WO2017110171A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2017110171A1
WO2017110171A1 PCT/JP2016/077509 JP2016077509W WO2017110171A1 WO 2017110171 A1 WO2017110171 A1 WO 2017110171A1 JP 2016077509 W JP2016077509 W JP 2016077509W WO 2017110171 A1 WO2017110171 A1 WO 2017110171A1
Authority
WO
WIPO (PCT)
Prior art keywords
stock price
fluctuation range
prediction
forecast
candidate
Prior art date
Application number
PCT/JP2016/077509
Other languages
English (en)
French (fr)
Inventor
昌彦 等々力
Original Assignee
みずほ証券 株式会社
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 みずほ証券 株式会社 filed Critical みずほ証券 株式会社
Publication of WO2017110171A1 publication Critical patent/WO2017110171A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Definitions

  • the present invention relates to a transaction management system, a transaction management method, and a transaction management program for predicting fluctuations in stock prices in stock transactions and supporting the transactions.
  • the stock transaction price (stock price) is determined based on the relationship between investors' “buy (demand)” and “sell (supply)” and fluctuates based on various factors. In order to conduct an advantageous transaction for such stocks, it is important to predict stock price fluctuations.
  • Patent Documents 1 and 2 For this reason, techniques for predicting stock prices are being studied (for example, see Patent Documents 1 and 2).
  • a correlation chart is generated using input data, a stock price is predicted based on the correlation chart, and a predicted stock price evaluation value or a correlation chart is output. .
  • the stock price prediction device extracts a combination of one word and two or more words included in the same content from each content. Furthermore, the stock price prediction apparatus acquires a relevance level indicating the degree of relevance with the company according to the number of contents, and an evaluation value in which the relevance level and a value indicating the impression of the company name or related word are reflected. Is calculated. The stock price prediction apparatus acquires a stock price fluctuation value after a predetermined period from when content related to a company is provided, and calculates the degree of influence on stock prices as a prediction coefficient. The stock price prediction device predicts the stock price of the stock of this company using the prediction coefficient and the evaluation value.
  • a securities company handles consignment orders from customers
  • the securities company provides an algorithmic trading program to the customer, and the customer conducts trading using this program.
  • AI artificial intelligence
  • deep learning machine learning
  • an economic index or the like can be predicted using this feature quantity (see, for example, Non-Patent Documents 2 and 3).
  • An object of the present invention is to provide a transaction management system, a transaction management method, and a transaction management program for predicting a stock price efficiently and accurately and supporting improvement in execution results of algorithmic trade tactics.
  • the transaction management system includes a control unit that performs machine learning using past stock price information.
  • the control unit uses a data set including a stock price fluctuation history for each combination of a forecast period candidate and a stock price fluctuation range candidate for a plurality of stocks, and the stock price after the forecast period candidate is hidden in two or more layers.
  • Calculate the forecast fluctuation range by machine learning consisting of layers compare the actual fluctuation range stock price candidate after the forecast period candidate with the forecast fluctuation range, identify the combination of forecast period and fluctuation range with high prediction accuracy, and place an order
  • the relationship with the fluctuation range is calculated for the predicted stock price after the prediction period of the combination, and the transaction execution timing is determined based on the relationship with the fluctuation range. This makes it possible to predict stock prices efficiently and accurately, and to help improve the performance of algorithm trade tactics.
  • control unit may be further configured to calculate the prediction accuracy based on an average value and a standard deviation of accuracy rates. As a result, prediction with improved stability and accuracy can be performed.
  • the variation range candidate may be selected from any one of a variation range, an increase outside the variation range, and a decrease outside the variation range. Thereby, the output layer of the network used for machine learning can be set.
  • the control unit when the control unit obtains order information and the predicted stock price falls within the fluctuation range, the control unit places a limit order based on the execution cost, and the predicted stock price increases outside the fluctuation range. If it becomes, the trade order is promptly executed, the sell order is waited for the forecast period, and if the forecast stock price falls outside the fluctuation range, the buy order is forecast period. And can be further configured to promptly execute a sell order. As a result, it is possible to perform a transaction according to the stock price fluctuation prediction.
  • control unit is further configured to generate a child order obtained by dividing the total quantity of the order information, and to determine a transaction execution timing of each child order based on a relationship with the fluctuation range. Can be done. As a result, in large transactions, transactions can be executed while suppressing the impact on the market.
  • the transaction management system will be described as a system for performing stock price prediction and supporting stock transactions.
  • a person-in-charge terminal 10 As shown in FIG. 1, in this embodiment, a person-in-charge terminal 10, a transaction management system 20, and an order management ordering system 30 are used.
  • the person-in-charge terminal 10 is a computer terminal used by a person in charge who performs transactions.
  • the person-in-charge terminal 10 includes an input unit (keyboard, pointing device, etc.) for inputting various information and an output unit (display, printer, etc.) for outputting various information.
  • customer order information parent order is input using this person-in-charge terminal 10.
  • the transaction management system 20 is a framework (base) that functions as a control unit including a CPU, a RAM, a ROM, and the like, and executes algorithmic trading.
  • the transaction management system 20 includes a transaction processing unit 20A, a logic unit 20B, a data store 20C, a prediction control unit 21, and a prediction result storage unit 22.
  • the transaction processing unit 20A manages basic logic for performing transactions. This basic logic includes child order placement / cancellation / correction management by algorithmic trade, parent order remaining quantity management, error handling, compliance check, abnormal order guard system, execution schedule correction according to algorithm trade order parameter correction by user Processing etc. are included. Further, the transaction processing unit 20A sequentially acquires various types of information from the order management ordering system 30, and stores them in the data store 20C.
  • the logic unit 20B manages the business logic of the algorithm strategy and instructs a transaction to the transaction processing unit 20A. For this reason, the logic unit 20B manages order scheduling for each algorithm strategy, quantity division of parent orders, and execution conditions.
  • transactions are performed using VWAP as business logic.
  • the logic unit 20B executes processing for instructing the transaction processing unit 20A to execute the transaction based on the stock price predicted by the prediction control unit 21 described later.
  • a VWAP transaction is performed in which the quantity of customer order information (parent order) is divided according to the past volume distribution and distributed to place orders (child orders).
  • the logic unit 20B includes a memory for storing an ordering schedule in which information on the order quantity is set for each determination timing for placing a child order.
  • the logic unit 20B issues an ordering / cancellation / correction command to the transaction processing unit 20A.
  • the data store 20C stores past stock price information (individual stock price and Nikkei average stock price fluctuation history) and customer order information used for machine learning.
  • volume time series data, board information time series data, stock price time series data, Nikkei average volume time series data, Nikkei average board information time series data, Nikkei average futures data, and the like are used.
  • four values / volume for a predetermined period (leg), the latest 100 quarts, the latest 100 ticks data, and the like are used.
  • the predetermined period the past 20 transitions are used in a plurality of (for example, five types) time frames from micro (for example, several ⁇ seconds) to macro (for example, one week).
  • the prediction control unit 21 performs a process of predicting the stock price and supporting the transaction. For this reason, the prediction control unit 21 performs processing described later (processing including an acquisition stage, a learning stage, a verification stage, a prediction stage, and the like). By executing the transaction management program for this purpose, the prediction control unit 21 functions as an acquisition unit 210, a learning unit 211, a verification unit 212, a prediction unit 213, and the like.
  • the acquisition unit 210 executes processing for acquiring various information used for deep learning and stock price prediction, and customer order information from the data store 20C.
  • the acquisition unit 210 generates a data set obtained by converting (preliminary data processing) various information from the data store 20C into a format suitable for deep learning.
  • the acquisition unit 210 stores the generated data set in a local disk. This data set includes learning, verification, and prediction accuracy confirmation.
  • the learning unit 211 reads a data set stored in the local disk and executes a process of generating a hidden layer in deep learning for performing stock price prediction.
  • the learning unit 211 reads and uses a learning data set stored in the local disk.
  • the learning unit 211 uses a deep belief network (DBN) in which a hidden layer (Hidden Layer) is set for a visible layer (Visible Layer) such as an input layer and an output layer.
  • DBN deep belief network
  • Hidden Layer a hidden layer
  • Visible Layer visible layer
  • the number of hidden layers between the input layer (upper layer) and the output layer (lower layer) and the number of judgment nodes of each hidden layer are determined in advance.
  • the verification unit 212 executes processing for verifying the stability of the prediction accuracy of the node in the hidden layer generated by deep learning.
  • the verification unit 212 includes a memory that temporarily stores the evaluation result.
  • the prediction unit 213 executes processing for predicting a stock price using a deep belief network (DBN).
  • the prediction result storage unit 22 stores “increase”, “within range”, and “decrease” for the stock price after the prediction period for each brand.
  • the order management ordering system 30 is a computer system that performs transactions based on order information.
  • the order management ordering system 30 provides prices for a plurality of execution markets and places orders for each execution market. Further, the order management order system 30 provides various stock price information to the transaction management system 20.
  • the prediction period candidate and threshold candidate used for parameter setting are specified as a processing target, and the following processing is repeated.
  • brands handled in the order management ordering system 30 are sequentially identified as processing targets, and the following processing is repeated.
  • the prediction control unit 21 of the transaction management system 20 executes a data set acquisition process (step S1-1). Specifically, the acquisition unit 210 of the prediction control unit 21 acquires various types of information (stock price information of brands to be processed, etc.) from the data store 20C. Next, the acquisition unit 210 performs pre-data processing that converts various types of information into a format suitable for deep learning. Thereby, a data set (for learning, for verification, for confirmation of prediction accuracy) is generated. The acquisition unit 210 stores the generated data set in the local disk.
  • the prediction control unit 21 executes a data set input process (step S1-2). Specifically, the learning unit 211 acquires a learning data set stored in the local disk, and sets it in the input layer of the deep belief network (DBN).
  • DBN deep belief network
  • the prediction control unit 21 executes output layer generation processing (step S1-3). Specifically, the learning unit 211 generates an output layer based on the learning data set.
  • the predicted stock price is selected from “rising”, “within range”, and “falling” with respect to the range of threshold candidates.
