WO2020226004A1 - 株取引情報表示プログラム及びシステム - Google Patents

株取引情報表示プログラム及びシステム Download PDF

Info

Publication number
WO2020226004A1
WO2020226004A1 PCT/JP2020/014853 JP2020014853W WO2020226004A1 WO 2020226004 A1 WO2020226004 A1 WO 2020226004A1 JP 2020014853 W JP2020014853 W JP 2020014853W WO 2020226004 A1 WO2020226004 A1 WO 2020226004A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
stock
association
degree
decrease data
Prior art date
Application number
PCT/JP2020/014853
Other languages
English (en)
French (fr)
Inventor
綾子 澤田
Original Assignee
Ａｓｓｅｓｔ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 Ａｓｓｅｓｔ株式会社 filed Critical Ａｓｓｅｓｔ株式会社
Priority to CN202080033933.4A priority Critical patent/CN113811914A/zh
Priority to EP20802330.9A priority patent/EP3968261A1/en
Priority to US17/608,827 priority patent/US20220309579A1/en
Publication of WO2020226004A1 publication Critical patent/WO2020226004A1/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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Definitions

  • the present invention relates to a stock trading information display program and a system that provides advice on stock trading stocks.
  • the present invention was devised in view of the above-mentioned problems, and the purpose of the present invention is to acquire a huge amount of data in a stock trading advice program that gives advice on stock trading stocks, and to obtain this.
  • the purpose of the present invention is to provide a stock trading information display program and a system capable of analyzing and compiling an output solution that can give accurate advice to a user.
  • the stock trading information display program acquires market information regarding market conditions at the time of new stock trading in the stock trading information display program that displays information regarding stocks of stock trading.
  • the stock trading information display system is a stock trading information display system that displays information on stocks of stock trading, and is an information acquisition means for acquiring market information on market conditions at the time of new stock trading, and acquired in advance.
  • the degree of association was used in three or more stages, and the market condition information acquired by the above information acquisition means was used. It is characterized by providing a display means for displaying the increase / decrease data of the stock price of each of the above-mentioned stocks by giving priority to the data having a higher degree of association between the reference market condition information and the increase / decrease data of the stock price of each issue.
  • FIG. 1 is a block diagram showing an overall configuration of a stock trading information display system to which the present invention is applied.
  • FIG. 2 is a diagram showing a specific configuration example of the search device.
  • FIG. 3 is a diagram showing an example in which the degree of association between the reference market information and the stock price increase / decrease data of each stock is set in advance at three or more levels.
  • FIG. 4 is a diagram showing an example in which the degree of association of the combination of the reference market condition information and the reference event information is preset.
  • FIG. 5 is a diagram showing an example in which the degree of association between the reference market condition information and the reference external environment information is preset.
  • FIG. 6 is a diagram showing an example in which the degree of association between the reference market condition information and the reference household information is preset.
  • FIG. 1 is a block diagram showing an overall configuration of a stock trading information display system to which the present invention is applied.
  • FIG. 2 is a diagram showing a specific configuration example of the search device.
  • FIG. 3 is a
  • FIG. 7 is a diagram showing an example in which the degree of association between the reference market condition information and the reference household information is preset.
  • FIG. 8 is a diagram showing an example in which the degree of association between the reference market condition information and the reference natural environment information is preset.
  • FIG. 9 is a diagram showing an example in which the degree of association of the combination of the three types of reference information is set in advance.
  • FIG. 10 is a diagram showing an example in which advice is given in addition to stock price increase / decrease data.
  • FIG. 11 is a diagram showing other deformation forms that form the degree of association.
  • FIG. 12 is a diagram showing an example in which the degree of association is configured by the nodes of the neural network in artificial intelligence.
  • FIG. 1 is a block diagram showing an overall configuration of a stock trading information display system 1 in which a stock trading advisory program to which the present invention is applied is implemented.
  • the stock transaction information display system 1 includes an information acquisition unit 9, a search device 2 connected to the information acquisition unit 9, and a database 3 connected to the search device 2.
  • the information acquisition unit 9 is a device for a person who uses this system to input various commands and information, and is specifically composed of a keyboard, buttons, a touch panel, a mouse, a switch, and the like.
  • the information acquisition unit 9 is not limited to a device for inputting text information, and may be configured by a device such as a microphone that can detect voice and convert it into text information. Further, the information acquisition unit 9 may be configured as an image pickup device capable of capturing an image of a camera or the like.
  • the information acquisition unit 9 may be configured by a scanner having a function of recognizing a character string from a paper-based document. Further, the information acquisition unit 9 may be integrated with the search device 2 described later. The information acquisition unit 9 outputs the detected information to the search device 2.
  • the information acquisition unit 9 may be configured by means for specifying the position information by scanning the map information.
  • the information acquisition unit 9 also includes a temperature sensor, a humidity sensor, a flow rate sensor, and other sensors capable of identifying substances and physical properties.
  • the information acquisition unit 9 may be configured by means for automatically fetching character strings and data posted on a site on the Internet.
  • Database 3 stores various information necessary for giving stock trading advice.
