JPH0895938A - 時系列データの学習方法及び時系列データの学習装置 - Google Patents
時系列データの学習方法及び時系列データの学習装置Info
- Publication number
- JPH0895938A JPH0895938A JP23374594A JP23374594A JPH0895938A JP H0895938 A JPH0895938 A JP H0895938A JP 23374594 A JP23374594 A JP 23374594A JP 23374594 A JP23374594 A JP 23374594A JP H0895938 A JPH0895938 A JP H0895938A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- series data
- time
- neural network
- period
- 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
- 230000013016 learning Effects 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000002596 correlated effect Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 本発明の目的は、ニューラルネットワークの
出力値を用いた株式売買操作において、従来技術よりも
大きな予測利益をもたらすような時系列データの学習方
法及び時系列データの学習装置を提供することである。 【構成】 本発明は、ニューラルネットワークの出力値
を用いた株式売買シミュレーションによる利益が最大と
なる時点でニューラルネットワークの学習を停止する学
習制御手段２００を有する。
出力値を用いた株式売買操作において、従来技術よりも
大きな予測利益をもたらすような時系列データの学習方
法及び時系列データの学習装置を提供することである。 【構成】 本発明は、ニューラルネットワークの出力値
を用いた株式売買シミュレーションによる利益が最大と
なる時点でニューラルネットワークの学習を停止する学
習制御手段２００を有する。
Description
【０００１】
【産業上の利用分野】本発明は、時系列データの学習方
法及び時系列データの学習装置に係り、特に、過去及び
現在の時系列データを入力信号とし、将来の時系列デー
タを教師信号として、ニューラルネットワークに系列デ
ータを学習させるための時系列データの学習方法及び時
系列データの学習装置に関する。
法及び時系列データの学習装置に係り、特に、過去及び
現在の時系列データを入力信号とし、将来の時系列デー
タを教師信号として、ニューラルネットワークに系列デ
ータを学習させるための時系列データの学習方法及び時
系列データの学習装置に関する。
【０００２】
【従来の技術】以下に従来の技術における、時系列デー
タ及び当該時系列データと相関関係のある関連時系列デ
ータの過去及び現在の値をニューラルネットワークへの
入力信号とし、時系列データの将来の値をニューラルネ
ットワークへの教師信号として時系列データの学習を行
う方法について説明する。
タ及び当該時系列データと相関関係のある関連時系列デ
ータの過去及び現在の値をニューラルネットワークへの
入力信号とし、時系列データの将来の値をニューラルネ
ットワークへの教師信号として時系列データの学習を行
う方法について説明する。
【０００３】図４は、フィードフォワード型ニューラル
ネットワークの構成例を示す。同図におけるニューラル
ネットワークは、入力層１のニューロン、中間層２のニ
ューロン及び出力層３のニューロンより構成され、入力
層１と中間層２は接続線４で接続されている。また、中
間層２と出力層３は接続線５で接続されている。
ネットワークの構成例を示す。同図におけるニューラル
ネットワークは、入力層１のニューロン、中間層２のニ
ューロン及び出力層３のニューロンより構成され、入力
層１と中間層２は接続線４で接続されている。また、中
間層２と出力層３は接続線５で接続されている。
【０００４】接続線４、５の荷重を学習によって変動さ
せることにより、学習課題にふさわしい荷重に決定す
る。学習アルゴリズムとしては、バックプロパゲーショ
ン・アルゴリズム［文献１：Rumelhart, D.E. et al.:
Parellel Distrbuted Processing Vol. 1, MIT Press
(1986) ］を用いる。
せることにより、学習課題にふさわしい荷重に決定す
る。学習アルゴリズムとしては、バックプロパゲーショ
ン・アルゴリズム［文献１：Rumelhart, D.E. et al.:
Parellel Distrbuted Processing Vol. 1, MIT Press
(1986) ］を用いる。
【０００５】図４に示すフィードフォワード型ニューラ
ルネットワークへの入力信号と教師信号の与え方は、以
下のように行う。
ルネットワークへの入力信号と教師信号の与え方は、以
下のように行う。
【０００６】但し、時刻ｔにおける予測対象時系列デー
タＡの値をＡ（ｔ）とし、関連時系列データＢ，Ｃ，
Ｄ，Ｅの値をＢ（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）
を入力層１への入力信号とする。時刻（ｔ＋１）の観測
値であるＡ（ｔ＋１）を出力層３への教師信号とする。
時刻（ｔ＋１）の観測値であるＡ（ｔ＋１）を出力層３
への教師信号とする。時刻１〜時刻１０における入力信
号と教師信号との対応を図５に示す。図５は、各時刻に
おける入力信号と教師信号との対応を示す。図４の例で