  • the prediction control unit 21 executes a hidden layer generation process (step S1-4). Specifically, the learning unit 211 generates a hidden layer by deep learning based on the set input layer and output layer. Here, the learning unit 211 generates determination nodes associated with the hidden layers sequentially from the input layer based on the predetermined number of hierarchies and the number of determination nodes. The learning unit 211 associates each determination node.
  • RBM Restricted Boltzmann Machine
  • CD Consrast Divergence
  • data of the first hidden layer is obtained from input data based on the RBM probability distribution formula.
  • the fixed number of probability distribution equations such as RBM bias / weight is updated.
  • the first hidden layer data is propagated back to the RBM (propagated from the first hidden layer to the input layer) to generate a new sample of input values. That is, the calculation formula of the probability distribution is calculated backward from the answer.
  • the output data of the first hidden layer is obtained from the probability distribution formula of RBM, and the bias and weight of the RBM are updated (finely adjusted).
  • the RBM configured between the first hidden layer and the second hidden layer is learned by the CD method by the same operation as described above. This is repeated according to the number of hierarchies where hidden layers exist.
  • the RBM learning is completed. Finally, using the verification data set stored in the local disk, the weight and bias of all RBMs are finely adjusted only once so that the output layer (final answer) can be correctly derived from the input layer data.
  • the MLP is one of classic neural network circuits, and is composed of a set of expressions for calculating the value of one node in the next layer by linear combination of a plurality of parameters.
  • the MLP includes three layers: an S layer (input layer), an A layer (intermediate layer), and an R layer (output layer).
  • the S layer and the A layer are randomly connected.
  • a signal is given to the S layer from the outside, and the A layer reacts based on information from the S layer.
  • the R layer weights the answers of the A layer, makes a majority vote, and gives an answer.
  • each weight is different in that it is adjusted to the weight or bias of an existing RBM.
  • a back propagation error method (Backpropagation) is used.
  • the expression of each layer of MLP is differentiated by a weight vector, and fine adjustment is performed so as to approach the extreme value that minimizes the error between the correct answer and the answer.
  • the process per one learning data set is completed.
  • the above processing is repeated for the number of learning data sets (for example, the number of business days ⁇ the number of issues ⁇ the number of points in time ⁇ the number of cases).
  • the prediction control unit 21 executes an evaluation process (step S1-5). Specifically, the verification unit 212 acquires a prediction accuracy confirmation data set from the local disk, and specifies whether the output layer (the actual stock price after the prediction period candidate) is appropriate. The verification unit 212 identifies the correct answer and the incorrect answer in association with the brand, and temporarily stores the prediction accuracy (correct answer rate) in the memory.
  • the prediction control unit 21 performs a result storage process in association with the combination (step S1-6). Specifically, the verification unit 212 associates the prediction period candidate and the threshold candidate in association with each other, and selects the prediction with the highest possibility in each prediction time. Ratio). Furthermore, the verification unit 212 calculates the prediction accuracy by deep learning. The verification unit 212 calculates an average value and a standard deviation obtained by subtracting the most frequent solution ratio from the prediction accuracy. The verification unit 212 calculates [average value / standard deviation], which is the ratio of the average value to the standard deviation, and temporarily stores it in the memory.
  • the prediction control unit 21 executes stable combination specifying processing (step S1-7). Specifically, the verification unit 212 identifies the combination having the highest [average value / standard deviation] value temporarily stored in the memory. In the present embodiment, it is assumed that a combination of “1 hour” as the prediction period and “0.5%” as the threshold candidate is specified. The verification unit 212 takes over the prediction period and threshold value in the identified combination to the prediction unit 213.
  • Transaction processing Next, transaction processing will be described with reference to FIG.
  • the transaction in the order management ordering system 30 is supported based on the stock price prediction value calculated using the combination (prediction period, threshold) according to the order schedule.
  • the transaction management system 20 executes an order information acquisition process (step S2-1). Specifically, the person in charge who has received the order information (parent order) from the customer inputs the order information into the person in charge terminal 10. In this case, the transaction processing unit 20 ⁇ / b> A of the transaction management system 20 acquires customer order information from the person-in-charge terminal 10. Here, it is assumed that a buy order is acquired.
  • the transaction management system 20 executes order information division processing (step S2-2). Specifically, the logic unit 20B of the transaction management system 20 calculates the ratio of the total quantity included in the order information from the order management order system 30 according to the past average daytime volume distribution for the brand of the parent order. Divide by. In this embodiment, the logic unit 20B generates an ordering schedule in which the quantity of the parent order is divided into the child orders of the quantity according to the daytime volume distribution at the determination timing (for example, every 5 minutes), and is stored in the memory. To do.
  • the prediction control unit 21 executes the stock price prediction process using the combination of the prediction period and the threshold (step S2-3).
  • the acquisition unit 210 acquires various information related to the brand from the order management order system 30 and preprocesses it into a prediction data set.
  • the prediction unit 213 sets the prediction data set in the input layer of the deep belief network.
  • the prediction unit 213 calculates each node of the hidden layer generated in the setting determination process, and acquires the value of the output layer.
  • the stock price (prediction result) after the forecast period is either “increased” above the threshold range ( ⁇ 0.5%), “within range” of the threshold range, or “decline” below the threshold range. Is identified.
  • the prediction unit 213 stores the prediction result (stock price after the prediction period) in the prediction result storage unit 22.
  • the transaction management system 20 executes a determination process as to whether or not the predicted stock price is “within range” (step S2-4). Specifically, the logic unit 20 ⁇ / b> B determines whether it is “in range” based on the prediction result stored in the prediction result storage unit 22.
  • the transaction management system 20 executes limit order processing that minimizes the expected value of execution cost (Ste S2-5). Specifically, the logic unit 20B calculates an expected value of the execution cost that occurs with the buying and selling of stock, and calculates a value that minimizes the execution cost. Here, the execution cost is calculated in consideration of the volatility and trend of the most recent predetermined period, and the limit price that minimizes the execution cost is calculated according to the remaining time until the execution time (the end of the current forecast period). The logic unit 20B transmits an order instruction to the order management ordering system 30 using the calculated value as a limit price via the transaction processing unit 20A.
  • step S2-4 the transaction management system 20 determines whether the prediction is “up” or “down”. A determination process is executed (step S2-6).
  • the transaction management system 20 When the logic unit 20B determines that the predicted stock price is “rising” (in the case of “rising” in step S2-6), the transaction management system 20 immediately executes a contract processing for the selling price (step S2-7). Specifically, the logic unit 20B determines immediate as the transaction execution timing, and instructs the order management ordering system 30 about the current sell price (the number of shares and the stock price of the seller who wants to sell) via the transaction processing unit 20A. Send.
  • the transaction management system 20 waits for the forecast period and then executes the contract processing for the sales price (step S2-8). Specifically, the logic unit 20B calculates an order time obtained by adding a prediction period (1 hour in the present embodiment) to the current time as the transaction execution timing. The logic unit 20B performs reservation registration for transmitting a contract instruction to the sales price at the transaction execution timing with respect to the transaction processing unit 20A. When the calculated transaction execution timing exceeds the transaction end time of the order management ordering system 30, the logic unit 20B reserves and registers the transaction end time as the order time with respect to the transaction processing unit 20A. The transaction processing unit 20A waits until the reserved transaction execution timing, and performs a contract after the standby through the transaction processing unit 20A.
  • the prediction control unit 21 of the transaction management system 20 determines various settings used for deep learning by a setting determination process. Thereby, even when there are many judgment conditions and the number of samples under the same conditions is small, the expected value of the entire prediction can be increased. Furthermore, by using a multi-level machine learning (deep learning), it is possible to make an accurate prediction in consideration of various factors affecting the stock price. The execution result of the algorithm trade tactic can be improved.
  • the prediction control unit 21 of the transaction management system 20 executes output layer generation processing (step S1-3).
  • the prediction control unit 21 predicts the relationship with the threshold range of the stock price after a certain time (prediction period candidate). As a result, immediate execution, limit trading, and execution after a predetermined time can be selected. Further, the prediction control unit 21 calculates an average value and standard deviation obtained by subtracting the most frequent solution ratio from the prediction accuracy by deep learning, and calculates [average value / standard deviation]. The prediction control unit 21 identifies the combination having the highest [average value / standard deviation] value. Thus, more accurate prediction can be performed using the stock price prediction for calculating the most frequent solution as a benchmark. In addition, since the combination is specified based on the average value / standard deviation, it is possible to perform setting in consideration of accuracy and stability.
  • step S2-5) when the prediction control unit 21 of the transaction management system 20 determines that the predicted stock price is “within range” (in the case of “YES” in step S2-4), the transaction management system 20 A limit ordering process that minimizes the expected cost is executed (step S2-5).
  • the prediction control unit 21 determines that the predicted stock price is “increase” (in the case of “increase” in step S2-6), the transaction management system 20 immediately executes a contract processing on the sell price (step S2-7). ).
  • the prediction control unit 21 determines that the predicted stock price is “decline” (in the case of “decline” in step S2-6), the transaction management system 20 waits for the forecast period and then executes the contract processing for the sales price. (Step S2-8). Thereby, the execution result of the algorithm trade tactic can be improved while taking advantage of the VWAP transaction.
  • the application object is not limited to VWAP transaction. It can also be used when trading by predicting stock prices using other methods.
  • stock price information (individual stock price and Nikkei average stock price) is used as a data set for prediction.
  • the information used for prediction is not limited to these.
  • a feature amount may be calculated by image recognition processing from the shape of the stock price fluctuation chart, and a hidden layer determination node may be generated using the feature amount.
  • the deep belief network (DBN) is used, but the machine learning method is not limited to this.
  • the transaction process is executed using the combination (prediction period, threshold) specified by the setting determination process executed in advance.
  • the execution timing of the setting determination process is not limited to this.
  • the setting determination process may be executed periodically, or may be executed when order information is acquired.
  • an ordering schedule is generated by dividing the quantity of the parent order into the child orders of the quantity according to the daytime volume distribution at the judgment timing (for example, every 5 minutes).
  • the judgment timing is not limited to every 5 minutes.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