  • Information necessary for providing stock price advice includes reference market information regarding past market conditions, reference event information that reflects events that occurred during the detection period of past market conditions, and external environment during the detection period of past market conditions. External environmental information for reference that reflects the past market information, reference household information that reflects statistical data about the household budget at the time when the past market conditions were detected, and reference real estate that reflects the statistical data about the real estate at the time when the past market conditions were detected.
  • Information reference expert opinion information that reflects the opinions of experts announced at the time of detection of past market conditions, information on the natural environment for reference that reflects information of the natural environment at the time of detection of past market conditions, and its A data set with stock price increase / decrease data of each stock in the past market conditions is stored.
  • the search device 2 is composed of electronic devices such as a personal computer (PC), but is embodied in all other electronic devices such as mobile phones, smartphones, tablet terminals, and wearable terminals in addition to PCs. It may be converted. The user can obtain a search solution by the search device 2.
  • PC personal computer
  • FIG. 2 shows a specific configuration example of the search device 2.
  • the search device 2 performs wired communication or wireless communication with a control unit 24 for controlling the entire search device 2 and an operation unit 25 for inputting various control commands via operation buttons, a keyboard, or the like.
  • a communication unit 26 for the purpose, an estimation unit 27 for making various judgments, and a storage unit 28 for storing a program for performing a search to be executed represented by a hard disk or the like are connected to the internal bus 21, respectively. .. Further, a display unit 23 as a monitor that actually displays information is connected to the internal bus 21.
  • the control unit 24 is a so-called central control unit for controlling each component mounted in the search device 2 by transmitting a control signal via the internal bus 21. Further, the control unit 24 transmits various control commands via the internal bus 21 in response to the operation via the operation unit 25.
  • the operation unit 25 is embodied by a keyboard or a touch panel, and an execution command for executing a program is input from the user.
  • the operation unit 25 notifies the control unit 24 of the execution command.
  • the control unit 24, including the estimation unit 27, executes a desired processing operation in cooperation with each component.
  • the operation unit 25 may be embodied as the information acquisition unit 9 described above.
  • the estimation unit 27 estimates the search solution.
  • the estimation unit 27 reads out various information stored in the storage unit 28 and various information stored in the database 3 as necessary information when executing the estimation operation.
  • the estimation unit 27 may be controlled by artificial intelligence. This artificial intelligence may be based on any well-known artificial intelligence technique.
  • the display unit 23 is composed of a graphic controller that creates a display image based on the control by the control unit 24.
  • the display unit 23 is realized by, for example, a liquid crystal display (LCD) or the like.
  • the storage unit 28 When the storage unit 28 is composed of a hard disk, predetermined information is written to each address based on the control by the control unit 24, and this is read out as needed. Further, the storage unit 28 stores a program for executing the present invention. This program is read by the control unit 24 and executed.
  • Reference market information is various information related to market conditions. Examples of this reference market information include interest rates, exchange rates, stock prices of each stock, crude oil, futures, precious metals, and price movements of Bitcoin. This reference market information may be displayed as a time-series chart, a line graph, or the like for these objects. In addition, information such as Bollinger band, MACD, and moving average line may be attached.
  • this market information may include fundamental indicators of each brand's company, and in addition to annual sales, profits, and costs, PER (price-earnings ratio), PBR (price-to-book value ratio), ROE ( Indicators such as return on equity) may be included.
  • PER price-earnings ratio
  • PBR price-to-book value ratio
  • ROE Indicators such as return on equity
  • information such as charts showing price movements between currencies, Bollinger bands, MACD, and moving averages may be attached.
  • the stock price increase / decrease data of each issue is data showing how much the stock price of each issue has increased / decreased at the time after the reference market information was acquired.
  • This increase / decrease data may be counted by the actual increase / decrease price range, or may be expressed by the increase / decrease rate.
  • This increase / decrease data is represented by an increase / decrease in the stock price at the measurement time point (later time point) with respect to the stock price at the previous time point (that is, the time point when the reference market information is acquired).
  • the time point before here is 10 seconds before, 1 minute before, 30 minutes before, 1 hour before, 4 hours before, 1 day before, 10 days ago, 1 month ago, 1 year ago, 5 years ago, etc.
  • the stock price increase / decrease data shows the increase / decrease of the stock price at the measurement time point with respect to the stock price at the previous time point when a certain point in the chart is set as the measurement time point.
  • the stock price increase / decrease data may represent the foot itself in the stock price chart.
  • the input data is, for example, reference market condition information P01 to P03.
  • the reference market information as such input data is linked to the output.
  • the stock price increase / decrease data as the output solution is displayed.
  • the reference market information is related to each other through the three or more levels of association with the stock price increase / decrease data as this output solution.
  • the market information for reference is arranged on the left side via this degree of association, and the increase / decrease data of each stock price is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to which stock price increase / decrease data is highly relevant to the reference market information arranged on the left side. In other words, this degree of association is an index showing what kind of stock price increase / decrease data is likely to be associated with each reference market condition information, and the most reliable stock price increase / decrease data from the reference market condition information is used. It shows the accuracy of selection. In the example of FIG. 3, w13 to w19 are shown as the degree of association.
