JPH0895939A - 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
- JPH0895939A JPH0895939A JP23374694A JP23374694A JPH0895939A JP H0895939 A JPH0895939 A JP H0895939A JP 23374694 A JP23374694 A JP 23374694A JP 23374694 A JP23374694 A JP 23374694A JP H0895939 A JPH0895939 A JP H0895939A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- time
- series data
- value
- teacher signal
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
(57)【要約】
【目的】 本発明の目的は、大きな変動に対応する学習
セットを強調して学習させることにより、大きな変動
を、より正確に予測できる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、学習セットの中で、教師信号δＡ
0 （ｔ＋１）の絶対値が所定の値より大きい第１の学習
セットを、教師信号δＡ0 （ｔ＋１）の絶対値が所定の
値以下の第２の学習セットに比べてニューラルネットワ
ークに呈示する回数を多くして学習させる学習制御手段
２００を有する。
セットを強調して学習させることにより、大きな変動
を、より正確に予測できる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、学習セットの中で、教師信号δＡ
0 （ｔ＋１）の絶対値が所定の値より大きい第１の学習
セットを、教師信号δＡ0 （ｔ＋１）の絶対値が所定の
値以下の第２の学習セットに比べてニューラルネットワ
ークに呈示する回数を多くして学習させる学習制御手段
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時系列
データを学習させる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時系列
データを学習させる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】詳しくは、株価変動のように、市場性のあ
るデータを操作する際に、最も変動の激しい時の変動幅
や変動方向に応じて、将来的な株価等の動向を認識する
と共に、変動幅や変動方向に沿った売買操作等を行うた
めに、時々入力される時系列データを学習して正確な予
測を行うことが可能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に関する。
るデータを操作する際に、最も変動の激しい時の変動幅
や変動方向に応じて、将来的な株価等の動向を認識する
と共に、変動幅や変動方向に沿った売買操作等を行うた
めに、時々入力される時系列データを学習して正確な予
測を行うことが可能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に関する。
【０００３】
【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。
【０００４】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。
【０００５】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、学習課題に相応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.: Pare
llel Distrbuted ProcessingVol. 1, MIT Press (1986)
］を用いる。
せることにより、学習課題に相応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.: Pare
llel Distrbuted ProcessingVol. 1, MIT Press (1986)
］を用いる。
【０００６】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
下の通りである。
ルネットワークへの入力信号と教師信号の与え方は、以
下の通りである。
【０００７】但し、時刻ｔにおける予測対象時系列デー
タＡの変化分をδＡ（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）とする。時刻ｔの観測値であるδＡ（ｔ），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δＡ
（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。図４
の例では、中間層２のニューロン数ｎは、試行錯誤的に
決定される。
タＡの変化分をδＡ（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）とする。時刻ｔの観測値であるδＡ（ｔ），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δＡ