取引管理システムは、過去の株価情報を用いて機械学習を行なう予測制御部を備える。予測制御部は、複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、株価の変動履歴を含むデータセットを用いて、予測期間候補後の株価について、２階層以上の隠れ層からなる機械学習により予測変動幅を計算する。次に、予測制御部は、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、予測精度が高い予測期間及び変動幅の組み合わせを特定する。注文情報を取得した場合、予測制御部は、この組み合わせの予測期間後の予測株価について、変動幅との関係を算出し、変動幅との関係に基づいて、取引執行タイミングを決定する。

Description

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
　本発明は、株取引における株価の変動を予測して取引を支援するための取引管理システム、取引管理方法及び取引管理プログラムに関する。
　株式の取引価格（株価）は、投資家の「買い（需要）」と「売り（供給）」との関係において決定されるとともに、多様な要因に基づいて変動する。このような株式について、有利な取引を行なうためには、株価変動の予測が大切である。
　このため、株価を予測するための技術が検討されている（例えば、特許文献１、２参照。）。この特許文献１に開示された技術においては、入力されたデータを用いて相関性チャートを生成し、この相関性チャートに基づいて株価を予測し、予測した株価評価値あるいは相関性チャートを出力する。
　また、特許文献２に開示された技術においては、株価予測装置は、１つの単語及び同一コンテンツに含まれる２つ以上の単語の組み合わせを各コンテンツからそれぞれ抽出する。更に、株価予測装置は、コンテンツ数に応じて、企業との関連性の高さを示す関連度を取得し、この関連度と企業名又は関連語の印象を示す値とが反映される評価値を算出する。株価予測装置は、企業に関連するコンテンツが提供されてから所定期間後の株価変動値を取得し、株式銘柄に対する株価への影響度を予測係数として算出する。株価予測装置は、この予測係数と評価値とを用いて、この企業の株式銘柄の株価を予測する。
　また、証券会社が、大口の顧客との間で株式等の有価証券を相対取引する場合、一般的に、顧客からの売買の引き合いに対して、自社の利益やリスク等を考慮して対応可能な価格を計算して提示する（プライシング）。この注文を最初に自社のポジションとし、取引所に対して実際の売買注文を執行することによりポジションの調整を行なう。この場合、コンピュータがマーケットの動向に応じて自動的に売買注文のタイミングや数量を決めて注文を繰り返す、アルゴリズムトレードが用いられる。
　また、証券会社が顧客からの委託注文を取り扱う場合、顧客が証券会社の電子取引執行システムを用いて、取引所に直接注文を出す形態もある。この場合には、証券会社は顧客へアルゴリズムトレードのプログラムを提供し、顧客がこのプログラムを利用して取引を行なう。
　また、市場への影響等を考慮し、大口注文を分割して取引を行なう場合がある。例えば、ＴＷＡＰ（Ｔｉｍｅ－ｗｅｉｇｈｔｅｄ　ａｖｅｒａｇｅ　ｐｒｉｃｅ）では、大口注文を均等に分割して等間隔あるいは適当なタイミングで執行する。また、ＶＷＡＰ（Ｖｏｌｕｍｅ　Ｗｅｉｇｈｔｅｄ　Ａｖｅｒａｇｅ　Ｐｒｉｃｅ）では、大口注文を出来高分布に応じて分割し執行する（例えば、非特許文献１参照。）。
　また、最近では、多層構造のニューラルネットワーク（ディープニューラルネットワーク）の機械学習（ディープラーニング）を利用した人工知能（ＡＩ）も検討されつつある。ディープラーニングにおいては、概念を認識する特徴量と呼ばれる変数を発見し、この特徴量を用いて、経済指標等の予測を行なうことができる（例えば、非特許文献２，３参照。）。
特開２００５－３０９７０４号公報 特開２０１１－１４１８３３号公報
みずほ証券株式会社、「ＶＷＡＰギャランティ取引」、［ｏｎｌｉｎｅ］、みずほ証券株式会社ホームページ、［平成２７年１１月８日検索］、インターネット＜ｈｔｔｐ：／／ｗｗｗ．ｍｉｚｕｈｏ－ｓｃ．ｃｏｍ／ｐｒｏｄｕｃｔ／ｓｔｏｃｋ／ｖｗａｐ．ｈｔｍｌ＞ 片倉賢治等、「深層学習を用いた株価動向推定」、［ｏｎｌｉｎｅ］、第７回社会システム部会研究会、［平成２７年１１月８日検索］、インターネット＜ｈｔｔｐ：／／ｊｏｕｒｎａｌｓ．ｓｏｃｓｙｓ．ｏｒｇ／ｓｙｍｐｏｓｉｕｍ００７／ｐｄｆ／００７－０１１．ｐｄｆ＞ 吉原輝等、「深層学習による経済指標動向推定」、［ｏｎｌｉｎｅ］、２０１４人工知能学会全国大会、［平成２７年１１月８日検索］、インターネット＜ｈｔｔｐｓ：／／ｋａｉｇｉ．ｏｒｇ／ｊｓａｉ／ｗｅｂｐｒｏｇｒａｍ／２０１４／ｐｄｆ／７７４．ｐｄｆ＞
　上述したアルゴリズムトレードにおいては、的確な株価変動の予測が大切である。しかしながら、特許文献１、２に記載された技術においては、株価変動に影響を与える条件のサンプル数に限界があるため、条件によっては、信頼性が低くなる可能性がある。
　また、従来の株価変動の予測は、トレーダの裁量に拠る部分が多く、判断材料の他、選択した手法、結果の解釈、精神状態等様々な要素の影響を受ける可能性がある。従って、従来の株価変動の予測は、信頼性が低くなる可能性があり、多くのアルゴリズムトレードにおいては、相場変動リスクを取らない手法が採用されている。
　本発明の目的は、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援するための取引管理システム、取引管理方法及び取引管理プログラムを提供することにある。
　一態様では、取引管理システムは、過去の株価情報を用いて機械学習を行なう制御部を備える。前記制御部が、複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、２階層以上の隠れ層からなる機械学習により予測変動幅を計算し、予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、予測精度が高い予測期間及び変動幅の組み合わせを特定し、注文情報を取得した場合、前記組み合わせの予測期間後の予測株価について、前記変動幅との関係を算出し、前記変動幅との関係に基づいて、取引執行タイミングを決定するように構成されている。これにより、効率的かつ的確に株価を予測し、アルゴリズムトレード戦術の執行成績の向上を支援することができる。
　一実施形態では、前記制御部は、前記予測精度を、正解率の平均値及び標準偏差に基づいて算出するようにさらに構成され得る。これにより、安定性、的確性を向上させた予測を行なうことができる。
　一実施形態では、前記変動幅候補は、変動幅範囲内、変動幅範囲外の上昇、変動幅範囲外の下落の何れか一つから選択され得る。これにより、機械学習に用いるネットワークの出力層を設定することができる。