は、入力層１のニューロン数は５個であり、出力層３の
ニューロン数は１個である。中間層２のニューロン数は
試行錯誤的に決定する。
タＡの値をＡ（ｔ）とし、関連時系列データＢ，Ｃ，
Ｄ，Ｅの値をＢ（ｔ），Ｃ（ｔ），Ｄ（ｔ），Ｅ（ｔ）
を入力層１への入力信号とする。時刻（ｔ＋１）の観測
値であるＡ（ｔ＋１）を出力層３への教師信号とする。
時刻（ｔ＋１）の観測値であるＡ（ｔ＋１）を出力層３
への教師信号とする。時刻１〜時刻１０における入力信
号と教師信号との対応を図５に示す。図５は、各時刻に
おける入力信号と教師信号との対応を示す。図４の例で
は、入力層１のニューロン数は５個であり、出力層３の
ニューロン数は１個である。中間層２のニューロン数は
試行錯誤的に決定する。
【０００７】従来技術では、ニューラルネットワークの
出力値と、実測値との平均誤差が最小となる時点でニュ
ーラルネットワークの学習を停止している。例えば、時
系列データの期間を、学習期間と学習期間終了後の検証
期間とに分類し、検証期間での平均予測誤差が最小とな
る時点でニューラルネットワークの学習を停止してい
る。
出力値と、実測値との平均誤差が最小となる時点でニュ
ーラルネットワークの学習を停止している。例えば、時
系列データの期間を、学習期間と学習期間終了後の検証
期間とに分類し、検証期間での平均予測誤差が最小とな
る時点でニューラルネットワークの学習を停止してい
る。
【０００８】上記の動作を、株価変動の日次予測を例と
して具体的に説明する。
して具体的に説明する。
【０００９】予測対象時系列データを東京証券市場の平
均株価指数（ＴＯＰＩＸ）とし、ＴＯＰＩＸと相関のあ
る関連時系列データとして、為替レート（１ドルあたり
の円の値）、金利、原油価格、ニューヨーク証券市場の
平均株価を用いる。
均株価指数（ＴＯＰＩＸ）とし、ＴＯＰＩＸと相関のあ
る関連時系列データとして、為替レート（１ドルあたり
の円の値）、金利、原油価格、ニューヨーク証券市場の
平均株価を用いる。
【００１０】上記の５個（ＴＯＰＩＸ、為替レート、金
利、原油価格、平均株価）の時系列データの日次変化分
（当日値−前日値）を入力層１への入力信号とし、ＴＯ
ＰＩＸの翌日の日次変化分（翌日値−当日値）を教師信
号として、バックプロパゲーション・アルゴリズムを用
いてニューラルネットワークの学習を行う。
利、原油価格、平均株価）の時系列データの日次変化分
（当日値−前日値）を入力層１への入力信号とし、ＴＯ
ＰＩＸの翌日の日次変化分（翌日値−当日値）を教師信
号として、バックプロパゲーション・アルゴリズムを用
いてニューラルネットワークの学習を行う。
【００１１】学習期間を３００日、検証期間を３０日、
テスト期間を７８日とし、検証期間での平均予測誤差が
最小の時点でニューラルネットワークの学習を停止し
た。
テスト期間を７８日とし、検証期間での平均予測誤差が
最小の時点でニューラルネットワークの学習を停止し
た。
【００１２】学習後のニューラルネットワークを用いた
テスト期間での平均予測誤差（予測値と実測値との差の
絶対値の平均）は１６．２０である（ニューラルネット
ワークの初期荷重を４通り変えて実行した時の平均
値）。
テスト期間での平均予測誤差（予測値と実測値との差の
絶対値の平均）は１６．２０である（ニューラルネット
ワークの初期荷重を４通り変えて実行した時の平均
値）。
【００１３】学習後のニューラルネットワークの出力値
を用いて次のような株式売買シミュレーションを行っ
た。
を用いて次のような株式売買シミュレーションを行っ
た。
【００１４】翌日株価が所定の値Ｖよりも大きく上昇す
ると予測された時は『買い』、翌日株価が所定の値Ｖよ
り大きく下降すると予測されたときには『売り』とす
る。『買い』のときには、当日株価で株を買い、翌日の
株価で株を売る。『売り』のときには、当日の株価で株
を売り、翌日の株価で株を買い戻す。
ると予測された時は『買い』、翌日株価が所定の値Ｖよ
り大きく下降すると予測されたときには『売り』とす
る。『買い』のときには、当日株価で株を買い、翌日の
株価で株を売る。『売り』のときには、当日の株価で株
を売り、翌日の株価で株を買い戻す。
【００１５】このようにすると、株価変動の予測方向と
実際方向が等しいときには、実際の株価変動分が利益と
なり、株価変動の予測方向と実際方向が等しくないとき
には、実際の株価変動分が損失となる（ここでは、株式
売買の手数料は考慮しない）。
実際方向が等しいときには、実際の株価変動分が利益と
なり、株価変動の予測方向と実際方向が等しくないとき
には、実際の株価変動分が損失となる（ここでは、株式
売買の手数料は考慮しない）。
【００１６】所定の値Ｖ＝１４．７８（学習期間（３０
０日）と検証期間（３０日）の３３０日間でのＴＯＰＩ
Ｘ日次変換分の絶対値の中央値）としたとき、学習後の
ニューラルネットワークの予測値を用いた株式売買シミ
ュレーションの結果、テスト期間での予測利益は＋３２
９である（同じく、ニューラルネットワークの初期荷重
を４通り変えて実行した時の平均値）。
０日）と検証期間（３０日）の３３０日間でのＴＯＰＩ
Ｘ日次変換分の絶対値の中央値）としたとき、学習後の
ニューラルネットワークの予測値を用いた株式売買シミ
ュレーションの結果、テスト期間での予測利益は＋３２
９である（同じく、ニューラルネットワークの初期荷重
を４通り変えて実行した時の平均値）。
【００１７】４通りの初期荷重の実験結果を個別に示す
と、平均予測誤差及び予測利益は、以下のようになる。
と、平均予測誤差及び予測利益は、以下のようになる。
【００１８】 平均予測誤差＝１６．１８、 予測利益＝＋３５０ 平均予測誤差＝１６．３７、 予測利益＝＋３２８ 平均予測誤差＝１６．０９、 予測利益＝＋３２０ 平均予測誤差＝１６．１８、 予測利益＝＋３２０