  • w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the stock price increase / decrease data as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the stock price increase / decrease data as an output.
  • the search device 2 acquires in advance the degree of association w13 to w19 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference market information and the stock price increase / decrease data in that case was adopted in determining the actual search solution, and analyzes these. By analyzing, the degree of association shown in FIG. 3 is created.
  • a certain reference market information is when the preceding MACD pulls out the lagging average (SIGNAL) from the bottom to the top in the stock price chart of a certain stock.
  • SIGNAL lagging average
  • the stock price of the stock in question often increased by 30% at a later point in time.
  • the degree of association with a 30% increase in the stock price of the stock becomes stronger.
  • the stock price of the stock has decreased by 25% at that time, and the stock price of the stock has increased by 30% in few cases. In such a case, the degree of association of the stock price down by 25% becomes stronger, and the degree of association of the stock price of the issue up by 30% becomes low.
  • This analysis and analysis may be performed by artificial intelligence.
  • analysis is performed from the price movement data of the stock price of each stock in the past. This may be extracted from, for example, electronic data of past stock price charts.
  • reference market information P01 if there are many cases of stock price increase / decrease data A1 (stock ⁇ ⁇ company 75% up) of each issue, set a higher degree of association leading to this increase / decrease data A1 and increase / decrease. If there are many cases of data A3 (stock price ⁇ ⁇ company 25% down), set a higher degree of association that leads to this increase / decrease data A3.
  • the increase / decrease data A1 and the increase / decrease data A3 are linked, but from the previous case, the degree of association of w13 connected to the increase / decrease data A1 is set to 7 points, and the degree of association of w14 connected to the increase / decrease data A3 is set to 7.
  • the degree of association is set to 2 points.
  • the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • Such degree of association is what is called learned data in artificial intelligence. After creating such learned data, in order to actually give new advice to customers regarding stock trading issues, the above-mentioned learned data will be used to predict changes in stock prices. In such a case, market information regarding the market conditions at the time of the actual stock trading will be acquired.
  • This market condition information is composed of the same kind of data as the above-mentioned reference market condition information.
  • the market condition information to be newly acquired is input by the above-mentioned information acquisition unit 9.
  • the information acquisition unit 9 may acquire charts, price movement data, and the like as electronic data.
  • the future stock price (that is, future stock price increase / decrease data) that is likely to occur is predicted with respect to the market information.
  • the degree of association shown in FIG. 3 (Table 1) acquired in advance is referred to.
  • the increase / decrease data A2 is associated with w15 and the increase / decrease data A3 is associated with the association degree w16 via the association degree.
  • the increase / decrease data A2 having the highest degree of association is selected as the optimum solution.
  • the input data is, for example, reference market condition information P01 to P03 and reference event information P14 to 17.
  • the intermediate node shown in FIG. 4 is a combination of reference event information and reference market information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Reference event information is a concept that includes various social news, events, incidents, celebrations, celebrations, etc. that occurred in Japan or abroad, as well as news, events, incidents, celebrations, celebrations, etc. that occurred about each company. is there.
  • This reference event information can be obtained from blogs, analyst reports, securities reports, advertisements, press releases, news articles, etc. regarding each company or society as a whole.
  • These reference event information may be extracted through a character string, a dependency, or the like obtained by analyzing a news article through text mining.
  • the input data is, for example, reference market condition information P01 to P03 and reference event information P14 to 17.
  • the intermediate node shown in FIG. 4 is a combination of reference event information and reference market information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Each combination of reference market information and reference event information (intermediate node) is associated with each other through three or more levels of association with the stock price increase / decrease data of each issue as this output solution.
  • Reference market information and reference event information are arranged on the left side via this degree of association, and stock price increase / decrease data of each stock is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the stock price increase / decrease data of each stock with respect to the reference market condition information and the reference event information arranged on the left side.
  • this degree of association is an index showing what kind of stock price increase / decrease data is likely to be associated with each reference market information and reference event information, and is a reference market information and reference.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 obtains past data as to which of the reference market condition information, the reference event information, and the stock price increase / decrease data of each stock in that case is suitable for determining the actual search solution. By accumulating and analyzing and analyzing these, the degree of association shown in FIG. 4 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the increase / decrease data of the stock price of each stock is analyzed from the past data. If there are many cases where the increase / decrease data of the stock price of each issue is increase / decrease data A1 (stock ⁇ ⁇ company 75% up), set a higher degree of association leading to this increase / decrease data A1 and increase / decrease data A2 (stock ⁇ ⁇ company).
  • the degree of association connected to the increase / decrease data A2 is set high, and the degree of association connected to the increase / decrease data A1 is set low.
  • the output of the increase / decrease data A1 and the increase / decrease data A2 is linked, but from the previous case, the degree of association of w13 connected to the increase / decrease data A1 is set to 7 points, and the association of w14 connected to the increase / decrease data A2. The degree is set to 2 points.
  • the degree of association shown in FIG. 4 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node in which the reference event information P14 is combined with the reference market information P01, the degree of association of the increase / decrease data A3 is w15, and the degree of association of the increase / decrease data A5.