　一実施形態では、前記制御部が、注文情報を取得し、前記予測株価が変動幅範囲内となった場合には、執行コストに基づく指値注文を行ない、前記予測株価が変動幅範囲外の上昇となった場合には、買い注文について速やかに約定を行ない、売り注文について前記予測期間の待機を行ない、前記予測株価が変動幅範囲外の下落となった場合には、買い注文について前記予測期間の待機を行ない、売り注文について速やかに約定を行なうようにさらに構成され得る。これにより、株価の変動予測に応じた取引を行なうことができる。
　一実施形態では、前記制御部が、前記注文情報の全体数量を分割した子注文を生成し、前記各子注文の取引執行タイミングを、前記変動幅との関係に基づいて決定するようにさらに構成され得る。これにより、大口取引において、市場への影響を抑止しながら、取引執行することができる。
本実施形態のシステムの説明図。 本実施形態の処理手順の説明図。 本実施形態の処理手順の説明図。
　以下、取引管理システムの一実施形態を、図１～図３に従って説明する。本実施形態では、取引管理システムを、株価予測を行ない、株式取引を支援するためのシステムとして説明する。
　図１に示すように、本実施形態では、担当者端末１０、取引管理システム２０、注文管理発注システム３０を用いる。
　担当者端末１０は、取引を行なう担当者が用いるコンピュータ端末である。この担当者端末１０は、各種情報の入力を行なうための入力部（キーボードやポインティングデバイス等）や各種情報を出力するための出力部（ディスプレイやプリンタ等）を備えている。本実施形態では、この担当者端末１０を用いて、顧客の注文情報（親注文）を入力する。
　取引管理システム２０は、ＣＰＵ、ＲＡＭ、ＲＯＭ等から構成された制御手段として機能し、アルゴリズムトレードを実行するフレームワーク（基盤）である。この取引管理システム２０は、取引処理部２０Ａ、ロジック部２０Ｂ、データストア２０Ｃ、予測制御部２１、予測結果記憶部２２を備えている。
　取引処理部２０Ａは、取引を行なうための基本ロジックを管理する。この基本ロジックには、アルゴリズムトレードによる子注文の発注・キャンセル・訂正管理、親注文の残数量管理、エラー処理、コンプライアンスチェック、異常注文ガードシステム、ユーザによるアルゴリズムトレード注文パラメータ訂正に応じた執行スケジュール修正処理等が含まれる。更に、この取引処理部２０Ａは、注文管理発注システム３０から各種情報を、逐次、取得し、データストア２０Ｃに記憶する。
　ロジック部２０Ｂは、アルゴリズム戦略のビジネスロジックを管理し、取引処理部２０Ａに対して取引を指示する。このため、ロジック部２０Ｂは、アルゴリズム戦略毎の発注スケジューリング、親注文の数量分割、および執行条件を管理する。
　本実施形態では、ビジネスロジックとして、ＶＷＡＰを用いて取引を行なう。具体的には、ロジック部２０Ｂは、後述する予測制御部２１が予測した株価に基づいて、取引処理部２０Ａに対して、取引の執行を指示する処理を実行する。本実施形態では、顧客の注文情報（親注文）の数量を、過去の出来高分布に応じて分割して、分散して注文（子注文）を行なうＶＷＡＰ取引を実行する。このため、ロジック部２０Ｂは、子注文を行なう判断タイミング毎に注文数量に関する情報が設定された発注スケジュールを記憶するメモリを備えている。ロジック部２０Ｂは、取引処理部２０Ａに対し、発注・キャンセル・訂正命令を出す。
　データストア２０Ｃは、機械学習に用いる過去の株価情報（個別株価及び日経平均株価の変動履歴）、顧客の注文情報を記憶する。本実施形態では、出来高時系列データ、板情報時系列データ、株価時系列データ、日経平均出来高時系列データ、日経平均板情報時系列データ、日経平均先物データ等を用いる。具体的には、所定期間（足）の四本値・出来高、直近１００クォート、直近１００ティックデータ等を用いる。ここでは、所定期間として、ミクロ（例えば数μ秒）からマクロ（例えば１週間）の複数（例えば５種類）のタイムフレームで過去２０遷移分を用いる。
　予測制御部２１は、株価を予測し、取引を支援する処理を実行する。このため、予測制御部２１は、後述する処理（取得段階、学習段階、検証段階、予測段階等を含む処理）を行なう。このための取引管理プログラムを実行することにより、予測制御部２１は、取得部２１０、学習部２１１、検証部２１２、予測部２１３等として機能する。
　取得部２１０は、ディープラーニングや株価予測に用いる各種情報や、顧客の注文情報を、データストア２０Ｃから取得する処理を実行する。この取得部２１０は、データストア２０Ｃからの各種情報を、ディープラーニングに適したフォーマットに変換（事前データ加工）したデータセットを生成する。取得部２１０は、生成したデータセットをローカルディスクに記憶する。このデータセットには、学習用、検証用、予測精度の確認用が含まれる。
　学習部２１１は、ローカルディスクに記憶されたデータセットを読み込み、株価予測を行なうためのディープラーニングにおける隠れ層を生成する処理を実行する。本実施形態では、学習部２１１は、ローカルディスクに記憶された学習用データセットを読み込んで用いる。学習部２１１は、入力層や出力層等の可視層（Ｖｉｓｉｂｌｅ　Ｌａｙｅｒ）に対して、複数階層の隠れ層（Ｈｉｄｄｅｎ　Ｌａｙｅｒ）を設定したディープビリーフネットワーク（Ｄｅｅｐ　Ｂｅｌｉｅｆ　Ｎｅｔｗｏｒｋ：ＤＢＮ）を用いる。本実施形態においては、入力層（上位層）～出力層（下位層）間の各隠れ層の階層数や、各隠れ層の判断ノード数は、予め定められている。
　また、複数種類の予測期間候補及び変動幅候補（閾値候補）を用いて、安定した予測が可能な値が設定される。例えば、予測期間候補としては、４種類（「３０分後」、「１時間後」、「２時間後」、「終値」）が用いられる。閾値候補としては、３種類（「０．５％」、「０．３％」、「０．１５％」）が用いられる。これらの予測期間候補と閾値候補との１２種類（＝４種類×３種類）の組み合わせにおいて、予測期間経過後に、現在価格プラスマイナス閾値の範囲に対して、上昇、範囲内、下落が予測される。
　検証部２１２は、ディープラーニングにより生成した隠れ層におけるノードの予測精度の安定性を検証する処理を実行する。この検証部２１２は、評価結果を仮記憶するメモリを備える。
　予測部２１３は、ディープビリーフネットワーク（ＤＢＮ）を用いて、株価を予測する処理を実行する。
　予測結果記憶部２２は、銘柄毎に予測期間後の株価について、「上昇」、「範囲内」、「下落」を記憶する。
　注文管理発注システム３０は、注文情報に基づいて、取引を行なうコンピュータシステムである。本実施形態では、注文管理発注システム３０は、複数の執行市場の価格を提供するとともに、各執行市場に対して注文を行なう。更に、注文管理発注システム３０は、各種株価情報を取引管理システム２０に提供する。
　次に、上記のように構成された取引管理システム２０において、株取引を支援する場合の処理手順について、図２～図３を用いて説明する。
　（設定決定処理）
　まず、図２を用いて、設定決定処理を説明する。ここでは、適切な予測期間・閾値を決定する。
　このため、パラメータ設定に用いる予測期間候補及び閾値候補を処理対象として特定し、以下の処理を繰り返す。