【００１９】
【発明が解決しようとする課題】しかしながら、上記の
４通りの初期荷重の個別の実験結果から分かるように、
平均予測誤差が最小となるケースが必ずしも予測予測利
益最大とはならない。例えば、前述の従来の技術におけ
るは実験結果の中では平均予測誤差が最小であるが、
予測利益は最大ではない。むしろ、の平均予測誤差が
より大きい値の方が予測利益が大きいことが分かる。
４通りの初期荷重の個別の実験結果から分かるように、
平均予測誤差が最小となるケースが必ずしも予測予測利
益最大とはならない。例えば、前述の従来の技術におけ
るは実験結果の中では平均予測誤差が最小であるが、
予測利益は最大ではない。むしろ、の平均予測誤差が
より大きい値の方が予測利益が大きいことが分かる。
【００２０】時系列データを学習させたニューラルネッ
トワークを予測問題に応用する場合、ニューラルネット
ワークに求められる目的関数は、必ずしも平均予測誤差
を最小にすることではない。例えば、株式市場予測に適
用する場合には、予測値を用いた株式売買操作による予
測利益を最大にすることの方が重要である。従来の技術
のように、ニューラルネットワークの出力である予測値
と実測値との平均予測誤差だけを監視し、平均予測誤差
が最小となる時点で学習を停止したのでは、必ずしも予
測利益が最大とはならないという問題がある。
トワークを予測問題に応用する場合、ニューラルネット
ワークに求められる目的関数は、必ずしも平均予測誤差
を最小にすることではない。例えば、株式市場予測に適
用する場合には、予測値を用いた株式売買操作による予
測利益を最大にすることの方が重要である。従来の技術
のように、ニューラルネットワークの出力である予測値
と実測値との平均予測誤差だけを監視し、平均予測誤差
が最小となる時点で学習を停止したのでは、必ずしも予
測利益が最大とはならないという問題がある。
【００２１】本発明は上記の点に鑑みなされたもので、
上記従来の問題点を解決し、ニューラルネットワークの
出力値を用いた株式売買操作において、従来技術よりも
大きな予測利益をもたらすような時系列データの学習方
法及び時系列データの学習装置を提供することを目的と
する。
上記従来の問題点を解決し、ニューラルネットワークの
出力値を用いた株式売買操作において、従来技術よりも
大きな予測利益をもたらすような時系列データの学習方
法及び時系列データの学習装置を提供することを目的と
する。
【００２２】
【課題を解決するための手段】本発明の時系列データの
学習方法は、時間的に変換する事象に関する時系列デー
タ、及び時系列データと相関のある時系列データの過去
及び現在の値を入力信号とし、時系列データの将来の値
を教師信号として、バックプロパゲーション・アルゴリ
ズムを用いて、ニューラルネットワークの学習を行う時
系列データの学習方法において、ニューラルネットワー
クの出力値を用いた事象シミュレーションによる所定評
価尺度（利益）が最大となる時点でニューラルネットワ
ークの学習を停止する。
学習方法は、時間的に変換する事象に関する時系列デー
タ、及び時系列データと相関のある時系列データの過去
及び現在の値を入力信号とし、時系列データの将来の値
を教師信号として、バックプロパゲーション・アルゴリ
ズムを用いて、ニューラルネットワークの学習を行う時
系列データの学習方法において、ニューラルネットワー
クの出力値を用いた事象シミュレーションによる所定評
価尺度（利益）が最大となる時点でニューラルネットワ
ークの学習を停止する。
【００２３】本発明の時系列データの学習方法は、株価
時系列データ及び株価時系列データと相関のある時系列
データの過去及び現在の値を入力信号とし、株価時系列
データの将来の値を教師信号として、バックプロパゲー
ション・アルゴリズムを用いてニューラルネットワーク
の学習を行う、時系列データの学習方法において、ニュ
ーラルネットワークの出力値を用いた株式売買シミュレ
ーションによる利益が最大となる時点でニューラルネッ
トワークの学習を停止する。
時系列データ及び株価時系列データと相関のある時系列
データの過去及び現在の値を入力信号とし、株価時系列
データの将来の値を教師信号として、バックプロパゲー
ション・アルゴリズムを用いてニューラルネットワーク
の学習を行う、時系列データの学習方法において、ニュ
ーラルネットワークの出力値を用いた株式売買シミュレ
ーションによる利益が最大となる時点でニューラルネッ
トワークの学習を停止する。
【００２４】本発明の時系列データの学習装置は、時間
的に変換する事象に関する時系列データ、及び時系列デ
ータと相関のある時系列データの過去及び現在の値を入
力信号とする時系列データ分割手段を有し、時系列デー
タの将来の値を教師信号として、バックプロパゲーショ
ン・アルゴリズムを用いて、ニューラルネットワークの
学習を行う時系列データの学習装置において、ニューラ
ルネットワークの出力値を用いた事象シミュレーション
による所定評価尺度（利益）が最大となる時点でニュー
ラルネットワークの学習を停止する学習制御手段を有す
る。
的に変換する事象に関する時系列データ、及び時系列デ
ータと相関のある時系列データの過去及び現在の値を入
力信号とする時系列データ分割手段を有し、時系列デー
タの将来の値を教師信号として、バックプロパゲーショ
ン・アルゴリズムを用いて、ニューラルネットワークの
学習を行う時系列データの学習装置において、ニューラ
ルネットワークの出力値を用いた事象シミュレーション
による所定評価尺度（利益）が最大となる時点でニュー
ラルネットワークの学習を停止する学習制御手段を有す
る。
【００２５】図１は、本発明の原理構成図である。
【００２６】本発明の時系列データの学習装置は、株価