  • the node 61c is a node that is a combination of the reference event information P15 and P17 with respect to the reference market information P02, and the degree of association of the increase / decrease data A2 is w17 and the degree of association of the increase / decrease data A4 is w18.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned learned data will be used when actually searching for increase / decrease data for stock trading advice.
  • the market information regarding the market conditions at the time of the new stock trading is acquired, and the event information reflecting the events that occurred at the time of the new stock trading is acquired.
  • This event information corresponds to the above-mentioned reference event information, and data such as news, newspapers, and blogs may be taken in or directly input.
  • the degree of association shown in FIG. 4 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association, and this node In 61d, the increase / decrease data A3 is associated with w19, and the increase / decrease data A4 is associated with the degree of association w20.
  • the increase / decrease data A3 having the highest degree of association is selected as the optimum solution.
  • Table 2 shows examples of the degree of association w1 to w12 extending from the input.
  • the intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the degrees of association w1 to w12 may all have the same value, and the weights in the selection of the intermediate node 61 may all be the same.
  • FIG. 5 shows an example in which a combination of the above-mentioned reference market condition information and reference external environment information and three or more levels of association with the stock price increase / decrease data of each stock for the combination are set. ..
  • External environmental information for reference includes various data on politics, economy, society, technology, etc. outside the company, such as GDP, employment statistics, industrial production index, capital investment, labor force survey, etc.
  • the input data is, for example, reference market condition information P01 to P03 and reference external environment information P18 to 21.
  • the intermediate node shown in FIG. 5 is a combination of the reference market condition information and the reference external environment information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Each combination (intermediate node) of the reference market information and the reference external environment information is associated with each other through three or more levels of association with the stock price increase / decrease data of each stock as this output solution.
  • the reference market information and the reference external environment information are arranged on the left side through this degree of association, and the increase / decrease data is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the increase / decrease data with respect to the reference market condition information and the reference external environment information arranged on the left side. In other words, this degree of association is an index showing what kind of increase / decrease data is likely to be associated with each reference market condition information and reference external environment information, and the reference market condition information and reference external environment information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference market condition information, the reference external environment information, and the increase / decrease data in that case was suitable for determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 5 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the increase / decrease data is analyzed from the past data.
  • the output of the increase / decrease data A1 and the increase / decrease data A2 is linked, but from the previous case, the degree of association of w13 connected to the increase / decrease data A1 is set to 7 points, and the association of w14 connected to the increase / decrease data A2. The degree is set to 2 points.
  • the degree of association shown in FIG. 5 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference market condition information P01 and the reference external environment information P18, and the degree of association of the increase / decrease data A3 is w15 and the association of the increase / decrease data A5.
  • the degree is w16.
  • the node 61c is a node that is a combination of the reference external environment information P19 and P21 with respect to the reference market condition information P02, and the degree of association of the increase / decrease data A2 is w17 and the degree of association of the increase / decrease data A4 is w18.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned trained data After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • external environment information that reflects the external environment at the time of new stock trading is acquired.
  • the external environment information for example, if it is employment statistics information, the data may be directly taken in. If it is other statistical data, the data may be acquired directly.
  • the degree of association shown in FIG. 5 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association.
  • the increase / decrease data A3 is associated with w19
  • the increase / decrease data A4 is associated with the degree of association w20.
  • the increase / decrease data A3 having the highest degree of association is selected as the optimum solution.
  • FIG. 6 shows an example in which a combination of the above-mentioned reference market information and reference household information and three or more levels of association with the stock price increase / decrease data of each stock for the combination are set.
  • Reference household information includes various data related to household consumption status surveys, household data, average weekly working hours, statistical data on savings, annual income statistical data, household budget, etc.
  • the input data is, for example, reference market condition information P01 to P03 and reference household information P22 to 25.
  • the intermediate node shown in FIG. 6 is a combination of reference market information and reference household information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Each combination of reference market information and reference household information is associated with each other through three or more levels of association with the stock price increase / decrease data of each issue as this output solution.
  • the reference market information and the reference household information are arranged on the left side via this degree of association, and the increase / decrease data is arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the increase / decrease data with respect to the reference market information and the reference household information arranged on the left side. In other words, this degree of association is an index showing what kind of increase / decrease data is likely to be associated with each reference market condition information and reference household budget information, and is the most from the reference market condition information and the reference household budget information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which of the reference market condition information, the reference household information, and the increase / decrease data in that case was suitable for determining the actual search solution, and these By analyzing and analyzing the above, the degree of association shown in FIG. 6 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the increase / decrease data is analyzed from the past data.
  • the output of the increase / decrease data A1 and the increase / decrease data A2 is linked, but from the previous case, the degree of association of w13 connected to the increase / decrease data A1 is set to 7 points, and the association of w14 connected to the increase / decrease data A2. The degree is set to 2 points.
  • the degree of association shown in FIG. 6 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference market information P01 and the reference household information P22, and the degree of association of the increase / decrease data A3 is w15 and the degree of association of the increase / decrease data A5.