（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。図４
の例では、中間層２のニューロン数ｎは、試行錯誤的に
決定される。
【０００８】従来技術では、予測対象時系列データの変
化分の大きさによらず、図５に示す時刻１から時刻１０
までのどの学習データ（入力信号と教師信号からなる一
組のデータ）も均等にニューラルネットワークに呈示さ
れ、図４に示すニューラルネットワークにおいて学習さ
れる。
化分の大きさによらず、図５に示す時刻１から時刻１０
までのどの学習データ（入力信号と教師信号からなる一
組のデータ）も均等にニューラルネットワークに呈示さ
れ、図４に示すニューラルネットワークにおいて学習さ
れる。
【０００９】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。
【００１０】学習期間を３００日、検証期間を３０日、
テスト期間を７８日とし、大きな変動の目安となる大き
さを１４．７８とし（この値は、学習データでの変化分
の絶対値の中央値である）、検証データに対する大きな
変動予測の性能を比較する評価尺度である値Ｐが最大の
時点で学習を停止する。この条件により、実験を行った
結果、全ての学習データを同じ回数（一般的には１回）
だけニューラルネットワークに呈示した時の大きな変動
予測の性能を比較する評価尺度（Ｐ）は、学習期間のＰ
値＝１４１３、検証期間のＰ値＝１８５、予測期間のＰ
値＝３５６である。
テスト期間を７８日とし、大きな変動の目安となる大き
さを１４．７８とし（この値は、学習データでの変化分
の絶対値の中央値である）、検証データに対する大きな
変動予測の性能を比較する評価尺度である値Ｐが最大の
時点で学習を停止する。この条件により、実験を行った
結果、全ての学習データを同じ回数（一般的には１回）
だけニューラルネットワークに呈示した時の大きな変動
予測の性能を比較する評価尺度（Ｐ）は、学習期間のＰ
値＝１４１３、検証期間のＰ値＝１８５、予測期間のＰ
値＝３５６である。
【００１１】
【発明が解決しようとする課題】しかしながら、過去及
び現在の時系列データをニューラルネットワークに入力
して、将来の時系列データの変動を予測させる場合に
は、小さな変動よりも大きな変動を正確に予測できるこ
とが重要となる。従って、上記の従来の技術のように、
予測対象時系列データの変化分の大きさに影響されず
に、どの学習データも均等にニューラルネットワークに
与える、即ち、小さな変動と大きな変動を同じように学
習させると、小さな変動も正確に学習しようとするため
に、大きな変動を効果的に学習できないという問題が生
じる。
び現在の時系列データをニューラルネットワークに入力
して、将来の時系列データの変動を予測させる場合に
は、小さな変動よりも大きな変動を正確に予測できるこ
とが重要となる。従って、上記の従来の技術のように、
予測対象時系列データの変化分の大きさに影響されず
に、どの学習データも均等にニューラルネットワークに
与える、即ち、小さな変動と大きな変動を同じように学
習させると、小さな変動も正確に学習しようとするため
に、大きな変動を効果的に学習できないという問題が生
じる。
【００１２】本発明は、上記の点に鑑みなされたもの
で、大きな変動に対応する学習セットを強調して学習さ
せることにより、大きな変動を、より正確に予測できる
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。
で、大きな変動に対応する学習セットを強調して学習さ
せることにより、大きな変動を、より正確に予測できる
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。
【００１３】
【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、予測対象時系列データＡ0 の時刻ｔの変化
分であるδＡ0 （ｔ）及び該予測対象時系列データＡ0
との相関のある時系列データＡ1 ，…，Ａn （ｎ≧１）
の時刻ｔの値であるＡ1 （ｔ），…，Ａn （ｔ）を入力
信号とし、該予測対象時系列データＡ0 の時刻（ｔ＋
１）の変化分であるδＡ0 （ｔ＋１）を教師信号とし
て、予め用意した入力信号と教師信号の学習セットをバ
ックプロパゲーション・アルゴリズムを用いてニューラ
ルネットワークに学習させる、時系列データの学習方法
において、学習セットの中で、教師信号δＡ0 （ｔ＋
１）の絶対値が所定の値より大きい部分セットを、教師
信号δＡ0 （ｔ＋１）の絶対値が所定の値以下の部分セ
ットに比べてニューラルネットワークに呈示する回数を
多くして学習させる。
学習方法は、予測対象時系列データＡ0 の時刻ｔの変化
分であるδＡ0 （ｔ）及び該予測対象時系列データＡ0
との相関のある時系列データＡ1 ，…，Ａn （ｎ≧１）
の時刻ｔの値であるＡ1 （ｔ），…，Ａn （ｔ）を入力
信号とし、該予測対象時系列データＡ0 の時刻（ｔ＋
１）の変化分であるδＡ0 （ｔ＋１）を教師信号とし
て、予め用意した入力信号と教師信号の学習セットをバ
ックプロパゲーション・アルゴリズムを用いてニューラ
ルネットワークに学習させる、時系列データの学習方法
において、学習セットの中で、教師信号δＡ0 （ｔ＋
１）の絶対値が所定の値より大きい部分セットを、教師
信号δＡ0 （ｔ＋１）の絶対値が所定の値以下の部分セ
ットに比べてニューラルネットワークに呈示する回数を
多くして学習させる。