時系列データおよび株価時系列データと相関のある時系
列データの過去及び現在の値に分類して入力信号とする
時系列データ分類手段１００を有し、株価時系列データ
の将来の値を教師信号として、バックプロパゲーション
・アルゴリズムを用いてニューラルネットワークの学習
を行う、時系列データの学習装置において、ニューラル
ネットワークの出力値を用いた株式売買シミュレーショ
ンによる利益が最大となる時点でニューラルネットワー
クの学習を停止する学習制御手段２００を有する。
時系列データおよび株価時系列データと相関のある時系
列データの過去及び現在の値に分類して入力信号とする
時系列データ分類手段１００を有し、株価時系列データ
の将来の値を教師信号として、バックプロパゲーション
・アルゴリズムを用いてニューラルネットワークの学習
を行う、時系列データの学習装置において、ニューラル
ネットワークの出力値を用いた株式売買シミュレーショ
ンによる利益が最大となる時点でニューラルネットワー
クの学習を停止する学習制御手段２００を有する。
【００２７】本発明の学習制御手段２００は、時系列デ
ータ期間分類手段１００から入力される学習期間の時系
列データを用いてニューラルネットワークの学習を行う
第１の学習手段２１０と、時系列データ期間分類手段１
００から入力される検証期間の時系列データを用いて学
習中のニューラルネットワークの出力値を用いた株式売
買シミュレーションの利得の計算を行う第２の学習手段
２２０と、第２の学習手段２２０により取得した利得を
監視し、利得が最大となる学習回数を求める監視手段２
３０と、ニューラルネットワークの荷重を初期化し、第
１の学習手段２１０の繰り返しを監視手段２３０より取
得した学習回数分で停止するよう制御する学習停止制御
手段２４０を含む。
ータ期間分類手段１００から入力される学習期間の時系
列データを用いてニューラルネットワークの学習を行う
第１の学習手段２１０と、時系列データ期間分類手段１
００から入力される検証期間の時系列データを用いて学
習中のニューラルネットワークの出力値を用いた株式売
買シミュレーションの利得の計算を行う第２の学習手段
２２０と、第２の学習手段２２０により取得した利得を
監視し、利得が最大となる学習回数を求める監視手段２
３０と、ニューラルネットワークの荷重を初期化し、第
１の学習手段２１０の繰り返しを監視手段２３０より取
得した学習回数分で停止するよう制御する学習停止制御
手段２４０を含む。
【００２８】また、学習停止制御手段２４０により学習
が停止した時点での第１の学習手段２１０の学習済のニ
ューラルネットワークの出力値と、時系列データ期間分
割手段１００から入力されるテスト期間の時系列データ
を用いて株式売買操作を行う売買操作手段３００を更に
有する。
が停止した時点での第１の学習手段２１０の学習済のニ
ューラルネットワークの出力値と、時系列データ期間分
割手段１００から入力されるテスト期間の時系列データ
を用いて株式売買操作を行う売買操作手段３００を更に
有する。
【００２９】
【作用】本発明の時系列データの学習方法及び時系列デ
ータの学習装置は、ニューラルネットワークの出力値を
用いた株式売買シミュレーションの結果を監視しなが
ら、学習を進め、予測利益が最大となる時点でニューラ
ルネットワークの学習を停止する。従って、従来のよう
に、平均予測誤差が最小となる時点まで学習を行わな
い。即ち、本発明は、平均予測誤差が最小とするのでは
なく、予測値を用いて株式売買操作による予測利益を最
大にするものである。
ータの学習装置は、ニューラルネットワークの出力値を
用いた株式売買シミュレーションの結果を監視しなが
ら、学習を進め、予測利益が最大となる時点でニューラ
ルネットワークの学習を停止する。従って、従来のよう
に、平均予測誤差が最小となる時点まで学習を行わな
い。即ち、本発明は、平均予測誤差が最小とするのでは
なく、予測値を用いて株式売買操作による予測利益を最
大にするものである。
【００３０】
【実施例】以下、図面と共に本発明の一実施例を説明す
る。以下の実施例では、株式売買を例に説明する。
る。以下の実施例では、株式売買を例に説明する。
【００３１】図２は、本発明の一実施例の時系列データ
学習装置の構成を示す。
学習装置の構成を示す。
【００３２】同図に示す時系列データ学習装置１０は、
時系列データ期間分類部１００、学習期間データ学習部
２１０、検証期間データ学習部２２０、監視部２３０、
学習停止制御部２４０、及びテスト期間データ学習部３
００より構成される。
時系列データ期間分類部１００、学習期間データ学習部
２１０、検証期間データ学習部２２０、監視部２３０、
学習停止制御部２４０、及びテスト期間データ学習部３
００より構成される。
【００３３】時系列データ期間分割部１００は、時系列
データの期間を入力データ及び教師データに基づいてｎ
回の学習を行う学習期間、学習期間において学習された
データに基づいてシミュレーションを行う検証期間、学
習後のニューラルネットワークを用いてテストを行う期
間であるテスト期間に分類する。
データの期間を入力データ及び教師データに基づいてｎ
回の学習を行う学習期間、学習期間において学習された
データに基づいてシミュレーションを行う検証期間、学
習後のニューラルネットワークを用いてテストを行う期
間であるテスト期間に分類する。
【００３４】学習データ期間学習部２１０は、時系列デ
ータ期間分類部１００により分類された学習期間の時系
列データに基づいてニューラルネットワークの学習をｎ
回行う。
ータ期間分類部１００により分類された学習期間の時系
列データに基づいてニューラルネットワークの学習をｎ
回行う。
【００３５】検証期間データ学習部２２０は、検証期間