  • the node 61c is a node that is a combination of the reference household information P23 and P25 with respect to the reference market information P02, and the degree of association of the increase / decrease data A2 is w17 and the degree of association of the increase / decrease data A4 is w18.
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned trained data After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • household information that reflects statistical data on the household budget at the time of new stock trading will be acquired. If the household information is data published by each government agency, such as statistical data on the amount of savings, the data may be directly taken in. If it is other statistical data, the data may be acquired directly.
  • the degree of association shown in FIG. 6 (Table 1) acquired in advance is referred to.
  • the node 61d is associated through the degree of association, and this node In 61d, the increase / decrease data A3 is associated with w19, and the increase / decrease data A4 is associated with the degree of association w20.
  • the increase / decrease data A3 having the highest degree of association is selected as the optimum solution.
  • reference real estate information that reflects statistical data on real estate at the time of detection of the last market conditions may be used as input data.
  • the detailed description will be omitted by replacing the reference household information with the reference real estate information and replacing the household information with the real estate information.
  • the combination of the reference market condition information and the reference real estate information and the increase / decrease data of the stock price of each of the above stocks will be linked to three or more levels.
  • the node 61 defines the degree of association between the combination of the reference market condition information and the reference real estate information and the increase / decrease data of the stock price of each of the above three levels or more.
  • Reference real estate information includes all information related to real estate such as office vacancy rate, tsubo unit price, rent market price, land price, statistical data on vacant houses, etc.
  • FIG. 7 shows an example in which a combination of the above-mentioned reference market condition information and reference expert opinion information and three or more levels of association with the stock price increase / decrease data of each stock for the combination are set. There is.
  • Reference expert opinion information means any information that gives an expert opinion on the increase or decrease in stocks, and is specialized in stock price forecasts and reasons for increase or decrease in stocks published in analyst reports and newspaper articles. Home comments, views, etc.
  • the input data is, for example, reference market condition information P01 to P03 and reference expert opinion information P26 to 29.
  • the intermediate node shown in FIG. 7 is a combination of reference market condition information and reference expert opinion information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Each combination (intermediate node) of the reference market information and the reference expert opinion information is associated with each other through three or more levels of association with the stock price increase / decrease data of each stock as this output solution. ..
  • the reference market information and the reference expert opinion information are arranged on the left side through this degree of association, and the increase / decrease data is arranged on the right side through this degree of association.
  • the degree of association indicates the degree of relevance to the increase / decrease data with respect to the reference market condition information and the reference expert opinion information arranged on the left side. In other words, this degree of association is an index showing what kind of increase / decrease data each reference market condition information and reference expert opinion information is likely to be associated with, and is a reference market information and reference expert.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. 7. That is, the search device 2 accumulates past data as to which is more suitable, the reference market condition information, the reference expert opinion information, and the increase / decrease data in that case, in determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 7 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the increase / decrease data is analyzed from the past data.
  • the output of the increase / decrease data A1 and the increase / decrease data A2 is linked, but from the previous case, the degree of association of w13 connected to the increase / decrease data A1 is set to 7 points, and the association of w14 connected to the increase / decrease data A2. The degree is set to 2 points.
  • the degree of association shown in FIG. 7 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node in which the reference market condition information P01 is combined with the reference expert opinion information P26, and the degree of association of the increase / decrease data A3 is w15 and the increase / decrease data A5.
  • the degree of association is w16.
  • the node 61c is a node that is a combination of the reference expert opinion information P27 and P29 with respect to the reference market information P02, and the degree of association of the increase / decrease data A2 is w17 and the degree of association of the increase / decrease data A4 is w18. ..
  • Such degree of association is what is called learned data in artificial intelligence. After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used. In such a case, in addition to the above-mentioned market conditions data, expert opinion information that reflects the expert opinions announced at the time of new stock trading will be acquired. As for the expert opinion information, for example, if there is an expert opinion expressed in a newspaper article, the data may be directly taken in.
  • the degree of association shown in FIG. 7 (Table 1) acquired in advance is referred to.
  • the node 61d is associated through the degree of association.
  • the increase / decrease data A3 is associated with w19
  • the increase / decrease data A4 is associated with the degree of association w20.
  • the increase / decrease data A3 having the highest degree of association is selected as the optimum solution.
  • FIG. 8 shows an example in which a combination of the above-mentioned reference market condition information and reference natural environment information and three or more levels of association with the stock price increase / decrease data of each stock for the combination are set. ..
  • the reference natural environment information means all information related to the natural environment such as disaster data, temperature data, precipitation data, wind direction data, humidity data, etc., and data on the past natural environment released by the Meteorological Agency, or private companies and private companies. Data on the past natural environment released by individuals.
  • the input data is, for example, reference market condition information P01 to P03 and reference natural environment information P30 to 33.
  • the intermediate node shown in FIG. 8 is a combination of the reference market condition information and the reference natural environment information as such input data.
  • Each intermediate node is further linked to the output. In this output, the increase / decrease data of the stock price of each stock as an output solution is displayed.
  • Each combination (intermediate node) of the reference market information and the reference natural environment information is associated with each other through three or more levels of association with the stock price increase / decrease data of each stock as this output solution.