【００１４】また、ニューラルネットワークに第１の学
習セットを呈示する際に、教師信号の絶対値と比較する
所定の値を、複数のランクに分けて設定しておき、教師
信号の絶対値に対応するランク毎に、第１の学習セット
をニューラルネットワークに呈示する回数を決定する。
習セットを呈示する際に、教師信号の絶対値と比較する
所定の値を、複数のランクに分けて設定しておき、教師
信号の絶対値に対応するランク毎に、第１の学習セット
をニューラルネットワークに呈示する回数を決定する。
【００１５】図１は、本発明の原理構成図である。
【００１６】本発明の時系列データの学習装置は、予測
対象時系列データＡ0 の時刻ｔの変化分であるδＡ
0 （ｔ）及び該予測対象時系列データＡ0 との相関のあ
る時系列データＡ1 ，…，Ａn （ｎ≧１）の時刻ｔの値
であるＡ1 （ｔ），…，Ａn （ｔ）を入力信号とし、予
測対象時系列データＡ0 の時刻（ｔ＋１）の変化分であ
るδＡ0 （ｔ＋１）を教師信号として、予め用意した入
力信号と教師信号の学習セットを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に学
習させる時系列データの学習装置において、学習セット
の中で、教師信号δＡ0 （ｔ＋１）の絶対値が所定の値
より大きい第１の学習セットを、教師信号δＡ0 （ｔ＋
１）の絶対値が所定の値以下の第２の学習セットに比べ
てニューラルネットワークに呈示する回数を多くして学
習させる学習制御手段２００を有する。
対象時系列データＡ0 の時刻ｔの変化分であるδＡ
0 （ｔ）及び該予測対象時系列データＡ0 との相関のあ
る時系列データＡ1 ，…，Ａn （ｎ≧１）の時刻ｔの値
であるＡ1 （ｔ），…，Ａn （ｔ）を入力信号とし、予
測対象時系列データＡ0 の時刻（ｔ＋１）の変化分であ
るδＡ0 （ｔ＋１）を教師信号として、予め用意した入
力信号と教師信号の学習セットを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に学
習させる時系列データの学習装置において、学習セット
の中で、教師信号δＡ0 （ｔ＋１）の絶対値が所定の値
より大きい第１の学習セットを、教師信号δＡ0 （ｔ＋
１）の絶対値が所定の値以下の第２の学習セットに比べ
てニューラルネットワークに呈示する回数を多くして学
習させる学習制御手段２００を有する。
【００１７】また、上記の学習制御手段２００は、教師
信号δＡ0 （ｔ＋１）の絶対値と所定の値を比較する比
較手段２２０と、比較手段２２０により教師信号δＡ0
（ｔ＋１）の絶対値の方が大きい場合には、第１の学習
セットにより所定の回数分の学習を行う学習手段２１０
と、学習手段２１０を大きな変動予測の性能が最大とな
る時点で学習を停止する学習停止手段２５０とを含む。
信号δＡ0 （ｔ＋１）の絶対値と所定の値を比較する比
較手段２２０と、比較手段２２０により教師信号δＡ0
（ｔ＋１）の絶対値の方が大きい場合には、第１の学習
セットにより所定の回数分の学習を行う学習手段２１０
と、学習手段２１０を大きな変動予測の性能が最大とな
る時点で学習を停止する学習停止手段２５０とを含む。
【００１８】また、上記の学習制御手段２００は、教師
信号の絶対値と比較する所定の値を、複数のランクに分
けて設定し、ランク毎に第１の学習セットをニューラル
ネットワークに呈示する回数を決定する。
信号の絶対値と比較する所定の値を、複数のランクに分
けて設定し、ランク毎に第１の学習セットをニューラル
ネットワークに呈示する回数を決定する。
【００１９】
【作用】本発明は、第１の予測対象時系列データの時刻
（ｔ＋１）の変化分の絶対値が所定の値より大きくなる
学習セットＬを選択し、第２に学習セットＬを学習セッ
トＬ以外の学習セットに比べてニューラルネットワーク
に呈示する回数を多くして学習を行う。これにより、全
ての学習セットを均等に呈示して学習させるよりも、大
きな変動に対応する学習セットを強調して学習できるの
で、より正確に大きな変動を予測することが可能であ
る。
（ｔ＋１）の変化分の絶対値が所定の値より大きくなる
学習セットＬを選択し、第２に学習セットＬを学習セッ
トＬ以外の学習セットに比べてニューラルネットワーク
に呈示する回数を多くして学習を行う。これにより、全
ての学習セットを均等に呈示して学習させるよりも、大
きな変動に対応する学習セットを強調して学習できるの
で、より正確に大きな変動を予測することが可能であ
る。
【００２０】さらに、本発明は、上記の学習セットＬの
教師信号の絶対値の幅により、さらにランク分けし、そ
のランクに基づいて、ニューラルネットワークに学習セ
ットＬを呈示する回数を変えることが可能であり、教師
信号の絶対値の幅の大きい場合には、呈示回数をさらに
多く設定することも可能である。
教師信号の絶対値の幅により、さらにランク分けし、そ
のランクに基づいて、ニューラルネットワークに学習セ
ットＬを呈示する回数を変えることが可能であり、教師
信号の絶対値の幅の大きい場合には、呈示回数をさらに
多く設定することも可能である。
【００２１】
【実施例】以下、図面と共に本発明の実施例を時々変化
する株式を例に説明する。
する株式を例に説明する。
【００２２】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。同図に示す時系列データ学習装
置は、時系列データ分類部１００、学習データ学習部２
１０、変化値比較部２２０、検証データ学習部２３０、