　この場合、注文管理発注システム３０において取り扱われる銘柄を、順次、処理対象として特定し、以下の処理を繰り返す。
　まず、取引管理システム２０の予測制御部２１は、データセットの取得処理を実行する（ステップＳ１－１）。具体的には、予測制御部２１の取得部２１０は、データストア２０Ｃから、各種情報（処理対象の銘柄の株価情報等）を取得する。次に、取得部２１０は、各種情報を、ディープラーニングに適したフォーマットに変換する事前データ加工を行なう。これにより、データセット（学習用、検証用、予測精度の確認用）を生成する。取得部２１０は、生成したデータセットをローカルディスクに格納する。
　次に、予測制御部２１は、データセットの入力処理を実行する（ステップＳ１－２）。具体的には、学習部２１１は、ローカルディスクに格納された学習用データセットを取得し、ディープビリーフネットワーク（ＤＢＮ）の入力層に設定する。
　次に、予測制御部２１は、出力層生成処理を実行する（ステップＳ１－３）。具体的には、学習部２１１は、学習用データセットに基づいて、出力層を生成する。ここでは、処理対象の予測期間候補後に、予測株価が閾値候補の範囲に対して「上昇」、「範囲内」、「下落」のいずれかを選択する。
　次に、予測制御部２１は、隠れ層生成処理を実行する（ステップＳ１－４）。具体的には、学習部２１１は、設定された入力層、出力層に基づいて、ディープラーニングにより、隠れ層を生成する。ここでは、学習部２１１は、予め定められた階層数、判断ノード数に基づいて、入力層から順次、隠れ層に関連付けられた判断ノードを生成する。学習部２１１は、各判断ノードの関連付けを行なう。
　以上の処理を、処理対象のすべての銘柄について終了するまで繰り返す。
　以下、この隠れ層生成処理の一例を詳述する。
　新たな学習用データセットを与える度に、以下の処理を実行する。
　まず、入力層・第一隠れ層間に構成されるＲＢＭ（Ｒｅｓｔｒｉｃｔｅｄ　Ｂｏｌｔｚｍａｎｎ　Ｍａｃｈｉｎｅ）をＣＤ（Ｃｏｎｔｒａｓｔｉｖｅ　Ｄｉｖｅｒｇｅｎｃｅ）法で学習する。
　ＣＤ法では、入力データからＲＢＭの確率分布の式に基づいて第一隠れ層のデータを求める。この際、ＲＢＭのバイアス・ウエイトなどの確率分布式の確定数は更新される。第一隠れ層のデータを、ＲＢＭに逆に伝播（第一隠れ層から入力層に伝播）させることで、入力値の新しいサンプルを生成する。すなわち、確率分布の計算式を答えから逆算することになる。これを、再度、入力データとして、ＲＢＭの確率分布式より第一隠れ層の出力データを求め、またＲＢＭのバイアス・ウエイトなどを更新（微調整）する。
　次に、今度は第一隠れ層のデータを、次の入力データとして、上記と同じ動作により、第一隠れ層・第二隠れ層間に構成されるＲＢＭをＣＤ法で学習する。
　これを隠れ層が存在する階層数に応じて繰り返す。
　最後の隠れ層までの学習が終わった時点で、ＲＢＭの学習を完了する。
　最後に、ローカルディスクに格納された検証用データセットを用いて、１度だけ全ＲＢＭのウエイトとバイアスを入力層のデータから出力層（最終的な答え）を正しく導き出せるように微調整する。
　上記の処理では、ＭＬＰ（Ｍｕｌｔｉ－Ｌａｙｅｒ　Ｐｅｒｃｅｐｔｒｏｎ）と同様の計算を行なう。ここで、ＭＬＰとは、古典的なニューラルネット回路の一つであり、複数のパラメータの１次結合で次の階層の一つのノードの値を算出する式の集まりで構成される。具体的には、ＭＬＰでは、Ｓ層（入力層）、Ａ層（中間層）、Ｒ層（出力層）の３つの階層から構成される。Ｓ層とＡ層との間はランダムに接続される。Ｓ層には外部から信号が与えられ、Ａ層はＳ層からの情報を元に反応する。Ｒ層はＡ層の答えに重みづけをして、多数決を行ない、答えを出す。本実施形態では、ＭＬＰに対して、各ウエイトの調整は、既存のＲＢＭのウエイト又はバイアスに調整する点で異なる。なお、この調整には、逆伝播誤差法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を用いる。ここでは、ＭＬＰの各階層の式をウエイトのベクトルで微分し、正解と答えの誤差を最小にする極値に近付くように微調整を行なう。
　これにより、１つの学習用データセット当たりの処理を終了する。
　以上の処理を、学習用データセットの数（例えば、営業日数×銘柄数×時点数×ケース数）だけ、繰り返す。
　次に、予測制御部２１は、評価処理を実行する（ステップＳ１－５）。具体的には、検証部２１２は、予測精度の確認用データセットをローカルディスクから取得し、出力層（予測期間候補後の実際の株価）の適否を特定する。検証部２１２は、銘柄に関連付けて、正解、不正解を特定し、予測精度（正解率）をメモリに仮記憶する。
　次に、予測制御部２１は、組み合わせに関連付けて結果の記憶処理を実行する（ステップＳ１－６）。具体的には、検証部２１２は、予測期間候補、閾値候補の組み合わせに関連付けて、各予測時間で最も可能性が高かった予測を選択する最頻解における正解、不正解の割合（最頻解比率）を算出する。更に、検証部２１２は、ディープラーニングによる予測精度を算出する。検証部２１２は、予測精度から最頻解比率を差し引いた平均値及び標準偏差を算出する。検証部２１２は、標準偏差に対する平均値の割合である〔平均値／標準偏差〕を算出し、メモリに仮記憶する。
　次に、予測制御部２１は、安定した組み合わせの特定処理を実行する（ステップＳ１－７）。具体的には、検証部２１２は、メモリに仮記憶された〔平均値／標準偏差〕の値が最も高い組み合わせを特定する。本実施形態では、予測期間として「１時間」、閾値候補として「０．５％」の組み合わせを特定した場合を想定する。検証部２１２は、特定した組み合わせにおける予測期間、閾値を予測部２１３に引き継ぐ。
　（取引処理）
　次に、図３を用いて、取引処理を説明する。ここでは、発注スケジュールに応じて、組み合わせ（予測期間、閾値）を用いて算出した株価予測値に基づいて、注文管理発注システム３０における取引を支援する。
　まず、取引管理システム２０は、注文情報の取得処理を実行する（ステップＳ２－１）。具体的には、顧客から注文情報（親注文）を受けた担当者は、担当者端末１０に、注文情報を入力する。この場合、取引管理システム２０の取引処理部２０Ａは、顧客の注文情報を、担当者端末１０から取得する。ここでは、買い注文を取得した場合を想定する。
　次に、取引管理システム２０は、注文情報の分割処理を実行する（ステップＳ２－２）。具体的には、取引管理システム２０のロジック部２０Ｂは、親注文の銘柄について、注文管理発注システム３０からの注文情報に含まれる全体数量を、過去の平均的な日中出来高分布に応じた割合で分割する。本実施形態では、ロジック部２０Ｂは、判断タイミング（例えば、５分刻み）で、日中出来高分布に応じた数量の子注文に、親注文の数量を分割した発注スケジュールを生成し、メモリに記憶する。