  • the reference market information and the reference natural environment information are arranged on the left side via this degree of association, and the increase / decrease data are arranged on the right side via this degree of association.
  • the degree of association indicates the degree of relevance to the increase / decrease data with respect to the reference market condition information and the reference natural environment information arranged on the left side. In other words, this degree of association is an index showing what kind of increase / decrease data is likely to be associated with each reference market condition information and reference natural environment information, and the reference market condition information and reference natural environment information.
  • w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the output, and conversely, 1 point. The closer they are, the less relevant each combination as an intermediate node is to the output.
  • the search device 2 acquires in advance the degree of association w13 to w22 of three or more stages shown in FIG. That is, the search device 2 accumulates past data as to which is more suitable, the reference market condition information, the reference natural environment information, and the increase / decrease data in that case, in determining the actual search solution. By analyzing and analyzing these, the degree of association shown in FIG. 8 is created.
  • This analysis and analysis may be performed by artificial intelligence.
  • the increase / decrease data is analyzed from the past data.
  • the output of the increase / decrease data A1 and the increase / decrease data A2 is linked, but w13 which leads to the increase / decrease data A1 from the previous case.
  • the degree of association of w14 is set to 7 points, and the degree of association of w14 connected to the increase / decrease data A2 is set to 2 points.
  • the degree of association shown in FIG. 8 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • the node 61b is a node that is a combination of the reference market condition information P01 and the reference natural environment information P30, and the degree of association of the increase / decrease data A3 is w15 and the association of the increase / decrease data A5.
  • the degree is w16.
  • the node 61c is a node that is a combination of the reference expert opinion information P31 and P33 with respect to the reference market information P02, and the degree of association of the increase / decrease data A2 is w17 and the degree of association of the increase / decrease data A4 is w18. ..
  • Such degree of association is what is called learned data in artificial intelligence.
  • the above-mentioned trained data After creating such trained data, when actually giving advice from now on, the above-mentioned trained data will be used.
  • the natural environment information that reflects the information of the natural environment at the time of new stock trading is acquired.
  • the natural environment information may be imported directly from, for example, data and information on the natural environment published by the Japan Meteorological Agency, private companies, and individuals, or sites containing these.
  • the degree of association shown in FIG. 8 (Table 1) acquired in advance is referred to.
  • the node 61d is associated via the degree of association, and this In the node 61d, the increase / decrease data A3 is associated with w19, and the increase / decrease data A4 is associated with the degree of association w20.
  • the increase / decrease data A3 having the highest degree of association is selected as the optimum solution.
  • the combination of the reference external environment information and the increase / decrease data of the stock price of each stock with respect to the combination have three or more levels of association.
  • An example of the settings is shown.
  • the degree of association is such that a set of combinations of reference market condition information, reference event information, and reference external environment information is set as nodes 61a to 61e of intermediate nodes as described above. It will be expressed.
  • the reference market condition information P02 is associated with the association degree w3
  • the reference event information P15 is associated with the association degree w7
  • the reference external environment information P19 is associated with the association degree w11.
  • the reference market condition information P03 is associated with the association degree w5
  • the reference event information P15 is associated with the association degree w8
  • the reference external environment information P18 is associated with the association degree w10.
  • the search solution is determined based on the newly acquired market condition information, the event information, and the external environment information.
  • this search solution refers to the degree of association shown in FIG. 9 acquired in advance.
  • the acquired market condition information is the same as or similar to the reference market condition information P02
  • the acquired event information corresponds to the reference event information P15
  • the acquired external environment information corresponds to the reference external environment information P19.
  • the node 61c is associated, and in this node 61c, the increase / decrease data A2 is associated with the association degree w17, and the increase / decrease data A4 is associated with the association degree w18.
  • a search solution is actually obtained based on w17 and w18.
  • advice on actual stock purchasing behavior for example, XX company buying, XX company holding
  • This advice may not only specify the stock for which trading is advised, but also advise the specific number of shares.
  • Such advice may be generated based on the increase / decrease data described above. In such a case, if the stock price rises in the future, it may be advised to buy it, and if the stock price falls in the future, it may be advised to sell it.
  • the advice may also indicate the risk.
  • the input data and the data to be trained it is of course possible to directly include this advice content in the data set instead of the increase / decrease data for training.
  • the present invention may be embodied as an automatic stock trading program that automatically trades stocks.
  • each stock of the stock price is automatically bought and sold based on the increase / decrease data.
  • the system side buys and sells the stock by itself based on the advice regarding the purchasing behavior of the stock (for example, buying XX company, holding XX company).
  • the degree of association is expressed by a 10-step evaluation, but it is not limited to this, and it may be expressed by a degree of association of 3 or more levels, and conversely, it may be expressed by 3 or more levels. For example, 100 steps or 1000 steps may be used.
  • this degree of association does not include those expressed in two stages, that is, whether or not they are related to each other, either 1 or 0.
  • the present invention having the above-described configuration, anyone can easily search for the optimum stock for stock trading without any special skill or experience. Further, according to the present invention, it is possible to determine the search solution with higher accuracy than that performed by a human being. Further, by configuring the above-mentioned degree of association with artificial intelligence (neural network or the like), it is possible to further improve the discrimination accuracy by learning this.