最大尺度算出部２４０、学習制御部２５０、及び予測部
３００より構成される。
学習装置の構成を示す。同図に示す時系列データ学習装
置は、時系列データ分類部１００、学習データ学習部２
１０、変化値比較部２２０、検証データ学習部２３０、
最大尺度算出部２４０、学習制御部２５０、及び予測部
３００より構成される。
【００２３】時系列データ分類部１００は、時系列デー
タの全期間を第１日〜第Ｔ日としたとき、時系列データ
を学習に用いる学習データを第１日〜第ｔ1 日とし、学
習状態の検証に用いる検証データを第ｔ1 日〜第ｔ2 日
とし、予測テストに用いるテストデータを第ｔ2 日〜第
Ｔ日に分類する。
タの全期間を第１日〜第Ｔ日としたとき、時系列データ
を学習に用いる学習データを第１日〜第ｔ1 日とし、学
習状態の検証に用いる検証データを第ｔ1 日〜第ｔ2 日
とし、予測テストに用いるテストデータを第ｔ2 日〜第
Ｔ日に分類する。
【００２４】学習データ学習部２１０は、本実施例で
は、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（第１日〜第ｔ1 日）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の各時系列データの日次変換分
（当日値−前日値）をニューラルネットワークの入力層
への入力信号とし、さらに、ＴＯＰＩＸの翌日の日次変
化分（翌日値−当日値）を教師信号として、出力層に与
え、バックプロパゲーション・アルゴリズムを用いて学
習を行う。
は、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（第１日〜第ｔ1 日）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の各時系列データの日次変換分
（当日値−前日値）をニューラルネットワークの入力層
への入力信号とし、さらに、ＴＯＰＩＸの翌日の日次変
化分（翌日値−当日値）を教師信号として、出力層に与
え、バックプロパゲーション・アルゴリズムを用いて学
習を行う。
【００２５】変化値比較部２２０は、時系列データ（第
１日〜第ｔ1 日）に対応する教師信号の翌日変化分を調
べ、翌日変化分の絶対値が所定の値Ｖと比較した場合
に、値Ｖより大きな値となっている教師信号と入力信号
の組である学習データを学習制御部２５０に出力する。
１日〜第ｔ1 日）に対応する教師信号の翌日変化分を調
べ、翌日変化分の絶対値が所定の値Ｖと比較した場合
に、値Ｖより大きな値となっている教師信号と入力信号
の組である学習データを学習制御部２５０に出力する。
【００２６】検証データ学習部２３０は、時系列データ
分類部１００より入力された検証データ（第ｔ1 日〜第
ｔ2 日）に対する評価尺度Ｐを求め、最大尺度算出部２
４０に出力する。大きな変動予測の性能を比較する評価
尺度は、以下のようにして求める。評価尺度Ｐの算出法
の基本的な考え方は、次の通りである。予測した変動方
向と実際の変動方向が一致したとき、プラスのポイント
がＰに与えられる。変化分が大きいほど大きなプラスポ
イントが評価尺度Ｐに与えられる。逆に、予測した変動
方向と実際の変動方向が一致しなかった時は、マイナス
のポイントがＰに与えられる。変化分が大きいほど大き
なマイナスポイントが評価尺度Ｐに与えられる。
分類部１００より入力された検証データ（第ｔ1 日〜第
ｔ2 日）に対する評価尺度Ｐを求め、最大尺度算出部２
４０に出力する。大きな変動予測の性能を比較する評価
尺度は、以下のようにして求める。評価尺度Ｐの算出法
の基本的な考え方は、次の通りである。予測した変動方
向と実際の変動方向が一致したとき、プラスのポイント
がＰに与えられる。変化分が大きいほど大きなプラスポ
イントが評価尺度Ｐに与えられる。逆に、予測した変動
方向と実際の変動方向が一致しなかった時は、マイナス
のポイントがＰに与えられる。変化分が大きいほど大き
なマイナスポイントが評価尺度Ｐに与えられる。
【００２７】具体的な評価尺度Ｐの算出法は、以下の通
りである。Ｐの初期値をゼロとし、大きな変動（ＴＯＰ
ＩＸの翌日変化分が所定の値Ｖよりも大きな変動）を予
測した場合、予測方向と実際の方向が等しいときには、
実際変化分の絶対値をＰに加算し、等しくないときに
は、実際変化分の絶対値をＰから減算する。この操作を
期間全体で順番に行い、最終的なＰの値を得る。
りである。Ｐの初期値をゼロとし、大きな変動（ＴＯＰ
ＩＸの翌日変化分が所定の値Ｖよりも大きな変動）を予
測した場合、予測方向と実際の方向が等しいときには、
実際変化分の絶対値をＰに加算し、等しくないときに
は、実際変化分の絶対値をＰから減算する。この操作を
期間全体で順番に行い、最終的なＰの値を得る。
【００２８】例えば、所定の値を１４．７８としたと
き、翌日変化分が“１４．７８より大きく上昇”と予測
した場合、実際の変化分が＋３０（３０だけ上昇）であ
る場合には、変動方向が等しいので、３０を加算する。
実際の変化分が−１０（１０だけ減少）である場合に
は、変動方向が異なるので１０を減算する。逆に翌日変
化分が“１４．７８より大きく下降”と予測した場合、
実際の変化分が−１０である場合には、変動方向が等し
いので１０を加算する。実際の変化分が＋３０である場
合は、変動方向が等しくないので３０を減算する。
き、翌日変化分が“１４．７８より大きく上昇”と予測
した場合、実際の変化分が＋３０（３０だけ上昇）であ
る場合には、変動方向が等しいので、３０を加算する。