　次に、予測制御部２１は、予測期間・閾値の組み合わせを用いて株価予測処理を実行する（ステップＳ２－３）。具体的には、取得部２１０は、注文管理発注システム３０から、この銘柄に関する各種情報を取得し、予測用データセットに事前加工する。予測部２１３は、予測用データセットを、ディープビリーフネットワークの入力層に設定する。次に、予測部２１３は、設定決定処理において生成した隠れ層の各ノードを計算し、出力層の値を取得する。ここでは、出力層として、予測期間後の株価（予測結果）について、閾値範囲（±０．５％）よりも「上昇」、閾値範囲の「レンジ内」、閾値範囲よりも「下落」のいずれかが特定される。予測部２１３は、予測結果（予測期間後の株価）を予測結果記憶部２２に記憶する。
　次に、取引管理システム２０は、予測株価は「レンジ内」かどうかについての判定処理を実行する（ステップＳ２－４）。具体的には、ロジック部２０Ｂは、予測結果記憶部２２に記憶された予測結果に基づいて、「レンジ内」かどうかを判定する。
　ロジック部２０Ｂが予測株価は「レンジ内」と判定した場合（ステップＳ２－４において「ＹＥＳ」の場合）、取引管理システム２０は、執行コストの期待値が最小となる指値発注処理を実行する（ステップＳ２－５）。具体的には、ロジック部２０Ｂは、株式の売買に伴って発生する執行コストの期待値を算出し、この執行コストが最小となる値を算出する。ここでは、直近の所定期間のボラティリティ及びトレンドを考慮し、執行コストを算出し、約定時刻（今回の予測期間の終了）までの残り時間に合わせて、この執行コストが最小となる指値が算出される。ロジック部２０Ｂは、取引処理部２０Ａを介して、算出した値を指値として、注文管理発注システム３０に注文指示を送信する。
　一方、ロジック部２０Ｂが予測株価は「レンジ内」でないと判定した場合（ステップＳ２－４において「ＮＯ」の場合）、取引管理システム２０は、予測は「上昇」又は「下落」かどうかについての判定処理を実行する（ステップＳ２－６）。
　ロジック部２０Ｂが予測株価は「上昇」と判定した場合（ステップＳ２－６において「上昇」の場合）、取引管理システム２０は、売り気配に即約定処理を実行する（ステップＳ２－７）。具体的には、ロジック部２０Ｂは、取引執行タイミングとして即時を決定し、取引処理部２０Ａを介して、現在の売り気配（売り希望者の株数と株価）について、注文管理発注システム３０に約定指示を送信する。
　一方、ロジック部２０Ｂが予測は「下落」と判定した場合（ステップＳ２－６において「下落」の場合）、取引管理システム２０は、予測期間を待ってから売り気配に約定処理を実行する（ステップＳ２－８）。具体的には、ロジック部２０Ｂは、取引執行タイミングとして、現在時刻に対して予測期間（本実施形態では、１時間）を加算した注文時期を算出する。ロジック部２０Ｂは、取引処理部２０Ａに対して、取引執行タイミングにおいて、売り気配に対して約定指示を送信する予約登録を行なう。なお、ロジック部２０Ｂは、算出した取引執行タイミングが注文管理発注システム３０の取引終了時刻を超えている場合には、取引処理部２０Ａに対して、取引終了時刻を注文時期として予約登録する。取引処理部２０Ａは、予約登録された取引執行タイミングまで待機して、取引処理部２０Ａを介して、待機後に約定を行なう。
　本実施形態の取引管理システムによれば、以下のような利点を得ることができる。
　（１）本実施形態では、取引管理システム２０の予測制御部２１は、設定決定処理により、ディープラーニングに用いる各種設定を決定する。これにより、判断条件が多く、同一条件のサンプル数が少ない場合にも、予測全体の期待値を高めることができる。更に、複数階層の機械学習（ディープラーニング）を用いることにより、株価に影響を与える多様な要因を考慮して、的確な予測を行なうことができる。アルゴリズムトレード戦術の執行成績を向上させることができる。
　（２）本実施形態では、取引管理システム２０の予測制御部２１は、出力層生成処理を実行する（ステップＳ１－３）。ここでは、予測制御部２１は、一定時間（予測期間候補）後の株価の閾値範囲との関係を予測する。これにより、即時執行、指値取引、所定時間経過後の執行が選択されることができる。更に、予測制御部２１は、ディープラーニングによる予測精度から最頻解比率を差し引いた平均値、標準偏差を算出し、〔平均値／標準偏差〕を算出する。予測制御部２１は〔平均値／標準偏差〕の値が最も高い組み合わせを特定する。これにより、最頻解を算出する株価予測をベンチマークとして、より的確な予測が行われることができる。また、平均値／標準偏差に基づいて組み合わせが特定されるため、的確性と安定性とを考慮した設定が行われることができる。
　（３）本実施形態では、取引管理システム２０の予測制御部２１が、予測株価は「レンジ内」と判定した場合（ステップＳ２－４において「ＹＥＳ」の場合）、取引管理システム２０は、執行コストの期待値が最小となる指値発注処理を実行する（ステップＳ２－５）。一方、予測制御部２１が予測株価は「上昇」と判定した場合（ステップＳ２－６において「上昇」の場合）、取引管理システム２０は、売り気配に即約定処理を実行する（ステップＳ２－７）。また、予測制御部２１が予測株価は「下落」と判定した場合（ステップＳ２－６において「下落」の場合）、取引管理システム２０は、予測期間を待ってから売り気配に約定処理を実行する（ステップＳ２－８）。これにより、ＶＷＡＰ取引のメリットを活かしながら、アルゴリズムトレード戦術の執行成績の向上を図ることができる。
　また、上記実施形態は、以下のように変更してもよい。
　・上記実施形態では、ＶＷＡＰ取引にディープラーニングを適用したが、適用対象はＶＷＡＰ取引に限定されるものではない。他の手法を用いて、株価を予測して取引を行なう場合にも用いることができる。
　・上記実施形態では、予測のために、データセットとして株価情報（個別株価及び日経平均株価）を用いる。予測に用いる情報はこれらに限定されるものではない。例えば、株価変動のチャート図の形状から、画像認識処理により特徴量を算出し、この特徴量を用いて、隠れ層の判断ノードを生成するようにしてもよい。
　・上記実施形態では、ディープビリーフネットワーク（ＤＢＮ）を用いたが、機械学習方法は、これに限定されるものではない。
　・上記実施形態では、予め実行した設定決定処理により特定した組み合わせ（予測期間、閾値）を用いて、取引処理を実行する。設定決定処理の実行タイミングはこれに限定されるものではない。例えば、設定決定処理を定期的に実行したり、注文情報を取得したときに実行したりするようにしてもよい。
　・上記実施形態では、判断タイミング（例えば、５分刻み）で、日中出来高分布に応じた数量の子注文に、親注文の数量を分割した発注スケジュールを生成する。ここで、判断タイミングは、５分刻みに限定されるものではない。
　・上記実施形態では、取引処理において、買い注文を取得した場合を想定した。売り注文を受けた場合において、予測株価は「上昇」と判定した場合（ステップＳ２－６において「上昇」の場合）、予測期間を待ってから買い気配に約定処理を実行する。また、予測は「下落」と判定した場合（ステップＳ２－６において「下落」の場合）、予測制御部２１は、買い気配に即約定処理を実行する。