  • artificial intelligence neural network or the like
  • the above-mentioned input data and output data may not be exactly the same in the process of training, so that the input data and the output data may be classified by type. That is, the information P01, P02, ... P15, 16, ... That constitute the input data are classified according to the criteria classified in advance on the system side or the user side according to the content of the information, and the classified inputs. A dataset may be created between the data and the output data and trained.
  • reference information U in addition to the reference market condition information, the reference event information, the reference external environment information, the reference household budget information, the reference real estate information, the reference expert opinion information
  • reference market information, reference event information, reference external environment information, and reference household budget which are composed of reference natural environment information, etc., and are combined with reference information U to form the degree of association as reference information V.
  • Information, reference real estate information, reference expert opinion information, reference natural environment information, etc. may be used for discrimination based on the degree of association of these combinations.
  • the output solution corresponds to each credit rating described above.
  • the output obtained for the reference information U may be used as the input data as it is, and may be associated with the output via the intermediate node 61 in combination with the reference information V.
  • the reference information U after the output solution is output, this may be used as an input as it is, and the output may be searched by using the degree of association with other reference information V.
  • the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association.
  • the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
  • reference settlement information is input as input data, each credit rating is output as output data, and at least one or more hidden layers are provided between the input node and the output node. It may be machine-learned. On the contrary, each credit rating may be input and the reference settlement information may be output.
  • the degree of association can be described by, for example, a numerical value from 0 to 100% in addition to the above-mentioned 10 steps, but the degree of association is not limited to this and can be described by a numerical value of 3 or more steps at any step. It may be configured.
  • the present invention it is possible to judge without overlooking the discrimination result of the extremely low output such as the degree of association of 1%. Remind the user that even a judgment result with an extremely low degree of association is connected as a slight sign, and may be useful as the judgment result once every tens or hundreds of times. be able to.
  • the search policy can be determined by the method of setting the threshold value by performing the search based on the degree of association of three or more stages. If the threshold value is lowered, even if the above-mentioned degree of association is 1%, it can be picked up without omission, but it is unlikely that a more appropriate discrimination result can be detected favorably, and a lot of noise may be picked up. is there. On the other hand, if the threshold value is raised, there is a high possibility that the optimum search solution can be detected with high probability, but the degree of association is usually low and it is passed through, but it is suitable to appear once in tens or hundreds of times. Sometimes the solution is overlooked. It is possible to decide which one should be emphasized based on the ideas of the user side and the system side, but it is possible to increase the degree of freedom in selecting the points to be emphasized.
  • the above-mentioned degree of association may be updated.
  • This update may reflect information provided via a public communication network such as the Internet.
  • a public communication network such as the Internet.
  • the degree of association is increased or decreased accordingly. Let me.
  • this update corresponds to learning in terms of artificial intelligence. It can be said that it is a learning act because it acquires new data and reflects it in the learned data.
  • this update of the degree of association is not based on information that can be obtained from the public communication network, but is also updated by the system side or the user side based on the contents of research data, papers, conference presentations, newspaper articles, books, etc. by experts. It may be updated artificially or automatically. Artificial intelligence may be utilized in these update processes.