実際の変化分が−１０（１０だけ減少）である場合に
は、変動方向が異なるので１０を減算する。逆に翌日変
化分が“１４．７８より大きく下降”と予測した場合、
実際の変化分が−１０である場合には、変動方向が等し
いので１０を加算する。実際の変化分が＋３０である場
合は、変動方向が等しくないので３０を減算する。
【００２９】最大尺度算出部２４０は、学習データ学習
部２１０の学習後のデータより検証データに対する評価
尺度の値Ｐが最大となる学習回数Ｍを求め、その回数を
学習制御部２５０に出力する。
部２１０の学習後のデータより検証データに対する評価
尺度の値Ｐが最大となる学習回数Ｍを求め、その回数を
学習制御部２５０に出力する。
【００３０】学習制御部２５０は、変化値比較部２２０
より入力された学習データ、即ち、翌日変化分の絶対値
が所定の値Ｖより大きい教師信号と入力信号の組である
学習データについて、学習データ学習部２１０で所定の
回数分の学習を繰り返すように制御する。また、学習制
御部２５０は、最大尺度算出部２４０より入力された学
習回数Ｍに基づいて、学習データ学習部２１０にＭ回学
習を実行するように制御する。
より入力された学習データ、即ち、翌日変化分の絶対値
が所定の値Ｖより大きい教師信号と入力信号の組である
学習データについて、学習データ学習部２１０で所定の
回数分の学習を繰り返すように制御する。また、学習制
御部２５０は、最大尺度算出部２４０より入力された学
習回数Ｍに基づいて、学習データ学習部２１０にＭ回学
習を実行するように制御する。
【００３１】なお、学習制御部２５０は、学習データ学
習部２１０に学習を指示する際に、１回目の学習を指示
する場合には、ニューラルネットワークの荷重を初期化
する。
習部２１０に学習を指示する際に、１回目の学習を指示
する場合には、ニューラルネットワークの荷重を初期化
する。
【００３２】図３は、本発明の一実施例の動作を説明す
るためのフローチャートである。
るためのフローチャートである。
【００３３】ステップ１１０） まず、学習データ学習
部２１０は、ニューラルネットワークの荷重を初期化す
る。
部２１０は、ニューラルネットワークの荷重を初期化す
る。
【００３４】ステップ１２０） 学習データ学習部２１
０は、時系列データ（第１日〜第ｔ 1 日）の日次変換分
（当日値−前日値）を入力信号とし、ＴＯＰＩＸの翌日
の日次変化分（翌日値−当日値）を教師信号として学習
を行う。
０は、時系列データ（第１日〜第ｔ 1 日）の日次変換分
（当日値−前日値）を入力信号とし、ＴＯＰＩＸの翌日
の日次変化分（翌日値−当日値）を教師信号として学習
を行う。
【００３５】ステップ１３０） 変化値比較部２２０
は、学習データ学習部２１０で学習された全学習データ
を対象に、第１日から第ｔ1 日まで、この順番で教師信
号である翌日変化分を調べ、翌日変化分の絶対値が所定
の値Ｖよりも大きな値となっている学習データについて
学習制御部２５０に通知する。学習制御部２５０は、翌
日変化分の絶対値が所定の値Ｖよりも大きな値の学習デ
ータについて学習を行うように、学習データ学習部２１
０を制御する。学習データ学習部２１０は、学習制御部
２５０により指示された回数分の学習を行う。例えば、
他の学習データより５倍の回数を学習データとして学習
データ学習部２１０のニューラルネットワークに呈示す
る場合には、４回繰り返す（上記ステップ１２０で１
回、本ステップにおいて４回の計５回呈示）。ステップ
１２０から本ステップまでの処理を処理Ａと呼ぶ。
は、学習データ学習部２１０で学習された全学習データ
を対象に、第１日から第ｔ1 日まで、この順番で教師信
号である翌日変化分を調べ、翌日変化分の絶対値が所定
の値Ｖよりも大きな値となっている学習データについて
学習制御部２５０に通知する。学習制御部２５０は、翌
日変化分の絶対値が所定の値Ｖよりも大きな値の学習デ
ータについて学習を行うように、学習データ学習部２１
０を制御する。学習データ学習部２１０は、学習制御部
２５０により指示された回数分の学習を行う。例えば、
他の学習データより５倍の回数を学習データとして学習
データ学習部２１０のニューラルネットワークに呈示す
る場合には、４回繰り返す（上記ステップ１２０で１
回、本ステップにおいて４回の計５回呈示）。ステップ
１２０から本ステップまでの処理を処理Ａと呼ぶ。
【００３６】ステップ１４０） 検証部２３０は、学習
データ学習部２１０からの学習データの検証を行う。検
証部２３０は、検証データ（第ｔ1 日〜第ｔ2 日）に対
する評価尺度Ｐを求め、当該評価尺度Ｐを最大尺度算出
部２４０に通知する。最大尺度算出部２４０は、前述の
方法により最大尺度を算出し、評価尺度が最大となる学
習回数Ｍを求め、学習回数Ｍを学習制御部２５０に通知
する。
データ学習部２１０からの学習データの検証を行う。検
証部２３０は、検証データ（第ｔ1 日〜第ｔ2 日）に対
する評価尺度Ｐを求め、当該評価尺度Ｐを最大尺度算出
部２４０に通知する。最大尺度算出部２４０は、前述の
方法により最大尺度を算出し、評価尺度が最大となる学
習回数Ｍを求め、学習回数Ｍを学習制御部２５０に通知
する。
【００３７】ステップ１５０） 学習データ学習部２１
０は、学習データ学習部２１０のニューラルネットワー
クの荷重を初期化する。
０は、学習データ学習部２１０のニューラルネットワー
クの荷重を初期化する。
【００３８】ステップ１６０） 学習制御部２５０は、
ステップ１４０で求められた学習回数分、上記の処理Ａ