Claims (7)

  1. 　過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムであって、
    　前記制御部が、
    　複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
    　株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、２階層以上の隠れ層からなる機械学習により予測変動幅を計算し、
    　予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
    　予測精度が高い予測期間及び変動幅の組み合わせを特定し、
    　注文情報を取得した場合、前記組み合わせの予測期間後の予測株価について、前記変動幅との関係を算出し、
    　前記変動幅との関係に基づいて、取引執行タイミングを決定するように構成されている、取引管理システム。
  2. 　前記制御部は、前記予測精度を、正解率の平均値及び標準偏差に基づいて算出するようにさらに構成されている、請求項１に記載の取引管理システム。
  3. 　前記変動幅候補は、変動幅範囲内、変動幅範囲外の上昇、変動幅範囲外の下落の何れか一つから選択される、請求項１又は２に記載の取引管理システム。
  4. 　前記制御部が、
    　注文情報を取得し、
    　前記予測株価が変動幅範囲内となった場合には、執行コストに基づく指値注文を行ない、
    　前記予測株価が変動幅範囲外の上昇となった場合には、買い注文について速やかに約定を行ない、売り注文について前記予測期間の待機を行ない、
    　前記予測株価が変動幅範囲外の下落となった場合には、買い注文について前記予測期間の待機を行ない、売り注文について速やかに約定を行なうようにさらに構成されている、請求項１～３のいずれか一項に記載の取引管理システム。
  5. 　前記制御部が、前記注文情報の全体数量を分割した子注文を生成し、前記各子注文の取引執行タイミングを、前記変動幅との関係に基づいて決定するようにさらに構成されている、請求項４に記載の取引管理システム。
  6. 　過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムを用いて株価予測を行なう方法であって、
    　前記制御部が、
    　複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
    　株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、２階層以上の隠れ層からなる機械学習により予測変動幅を計算し、
    　予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
    　予測精度が高い予測期間及び変動幅の組み合わせを特定し、
    　注文情報を取得した場合、前記組み合わせの予測期間後の予測株価について、前記変動幅との関係を算出し、
    　前記変動幅との関係に基づいて、取引執行タイミングを決定するように構成されている、取引管理方法。
  7. 　過去の株価情報を用いて機械学習を行なう制御部を備えた取引管理システムを用いて株価予測を行なうためのプログラムを記憶する非一時的なコンピュータ可読記憶媒体であって、
    　前記プログラムの実行時、前記制御部が、
    　複数の銘柄について、予測期間候補及び株価の変動幅候補の組み合わせ毎に、
    　株価の変動履歴を含むデータセットを用いて、前記予測期間候補後の株価について、２階層以上の隠れ層からなる機械学習により予測変動幅を計算し、
    　予測期間候補後の実際の株価の変動幅候補と予測変動幅とを比較し、
    　予測精度が高い予測期間及び変動幅の組み合わせを特定し、
    　注文情報を取得した場合、前記組み合わせの予測期間後の予測株価について、前記変動幅との関係を算出し、
    　前記変動幅との関係に基づいて、取引執行タイミングを決定するように構成されている、取引管理プログラム。
PCT/JP2016/077509 2015-12-24 2016-09-16 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)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-251015 2015-12-24
JP2015251015A JP6250623B2 (ja) 2015-12-24 2015-12-24 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