の時系列データと学習データ期間学習部２１０の学習中
のニューラルネットワークの出力値を用いて株式売買シ
ミュレーションによる利得Ｐの計算を行う。
の時系列データと学習データ期間学習部２１０の学習中
のニューラルネットワークの出力値を用いて株式売買シ
ミュレーションによる利得Ｐの計算を行う。
【００３６】監視部２３０は、検証期間データ学習部２
２０により求められる利得Ｐが最大となる学習回数
（Ｍ）を求め、学習停止制御部２４０に出力する。
２０により求められる利得Ｐが最大となる学習回数
（Ｍ）を求め、学習停止制御部２４０に出力する。
【００３７】学習停止制御部２４０は、学習期間データ
学習部２１０のニューラルネットワークの荷重を初期化
し、再度、学習期間データ学習部２１０をＭ回学習する
よう指示し、学習回数がＭ回になった時点で、その学習
結果をテスト期間データ学習部３００に出力する。
学習部２１０のニューラルネットワークの荷重を初期化
し、再度、学習期間データ学習部２１０をＭ回学習する
よう指示し、学習回数がＭ回になった時点で、その学習
結果をテスト期間データ学習部３００に出力する。
【００３８】テスト期間データ学習部３００は、時系列
データ期間分類部１００からテスト期間の時系列データ
が入力されると、学習期間データ学習部２１０より学習
停止制御部２４０を介して取得した学習済のニューラル
ネットワークの出力値を用いて株式売買操作を行う。
データ期間分類部１００からテスト期間の時系列データ
が入力されると、学習期間データ学習部２１０より学習
停止制御部２４０を介して取得した学習済のニューラル
ネットワークの出力値を用いて株式売買操作を行う。
【００３９】図３は、本発明の一実施例の時系列データ
学習装置の動作を説明するためのフローチャートであ
る。
学習装置の動作を説明するためのフローチャートであ
る。
【００４０】ステップ１１０） まず、時系列データ期
間分類部１００は、時系列データの期間を学習期間、検
証期間、テスト期間に分類する。但し、時間の流れは、
学習期間→検証期間→テスト期間の順となる。
間分類部１００は、時系列データの期間を学習期間、検
証期間、テスト期間に分類する。但し、時間の流れは、
学習期間→検証期間→テスト期間の順となる。
【００４１】ステップ１２０） 学習期間データ学習部
２１０は、時系列データ期間分類部１００から入力され
る学習期間の時系列データを用いて、バックプロパゲー
ション・アルゴリズムにより、ニューラルネットワーク
の学習をｎ回行う。但し、ｎは、１以上の整数である。
２１０は、時系列データ期間分類部１００から入力され
る学習期間の時系列データを用いて、バックプロパゲー
ション・アルゴリズムにより、ニューラルネットワーク
の学習をｎ回行う。但し、ｎは、１以上の整数である。
【００４２】ステップ１３０） 検証期間データ学習部
２２０は、時系列データ期間分類部１００から入力され
る検証期間の時系列データを用いて、学習中のニューラ
ルネットワークの出力値を用いた株式売買シミュレーシ
ョンによる利得Ｐの計算を行う。利得Ｐの計算方法は、
従来の技術の項で説明した方法による。
２２０は、時系列データ期間分類部１００から入力され
る検証期間の時系列データを用いて、学習中のニューラ
ルネットワークの出力値を用いた株式売買シミュレーシ
ョンによる利得Ｐの計算を行う。利得Ｐの計算方法は、
従来の技術の項で説明した方法による。
【００４３】ステップ１４０） 計算結果監視部２３０
は、上記の処理を所定の学習回数になるまで繰り返し、
検証期間データ学習部２２０により計算される利得Ｐを
監視し、計算された利得Ｐが最大となる学習回数Ｍを求
め、学習停止制御部２４０に出力する。
は、上記の処理を所定の学習回数になるまで繰り返し、
検証期間データ学習部２２０により計算される利得Ｐを
監視し、計算された利得Ｐが最大となる学習回数Ｍを求
め、学習停止制御部２４０に出力する。
【００４４】ステップ１５０） 学習停止制御部２４０
は、ニューラルネットワークの荷重を初期化し、ステッ
プ１２０の処理を学習回数がＭ回になるまで繰り返すよ
う学習期間データ学習部２１０に指示する。
は、ニューラルネットワークの荷重を初期化し、ステッ
プ１２０の処理を学習回数がＭ回になるまで繰り返すよ
う学習期間データ学習部２１０に指示する。
【００４５】ステップ１６０） テスト期間データ学習
部３００は、時系列データ期間分類部１００より入力さ
れるテスト期間の時系列データと、学習期間データ学習
部２１０の学習済のニューラルネットワークの出力値で
ある予測利益を用いて株式売買操作を行い、最も適正な
値を出力する。このとき、ディスプレイ装置または、店
頭の各種表示パネルやプリンタ等に出力することも可能
である。
部３００は、時系列データ期間分類部１００より入力さ
れるテスト期間の時系列データと、学習期間データ学習
部２１０の学習済のニューラルネットワークの出力値で
ある予測利益を用いて株式売買操作を行い、最も適正な
値を出力する。このとき、ディスプレイ装置または、店
頭の各種表示パネルやプリンタ等に出力することも可能
である。
【００４６】即ち、上記に示す動作は、検証期間データ
学習部２２０で利得Ｐが最大となる学習回数Ｍが求めら
れた時点で、学習停止制御部２４０において、学習期間
データ学習部２１０のニューラルネットワークの荷重を
初期化状態とし、再度、Ｍ回学習期間データ２１０の学
習を行い、その学習結果とテスト期間データにより売買
操作（株式の売買処理）を行うものである。
学習部２２０で利得Ｐが最大となる学習回数Ｍが求めら
れた時点で、学習停止制御部２４０において、学習期間
データ学習部２１０のニューラルネットワークの荷重を
初期化状態とし、再度、Ｍ回学習期間データ２１０の学
習を行い、その学習結果とテスト期間データにより売買