を繰り返す。
ステップ１４０で求められた学習回数分、上記の処理Ａ
を繰り返す。
【００３９】ステップ１７０） 学習回数Ｍ回分の学習
が終了したら、予測部３００は、学習データ学習部２１
０の学習結果と、時系列データ分類部１００より入力さ
れるテストデータ（第ｔ2 日〜第Ｔ日）を用いて予測を
行う。
が終了したら、予測部３００は、学習データ学習部２１
０の学習結果と、時系列データ分類部１００より入力さ
れるテストデータ（第ｔ2 日〜第Ｔ日）を用いて予測を
行う。
【００４０】このように、本実施例では、ステップ１３
０において、変動の大きな学習データに対する呈示回数
を多くして、ニューラルネットワークの学習を進めるの
で、変動の大きなデータを強調して学習できる。また、
ステップ１４０において、学習データ学習部２１０によ
る学習により、検証データに対する最大評価尺度となる
学習回数Ｍを求め、ニューラルネットワークの荷重を初
期設定した後、学習データ学習部２１０の学習をＭ回行
ったところで、学習を終了させる。これにより、最大評
価尺度による最も大きな値の変動を予測に反映させるこ
とが可能である。
０において、変動の大きな学習データに対する呈示回数
を多くして、ニューラルネットワークの学習を進めるの
で、変動の大きなデータを強調して学習できる。また、
ステップ１４０において、学習データ学習部２１０によ
る学習により、検証データに対する最大評価尺度となる
学習回数Ｍを求め、ニューラルネットワークの荷重を初
期設定した後、学習データ学習部２１０の学習をＭ回行
ったところで、学習を終了させる。これにより、最大評
価尺度による最も大きな値の変動を予測に反映させるこ
とが可能である。
【００４１】以下に、実際に、学習及び予測実験を行っ
た結果を示す。
た結果を示す。
【００４２】実験の条件として、従来の技術の場合の実
験と同様に、学習期間を３００日、検証期間を３０日、
予測期間を７８日とした。大きな変動の目安となる大き
さを１４．７８とした（この値は、学習データでの変化
分の絶対値の中央値である）。検証データに対する評価
尺度Ｐの値が最大の時点で学習を停止した。
験と同様に、学習期間を３００日、検証期間を３０日、
予測期間を７８日とした。大きな変動の目安となる大き
さを１４．７８とした（この値は、学習データでの変化
分の絶対値の中央値である）。検証データに対する評価
尺度Ｐの値が最大の時点で学習を停止した。
【００４３】実験の結果、従来の技術のように、全ての
学習データを同じ回数だけ呈示した時には、学習期間の
Ｐ値＝１４１３、検証期間のＰ値＝１８５、予測期間の
Ｐ値＝３５６であったのに対し、本発明により、翌日変
化分（教師信号）が１４．７８よりも大きい学習データ
をニューラルネットワークに５倍呈示した時には、学習
期間のＰ値＝２３４６、検証期間のＰ値＝３１２、予測
期間のＰ値＝５１８となり、どの期間においても従来よ
り良い結果を得ることができた。従って予測期間では、
４６％性能が向上したことになる。
学習データを同じ回数だけ呈示した時には、学習期間の
Ｐ値＝１４１３、検証期間のＰ値＝１８５、予測期間の
Ｐ値＝３５６であったのに対し、本発明により、翌日変
化分（教師信号）が１４．７８よりも大きい学習データ
をニューラルネットワークに５倍呈示した時には、学習
期間のＰ値＝２３４６、検証期間のＰ値＝３１２、予測
期間のＰ値＝５１８となり、どの期間においても従来よ
り良い結果を得ることができた。従って予測期間では、
４６％性能が向上したことになる。
【００４４】なお、上記の実施例において、教師信号と
なる翌日変化値の絶対値が所定の値より大きい場合に
は、学習させる回数を５回としていたが、この例に限定
されることなく、例えば、所定値を３段階のランクに分
け、それぞれ学習させる回数を設定してもよい。例とし
て、翌日変化値の絶対値が１０〜１４はランク１の範囲
とし、ニューラルネットワークに呈示する回数を３回と
し、絶対値が１５〜２０はランク２の範囲とし、呈示回
数を５回とし、それ以上の絶対値の場合には、呈示回数
を７回とするように設定することも可能である。
なる翌日変化値の絶対値が所定の値より大きい場合に
は、学習させる回数を５回としていたが、この例に限定
されることなく、例えば、所定値を３段階のランクに分
け、それぞれ学習させる回数を設定してもよい。例とし
て、翌日変化値の絶対値が１０〜１４はランク１の範囲
とし、ニューラルネットワークに呈示する回数を３回と
し、絶対値が１５〜２０はランク２の範囲とし、呈示回
数を５回とし、それ以上の絶対値の場合には、呈示回数
を７回とするように設定することも可能である。
【００４５】なお、ランク数は任意であり、何段階に分
けてもよい。このように、絶対値の幅によりランク分け
することにより、絶対値の幅により種々、呈示回数を可
変とすることができる。さらに、絶対値が１０の場合と
絶対値が２０の場合では前述の実施例にも増してデータ
の変動に対応する予測処理が可能である。
けてもよい。このように、絶対値の幅によりランク分け
することにより、絶対値の幅により種々、呈示回数を可
変とすることができる。さらに、絶対値が１０の場合と
絶対値が２０の場合では前述の実施例にも増してデータ
の変動に対応する予測処理が可能である。
【００４６】さらに、上記の例は、株式を例に説明した
が、市場性のあるもの、日次的に値が変動するような分
野のデータ等に広範に適用できる。
が、市場性のあるもの、日次的に値が変動するような分
野のデータ等に広範に適用できる。
