unit of the predicted value time trends have a neural network to output the magnitude of variation of the time series, the user changes the size of the variation of the time series in accordance with the output of the neural network financial transaction market monitoring method to report to.
  7. 【請求項7】請求項1において、常に経済情報を自動的に受信し、経済時系列の監視を続け、時系列の変動の大きさの変化を検出した時にその変化の大きさに応じた種々の方法で使用者に通報を行う金融取引市場監視方法。 7. The method of claim 1, the various always automatically receive economic information, continue to monitor the economic time series, according to the magnitude of the change when it detects a change in the magnitude of variation of the time series financial transaction market surveillance method for performing a notification to the user in the way.
  8. 【請求項8】入力された時系列の実現値と、その時系列のトレンド成分の予測値との乖離の時間変化を調べ、予測誤差が増加している場合にその旨を使用者に知らせることを特徴とする時系列予測方法。 And realization of a time series of 8. inputted, then the examined time change of deviation between the predicted value of the trend component series, that inform the user when the prediction error is increasing series prediction method when the feature.
JP8940194A 1994-04-27 1994-04-27 Method for monitoring financial market Pending JPH07296057A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP8940194A JPH07296057A (en) 1994-04-27 1994-04-27 Method for monitoring financial market

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP8940194A JPH07296057A (en) 1994-04-27 1994-04-27 Method for monitoring financial market

Publications (1)

Publication Number Publication Date
JPH07296057A true JPH07296057A (en) 1995-11-10

Family

ID=13969630

Family Applications (1)

Application Number Title Priority Date Filing Date
JP8940194A Pending JPH07296057A (en) 1994-04-27 1994-04-27 Method for monitoring financial market

Country Status (1)

Country Link
JP (1) JPH07296057A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7664695B2 (en) 2001-07-24 2010-02-16 Stephen Cutler Securities market and market maker activity tracking system and method
US7827091B2 (en) 2004-02-20 2010-11-02 Stephen Cutler Securities market and market maker activity tracking system and method
US7941357B2 (en) 2000-10-27 2011-05-10 Markets-Alert Pty Ltd Trading system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941357B2 (en) 2000-10-27 2011-05-10 Markets-Alert Pty Ltd Trading system
US7664695B2 (en) 2001-07-24 2010-02-16 Stephen Cutler Securities market and market maker activity tracking system and method
US7680721B2 (en) 2001-07-24 2010-03-16 Stephen Cutler Securities market and market marker activity tracking system and method
US7827091B2 (en) 2004-02-20 2010-11-02 Stephen Cutler Securities market and market maker activity tracking system and method
US8055574B2 (en) 2004-02-20 2011-11-08 Stephen Cutler Securities market and market maker activity tracking system and method

Similar Documents

Publication Publication Date Title
MacGregor et al. The exponentially weighted moving variance
Bollerslev et al. A discrete-time model for daily S & P500 returns and realized variations: Jumps and leverage effects
Sarkar et al. Bayesian models for early warning of bank failures
US7043457B1 (en) System and method for managing and evaluating network commodities purchasing
Petrovic et al. Supply chain modelling using fuzzy sets
Sun et al. Using Bayesian networks for bankruptcy prediction: Some methodological issues
US6453303B1 (en) Automated analysis for financial assets
Kempf et al. Market depth and order size
US6003090A (en) System for determining network connection availability between source and destination devices for specified time period
US7243049B1 (en) Method for modeling system performance
US8781868B2 (en) Determining an inventory target for a node of a supply chain
Brownlees et al. Financial econometric analysis at ultra-high frequency: Data handling concerns
Cornalba et al. Statistical models for operational risk management
Aviv Gaining benefits from joint forecasting and replenishment processes: The case of auto-correlated demand
Shapiro Consumer information, product quality, and seller reputation
Niu et al. Development of an optimized condition-based maintenance system by data fusion and reliability-centered maintenance
US7676400B1 (en) Scoring recommendations and explanations with a probabilistic user model
Park et al. Short-term freeway traffic volume forecasting using radial basis function neural network
US6876955B1 (en) Method and apparatus for predicting and reporting a real estate value based on a weighted average of predicted values
US7120599B2 (en) Methods and systems for modeling using classification and regression trees
US7003484B2 (en) Methods and systems for efficiently sampling portfolios for optimal underwriting
US7412448B2 (en) Performance degradation root cause prediction in a distributed computing system
US7039608B2 (en) Rapid valuation of portfolios of assets such as financial instruments
US6985881B2 (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
Friedman A simple testable model of double auction markets