操作（株式の売買処理）を行うものである。
【００４７】上記の機能を用いて実験を行った結果を以
下に説明する。
下に説明する。
【００４８】従来の技術の項で説明した条件と同様に、
学習期間を３００日、検証期間を３０日、予測期間を７
８日として実験を行った。この時、テスト期間での予測
利益は、ニューラルネットワークの初期荷重を４通り変
えて実行した時の平均値では＋４２２となり、従来の技
術による予測利益＋３２９と比較して約３０％向上し
た。
学習期間を３００日、検証期間を３０日、予測期間を７
８日として実験を行った。この時、テスト期間での予測
利益は、ニューラルネットワークの初期荷重を４通り変
えて実行した時の平均値では＋４２２となり、従来の技
術による予測利益＋３２９と比較して約３０％向上し
た。
【００４９】このように、本実施例では、平均予測誤差
が最小であることより、利得が最も大きくなる、即ち、
予測値を用いた株式売買操作による予測利益を最大にな
る時点で学習を停止させることにより、誤差が最小にな
るまで学習を行わない。これにより、最も大きい予測利
益を取得することが可能である。
が最小であることより、利得が最も大きくなる、即ち、
予測値を用いた株式売買操作による予測利益を最大にな
る時点で学習を停止させることにより、誤差が最小にな
るまで学習を行わない。これにより、最も大きい予測利
益を取得することが可能である。
【００５０】なお、本発明は、上記の実施例に限定され
ることなく、種々変更・応用が可能であり、例えば、時
系列データ分類部１００において各期間の日数設定を種
々変更することで、様々な期間でのシミュレーションが
可能となる。
ることなく、種々変更・応用が可能であり、例えば、時
系列データ分類部１００において各期間の日数設定を種
々変更することで、様々な期間でのシミュレーションが
可能となる。
【００５１】
【発明の効果】上述のように、本発明の時系列データ学
習方法及び時系列データ学習装置によれば、ニューラル
ネットワークの出力値を用いた株式売買シミュレーショ
ンによる利益が最大となる時点で学習を停止するので、
平均予測誤差が最小となる時点で学習を停止していた従
来の記述に比べて、株式売買による予測利益が増大す
る。従って、株式予測において、利益取得のために正確
が株価予測を行うことが可能となる。
習方法及び時系列データ学習装置によれば、ニューラル
ネットワークの出力値を用いた株式売買シミュレーショ
ンによる利益が最大となる時点で学習を停止するので、
平均予測誤差が最小となる時点で学習を停止していた従
来の記述に比べて、株式売買による予測利益が増大す
る。従って、株式予測において、利益取得のために正確
が株価予測を行うことが可能となる。
【図１】本発明の原理構成図である。
【図２】本発明の一実施例の時系列データ学習装置の構
成図である。
成図である。
【図３】本発明の一実施例の時系列データ学習装置の動
作を説明するためのフローチャートである。
作を説明するためのフローチャートである。
【図４】フィードフォワード型ニューラルネットワーク
の構成例を示す図である。
の構成例を示す図である。
【図５】各時刻における入力信号と教師信号との対応を
示す図である。
示す図である。
１００ 時系列データ期間分類手段、時系列データ期間
分類部 ２００ 学習制御手段 ２１０ 第１の学習手段、学習期間データ学習部 ２２０ 第２の学習手段、検証期間データ学習部 ２３０ 監視手段、監視部 ２４０ 停止制御手段、学習停止制御部 ３００ 売買操作手段、テスト期間データ学習部
分類部 ２００ 学習制御手段 ２１０ 第１の学習手段、学習期間データ学習部 ２２０ 第２の学習手段、検証期間データ学習部 ２３０ 監視手段、監視部 ２４０ 停止制御手段、学習停止制御部 ３００ 売買操作手段、テスト期間データ学習部
Claims (6)
- 【請求項１】 時間的に変換する事象に関する時系列デ
ータ、及び前記時系列データと相関のある時系列データ
の過去及び現在の値を入力信号とし、前記時系列データ
の将来の値を教師信号として、バックプロパゲーション
・アルゴリズムを用いて、ニューラルネットワークの学
習を行う時系列データの学習方法において、 前記ニューラルネットワークの出力値を用いた事象シミ
ュレーションによる所定評価尺度（利益）が最大となる
時点で前記ニューラルネットワークの学習を停止するこ
とを特徴とする時系列データの学習方法。 - 【請求項２】 株価時系列データ及び前記株価時系列デ
ータと相関のある時系列データの過去及び現在の値を入
力信号とし、前記株価時系列データの将来の値を教師信
号として、バックプロパゲーション・アルゴリズムを用
いてニューラルネットワークの学習を行う時系列データ
の学習方法において、 前記ニューラルネットワークの出力値を用いた株式売買
シミュレーションによる利益が最大となる時点で前記ニ
ューラルネットワークの学習を停止することを特徴とす
る時系列データの学習方法。 - 【請求項３】 時間的に変換する事象に関する時系列デ
ータ、及び前記時系列データと相関のある時系列データ
の過去及び現在の値を入力信号とする時系列データ分割
手段を有し、前記時系列データの将来の値を教師信号と
して、バックプロパゲーション・アルゴリズムを用い
て、ニューラルネットワークの学習を行う時系列データ
の学習装置において、 前記ニューラルネットワークの出力値を用いた事象シミ
ュレーションによる所定評価尺度（利益）が最大となる
時点で前記ニューラルネットワークの学習を停止する学
習制御手段を有することを特徴とする時系列データの学
習装置。 - 【請求項４】 株価時系列データおよび前記株価時系列
データと相関のある時系列データの過去及び現在の値を
入力信号とする時系列データ分割手段を有し、前記株価