【００４７】なお、本発明は、上記の実施例に限定され
ることなく、特許請求の範囲内において、種々変更・応
用が可能である。
ることなく、特許請求の範囲内において、種々変更・応
用が可能である。
【００４８】
【発明の効果】上述のように、本発明によれば、従来の
技術と比較して大きな変動に対応する学習セットを強調
して学習させること、大きな変動をより正確に予測する
ことができる。
技術と比較して大きな変動に対応する学習セットを強調
して学習させること、大きな変動をより正確に予測する
ことができる。
【００４９】従って、株式等の市場性のある変動データ
を扱う場合において、特に、変動幅が大きくなるような
データを含む分野には特に有効である。
を扱う場合において、特に、変動幅が大きくなるような
データを含む分野には特に有効である。
【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動作を説明するためのフロ
ーチャートである。
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】時系列学習を行う際の入力信号と教師信号の対
応例を示す図である。
応例を示す図である。
１００ 時系列データ分類部 ２００ 学習制御手段 ２１０ 学習データ学習部、学習手段 ２２０ 変化値比較部、比較手段 ２３０ 検証部 ２４０ 最大尺度算出部 ２５０ 学習制御部、学習停止手段 ３００ 予測部
Claims (5)
- 【請求項１】 予測対象時系列データＡ0 の時刻ｔの変
化分であるδＡ0 （ｔ）及び該予測対象時系列データＡ
0 との相関のある時系列データＡ1 ，…，Ａ n （ｎ≧
１）の時刻ｔの値であるＡ1 （ｔ），…，Ａn （ｔ）を
入力信号とし、該予測対象時系列データＡ0 の時刻（ｔ
＋１）の変化分であるδＡ0 （ｔ＋１）を教師信号とし
て、予め用意した入力信号と教師信号の学習セットをバ
ックプロパゲーション・アルゴリズムを用いてニューラ
ルネットワークに学習させる時系列データの学習方法に
おいて、 前記学習セットの中で、前記教師信号δＡ0 （ｔ＋１）
の絶対値が所定の値より大きい第１の学習セットを、前
記教師信号δＡ0 （ｔ＋１）の絶対値が所定の値以下の
第２の学習セットに比べてニューラルネットワークに呈
示する回数を多くして学習させることを特徴とする時系
列データの学習方法。 - 【請求項２】 前記ニューラルネットワークに前記第１
の学習セットを呈示する際に、 前記教師信号の絶対値と比較する所定の値を、複数のラ
ンクに分けて設定しておき、前記教師信号の絶対値に対
応するランク毎に、前記第１の学習セットを前記ニュー
ラルネットワークに呈示する回数を決定する請求項１記
載の時系列データの学習方法。 - 【請求項３】 予測対象時系列データＡ0 の時刻ｔの変
化分であるδＡ0 （ｔ）及び該予測対象時系列データＡ
0 との相関のある時系列データＡ1 ，…，Ａ n （ｎ≧
１）の時刻ｔの値であるＡ1 （ｔ），…，Ａn （ｔ）を
入力信号とし、該予測対象時系列データＡ0 の時刻（ｔ
＋１）の変化分であるδＡ0 （ｔ＋１）を教師信号とし
て、予め用意した入力信号と教師信号の学習セットをバ
ックプロパゲーション・アルゴリズムを用いてニューラ
ルネットワークに学習させる時系列データの学習装置に
おいて、 前記学習セットの中で、前記教師信号δＡ0 （ｔ＋１）
の絶対値が所定の値より大きい第１の学習セットを、前
記教師信号δＡ0 （ｔ＋１）の絶対値が所定の値以下の
第２の学習セットに比べてニューラルネットワークに呈
示する回数を多くして学習させ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】 前記学習制御手段は、 前記教師信号δＡ0 （ｔ＋１）の絶対値と所定の値を比
較する比較手段と、 該比較手段により前記前記教師信号δＡ0 （ｔ＋１）の
絶対値の方が大きい場合には、前記第１の学習セットに
より所定の回数分の学習を行う学習手段と、 該学習手段を大きな変動予測の性能が最大となる時点で
学習を停止する学習停止手段とを含む請求項３記載の時
系列データの学習装置。 - 【請求項５】 前記学習制御手段は、 前記教師信号の絶対値と比較する所定の値を、複数のラ
ンクに分けて設定し、該ランク毎に前記第１の学習セッ
トを前記ニューラルネットワークに呈示する回数を決定
する請求項３記載の時系列データの学習装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23374694A JPH0895939A (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 |
|---|---|---|---|
| JP23374694A JPH0895939A (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 |
|---|---|
| JPH0895939A true JPH0895939A (ja) | 1996-04-12 |
Family
ID=16959934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23374694A Pending JPH0895939A (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) | JPH0895939A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018160234A (ja) * | 2017-03-23 | 2018-10-11 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 音声認識のための学習方法、学習装置、コンピュータプログラム及び記憶媒体 |