Publications (1)

Publication Number Publication Date
WO2017110171A1 true WO2017110171A1 (ja) 2017-06-29

Family

ID=59090036

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/077509 WO2017110171A1 (ja) 2015-12-24 2016-09-16 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

Country Status (2)

Country Link
JP (1) JP6250623B2 (ja)
WO (1) WO2017110171A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108242023A (zh) * 2018-01-04 2018-07-03 众安信息技术服务有限公司 一种智能交易系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL2956084T3 (pl) 2013-02-13 2022-12-19 3Shape A/S Urządzenie do skanowania ogniskowego rejestrujące barwy
TW201923684A (zh) * 2017-10-02 2019-06-16 美商英佩瑞提芙執行股份有限公司 用於優化交易執行的系統及方法
KR102123908B1 (ko) * 2018-11-14 2020-06-17 김종호 트랜잭션 시점 결정 방법 및 시스템
JP6898688B1 (ja) 2021-02-18 2021-07-07 グリーンモンスター株式会社 予測装置、予測方法、予測プログラムおよび、学習装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04373069A (ja) * 1991-06-24 1992-12-25 Toshiba Corp 証券価格予測装置
JPH0535710A (ja) * 1991-08-01 1993-02-12 Ricoh Co Ltd ニユーラルネツトワークの学習方法および学習装置
JPH0895938A (ja) * 1994-09-28 1996-04-12 Nippon Telegr & Teleph Corp <Ntt> 時系列データの学習方法及び時系列データの学習装置
JPH0895948A (ja) * 1994-09-28 1996-04-12 Hitachi Ltd トレンドに基づく時系列予測方法および装置
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
JP2003242325A (ja) * 2002-02-14 2003-08-29 Kao Corp 購入意思決定支援装置
JP2006050834A (ja) * 2004-08-06 2006-02-16 Hitachi Ltd 電力供給事業リスク管理支援システム
JP2014052941A (ja) * 2012-09-10 2014-03-20 Daiwa Institute Of Research Business Innovation Ltd 注文システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04373069A (ja) * 1991-06-24 1992-12-25 Toshiba Corp 証券価格予測装置
JPH0535710A (ja) * 1991-08-01 1993-02-12 Ricoh Co Ltd ニユーラルネツトワークの学習方法および学習装置
JPH0895938A (ja) * 1994-09-28 1996-04-12 Nippon Telegr & Teleph Corp <Ntt> 時系列データの学習方法及び時系列データの学習装置
JPH0895948A (ja) * 1994-09-28 1996-04-12 Hitachi Ltd トレンドに基づく時系列予測方法および装置
JP2001325582A (ja) * 2000-05-17 2001-11-22 Chugoku Electric Power Co Inc:The 時系列データ学習・予測装置
JP2003242325A (ja) * 2002-02-14 2003-08-29 Kao Corp 購入意思決定支援装置
JP2006050834A (ja) * 2004-08-06 2006-02-16 Hitachi Ltd 電力供給事業リスク管理支援システム
JP2014052941A (ja) * 2012-09-10 2014-03-20 Daiwa Institute Of Research Business Innovation Ltd 注文システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108242023A (zh) * 2018-01-04 2018-07-03 众安信息技术服务有限公司 一种智能交易系统

Also Published As

Publication number Publication date
JP6250623B2 (ja) 2017-12-20
JP2017117152A (ja) 2017-06-29

Similar Documents

Publication Publication Date Title
Herskovic et al. Firm volatility in granular networks
WO2017110171A1 (ja) 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
US7707062B2 (en) Method and system of forecasting customer satisfaction with potential commercial transactions
TW530234B (en) Methods and systems for efficiently sampling portfolios for optimal underwriting
Bampinas et al. Oil and stock markets before and after financial crises: A local Gaussian correlation approach
JP5043652B2 (ja) オークション結果予想方法及びシステム
Hotz‐Behofsits et al. Predicting crypto‐currencies using sparse non‐Gaussian state space models
CN104025130B (zh) 计算实体之间的重要性的方法、系统和设备
Burnie Exploring the interconnectedness of cryptocurrencies using correlation networks
US10181138B2 (en) System and method for determining retail-business-rule coefficients from current prices
Salehi et al. Audit report forecast: an application of nonlinear grey Bernoulli model
Daniel et al. Corporate rating forecasting using Artificial Intelligence statistical techniques
Saha et al. Enhancing production inventory management for imperfect items using fuzzy optimization strategies and Differential Evolution (DE) algorithms
Ozyurek et al. Assessment of qualification criteria described in public procurement law code 4734 in construction works by analytic hierarchy process (AHP)
Hu et al. Dynamic pricing for airline revenue management under passenger mental accounting
US20090240557A1 (en) Method, apparatus and computer program product for valuing a technological innovation
JP6632180B1 (ja) 株式投資のための情報処理装置及び情報処理プログラムを記録した記録媒体
JP2018028945A (ja) 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
US11900404B2 (en) Guaranteed offer generator
An et al. Short‐Term Stock Price Prediction Based on Limit Order Book Dynamics
CN114757630A (zh) 仓储管理模型确定方法、装置及计算机设备
KR20190013095A (ko) 외화자산 거래 시스템
Chan et al. Time‐varying jump risk premia in stock index futures returns
JP5184321B2 (ja) マーケットインパクト推計システム
JP2007293623A (ja) 需要予測方法及び需要予測プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16878068

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16878068

Country of ref document: EP

Kind code of ref document: A1