時系列データの将来の値を教師信号として、バックプロ
パゲーション・アルゴリズムを用いてニューラルネット
ワークの学習を行う、時系列データの学習装置におい
て、 前記ニューラルネットワークの出力値を用いた株式売買
シミュレーションによる利益が最大となる時点で前記ニ
ューラルネットワークの学習を停止する学習制御手段を
有することを特徴とする時系列データの学習装置。 - 【請求項５】 前記学習制御手段は、 前記時系列データ期間分割手段から入力される学習期間
の時系列データを用いて前記ニューラルネットワークの
学習を行う第１の学習手段と、 前記時系列データ期間分類手段から入力される検証期間
の時系列データを用いて学習中のニューラルネットワー
クの出力値を用いた株式売買シミュレーションの利得の
計算を行う第２の学習手段と、 前記第２の学習手段により取得した前記利得を監視し、
前記利得が最大となる学習回数を求める監視手段と、前
記ニューラルネットワークの荷重を初期化し、前記第１
の学習手段の繰り返しを前記監視手段より取得した学習
回数分で停止するよう制御する学習停止制御手段を含む
請求項４記載の時系列データの学習装置。 - 【請求項６】 前記学習停止制御手段により学習が停止
した時点での前記第１の学習手段の学習済のニューラル
ネットワークの出力値と、前記時系列データ期間分割手
段から入力されるテスト期間の時系列データを用いて株
式売買操作を行う売買操作手段を更に有する請求項４記
載の時系列データの学習装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23374594A JPH0895938A (ja) | 1994-09-28 | 1994-09-28 | 時系列データの学習方法及び時系列データの学習装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23374594A JPH0895938A (ja) | 1994-09-28 | 1994-09-28 | 時系列データの学習方法及び時系列データの学習装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0895938A true JPH0895938A (ja) | 1996-04-12 |
Family
ID=16959918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23374594A Pending JPH0895938A (ja) | 1994-09-28 | 1994-09-28 | 時系列データの学習方法及び時系列データの学習装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0895938A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063517A1 (en) * | 2000-02-23 | 2001-08-30 | Accenture Llp | Method for an employee analysis based on results of an education business simulation |
| JP2002083134A (ja) * | 2000-09-08 | 2002-03-22 | Toshiba Corp | 自動発注システム |
| WO2002069079A3 (en) * | 2001-01-16 | 2002-10-31 | Westport Financial Llc | System for simulating trading of financial assets |
| KR100397467B1 (ko) * | 2000-09-29 | 2003-09-13 | 주식회사 피스트 글로벌 | 공변성을 갖는 확률변수에 대한 시뮬레이션 방법 및 이를기록한 컴퓨터로 읽을 수 있는 기록매체 |
| US6944596B1 (en) * | 2000-02-23 | 2005-09-13 | Accenture Llp | Employee analysis based on results of an education business simulation |
| CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
| 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 |
| KR20220167039A (ko) * | 2021-06-11 | 2022-12-20 | 백석대학교산학협력단 | 딥러닝과 경제 지표 기반 주가 예측 시스템 |
-
1994
- 1994-09-28 JP JP23374594A patent/JPH0895938A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063517A1 (en) * | 2000-02-23 | 2001-08-30 | Accenture Llp | Method for an employee analysis based on results of an education business simulation |
| US6944596B1 (en) * | 2000-02-23 | 2005-09-13 | Accenture Llp | Employee analysis based on results of an education business simulation |