-
1994
- 1994-09-28 JP JP23374694A patent/JPH0895939A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018160234A (ja) * | 2017-03-23 | 2018-10-11 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 音声認識のための学習方法、学習装置、コンピュータプログラム及び記憶媒体 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
| Zhang et al. | Multiresolution forecasting for futures trading using wavelet decompositions | |
| Yao et al. | High-frequency stock trend forecast using LSTM model | |
| JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
| Zhang et al. | A model with fuzzy granulation and deep belief networks for exchange rate forecasting | |
| Chen | Neural networks for financial market prediction | |
| US20170091675A1 (en) | Production equipment including machine learning system and assembly and test unit | |
| WO2019190053A1 (ko) | 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법 | |
| Volna et al. | Multi-classifier based on Elliott wave’s recognition | |
| Charkha | Stock price prediction and trend prediction using neural networks | |
| JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
| Bodyanskiy et al. | Multilayer neuro-fuzzy network for short term electric load forecasting | |
| 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 | |
| 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 | |
| JPH09128360A (ja) | 時系列データの学習方法及び装置 | |
| RU2744041C1 (ru) | Способ и система для прогнозирования значений временного ряда с использованием искусственной нейронной сети | |
| Kostek | Rough set and fuzzy set methods applied to acoustical analyses | |
| EP3739517A1 (en) | Image processing | |
| João et al. | Stock closing price forecasting using ensembles of constructive neural networks | |
| Nawawi et al. | Deep learning for Tesla’s stock prices prediction | |
| Zorin | Stock price prediction: Kohonen versus backpropagation | |
| Petrović | Assessment of movement of the Belex15 index using linear regression and neural network | |
| Natadikarta et al. | Elliott Wave Prediction Using a Neural Network and Its Application to The Formation of Investment Portfolios on The Indonesian Stock Exchange | |
| JPH09138786A (ja) | ニューラルネットワークの学習装置 | |
| Chaturvedi et al. | A Neural Stock Price Predictor using Quantitative Data. |