| JP2002083134A (ja) * | 2000-09-08 | 2002-03-22 | Toshiba Corp | 自動発注システム |
| KR100397467B1 (ko) * | 2000-09-29 | 2003-09-13 | 주식회사 피스트 글로벌 | 공변성을 갖는 확률변수에 대한 시뮬레이션 방법 및 이를기록한 컴퓨터로 읽을 수 있는 기록매체 |
| WO2002069079A3 (en) * | 2001-01-16 | 2002-10-31 | Westport Financial Llc | System for simulating trading of financial assets |
| CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
| CN104679989B (zh) * | 2015-01-27 | 2017-11-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
| 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 |
| 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 |
| KR20220167039A (ko) * | 2021-06-11 | 2022-12-20 | 백석대학교산학협력단 | 딥러닝과 경제 지표 기반 주가 예측 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lennox et al. | Industrial application of neural networks—an investigation | |
| US5448681A (en) | Intelligent controller with neural network and reinforcement learning | |
| US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
| JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
| Zhou et al. | A new type of recurrent fuzzy neural network for modeling dynamic systems | |
| JPH09128010A (ja) | 技術的系の非決定的特性を有するニューラルネットワークのトレーニング方法 | |
| Devianto et al. | The model of artificial neural network and nonparametric MARS regression for Indonesian composite index | |
| 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 | |
| JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
| Poddar et al. | Nonlinear prediction of speech signals using memory neuron networks | |
| Sahar et al. | Pricing American Put Option using RBF-NN: New Simulation of Black-Scholes | |
| JPH0581228A (ja) | ニユーラルネツトワークの構成方法および学習／想起システム | |
| JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
| Banik et al. | Modeling chaotic behavior of Dhaka Stock Market Index values using the neuro-fuzzy model | |
| JPH04220758A (ja) | 時系列データの予測及び予測認識方法 | |
| JPH09128360A (ja) | 時系列データの学習方法及び装置 | |
| Zhou | Combining dynamic neural networks and image sequences in a dynamic model for complex industrial production processes | |
| JPH0460752A (ja) | ニューラルネットワークの学習装置 | |
| Rodrigues et al. | Forecasting demand in the clothing industry | |
| Khotanzad et al. | An adaptive and modular recurrent neural network based power system load forecaster | |
| JPH0895939A (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 | |
| JPH06175998A (ja) | 時系列予測方法 | |
| JPH10283334A (ja) | ニューラルネットワークの入力層最適化方法 | |
| WO2021117125A1 (ja) | 取引市場予測 | |
| Ankenbrand et al. | Forecasting financial multivariate time series with neural networks |