  • the process of first creating a trained model and the above-mentioned update may use not only supervised learning but also unsupervised learning, deep learning, reinforcement learning, and the like.
  • unsupervised learning instead of reading and learning the data set of input data and output data, information corresponding to the input data is read and trained, and the degree of association related to the output data is self-formed from there. You may let it.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

株取引の銘柄に関する情報を表示する株取引情報表示プログラムにおいて、新たに株取引を行う時期における市況に関する市況情報を取得する情報取得ステップと、予め取得した過去の市況に関する参照用市況情報と、その過去の市況に対する後の時点における各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した市況情報に応じた参照用市況情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示する表示ステップとをコンピュータに実行させる。

Description

株取引情報表示プログラム及びシステム
　本発明は、株取引の銘柄に関する助言を行う株取引情報表示プログラム及びシステムに関する。
　株取引を行う際の様々な助言を行うアプリや、株取引の自動化、即ち自動トレードを行うシステムが近年において利用されるようになっている。このようなアプリやシステムを利用する上では、膨大なデータ分析の下で助言をしてもらった方が勝率をより高くすることができ、利益の増加も期待できる。しかしながら、その膨大なデータを取得することができたとしても、これを分析してユーザに対して的確な助言ができるような出力解をまとめ上げることは相当な労力を要する。またこれらの作業を自動的に行うことができるシステムは従来において提案されていないのが現状であった。
　そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、株取引の銘柄に関する助言を行う株取引助言プログラムにおいて、膨大なデータを取得し、これを分析してユーザに対して的確な助言ができるような出力解をまとめ上げることが可能な株取引情報表示プログラム及びシステムを提供することにある。
　上述した課題を解決するために、本発明に係る株取引情報表示プログラムは、株取引の銘柄に関する情報を表示する株取引情報表示プログラムにおいて、新たに株取引を行う時期における市況に関する市況情報を取得する情報取得ステップと、予め取得した過去の市況に関する参照用市況情報と、その過去の市況に対する後の時点における各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した市況情報に応じた参照用市況情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示する表示ステップとをコンピュータに実行させることを特徴とする。
　本発明に係る株取引情報表示システムは、株取引の銘柄に関する情報を表示する株取引情報表示システムにおいて、新たに株取引を行う時期における市況に関する市況情報を取得する情報取得手段と、予め取得した過去の市況に関する参照用市況情報と、その過去の市況に対する後の時点における各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得手段により取得した市況情報に応じた参照用市況情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示する表示手段とを備えることを特徴とする。
　特段のスキルや経験が無くても、顧客が解決したい経営上の問題点や課題に対して、人工知能により自動的に株取引に関する助言を得ることが可能となる。
図１は、本発明を適用した株取引情報表示システムの全体構成を示すブロック図である。 図２は、探索装置の具体的な構成例を示す図である。 図３は、参照用市況情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定された例を示す図である。 図４は、参照用市況情報と、参照用イベント情報との組み合わせの連関度が予め設定された例を示す図である。 図５は、参照用市況情報と、参照用外部環境情報との組み合わせの連関度が予め設定された例を示す図である。 図６は、参照用市況情報と、参照用家計情報との組み合わせの連関度が予め設定された例を示す図である。 図７は、参照用市況情報と、参照用家計情報との組み合わせの連関度が予め設定された例を示す図である。 図８は、参照用市況情報と、参照用自然環境情報との組み合わせの連関度が予め設定された例を示す図である。 図９は、三種類の参照用情報の組み合わせの連関度が予め設定された例を示す図である。 図１０は、株価の増減データに加えて助言までを行う例を示す図である。 図１１は、連関度を形成する他の変形形態を示す図である。 図１２は、連関度を、人工知能におけるニューラルネットワークのノードで構成する例を示す図である。
　以下、本発明を適用した株取引助言プログラムについて、図面を参照しながら詳細に説明をする。
　図１は、本発明を適用した株取引助言プログラムが実装される株取引情報表示システム１の全体構成を示すブロック図である。株取引情報表示システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。
　情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。
　データベース３は、株取引助言を行う上で必要な様々な情報が蓄積される。株取引助言を行う上で必要な情報としては、過去の市況に関する参照用市況情報、過去の市況の検出時期に発生したイベントが反映された参照用イベント情報、過去の市況の検出時期における外部環境が反映された参照用外部環境情報、過去の市況の検出時期における家計に関する統計的データが反映された参照用家計情報、過去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報、過去の市況の検出時期に発表された専門家の意見が反映された参照用専門家意見情報、過去の市況の検出時期における自然環境の情報が反映された参照用自然環境情報と、その過去の市況における各銘柄の株価の増減データとのデータセットが記憶されている。
　つまり、データベース３には、このような参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報の何れか１以上と、過去の市況における各銘柄の株価の増減データが互いに紐づけられて記憶されている。
　探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。
　図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。
  制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。
　操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。
　推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
  表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。
  記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。
　上述した構成からなる株取引情報表示システム１における動作について説明をする。
　株取引情報表示システム１では、例えば図３に示すように、参照用市況情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、PER（株価収益率）、PBR（株価純資産倍率）、ROE（株主資本利益率）等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。
　各銘柄の株価の増減データは、その参照用市況情報を取得した後の時点において各銘柄の株価の増減がどの程度あったかを示すデータである。この増減データは、実際の増減した値幅でカウントされるものであってもよいし、増減率で表現されるものであってもよい。この増減データは、前の時点（即ち、参照用市況情報を取得した時点）の株価に対する、測定時点（後の時点）における株価の増減で表される。ここでいう前の時点は、測定時点より１０秒前、１分前、３０分前、１時間前、４時間前、１日前、１０日前、１か月前、１年前、５年前等のように、測定時点に対していかなる時間幅をもって構成されるものであってもよい。つまり株価の増減データは、チャートにおけるある時点を測定時点としたとき、その測定時点における株価の、その前の時点における株価に対する増減を示すものである。或いは、この株価の増減データは、株価のチャートでいうところの足そのものを表現するものであってもよい。
　つまり、この参照用市況情報と、株価の増減データのデータセットを通じて、参照用市況情報において生じた様々なテクニカルなイベント（例えばチャートが３日連続で上がっている、一時的に高値を付けた上ヒゲがチャート上に現れた場合等）の後の時点においてどのように株価が増減したかが分かる。つまりテクニカルなイベントに対する株価の増減結果がデータセットとなっている。このため、参照用市況情報と株価の増減データのデータセットを集めておくことにより、過去どのような市況となった後の時点で、株価がどのように増減したかを知ることが可能となる。
　図３の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３であるものとする。このような入力データとしての参照用市況情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。
　参照用市況情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報から最も確からしいる株価の増減データを選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ１９が示されている。このｗ１３～ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。
Figure JPOXMLDOC01-appb-T000001
　探索装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。
　例えば、ある参照用市況情報が、とある銘柄の株価チャートにおいて、先行するMACDが遅行する同平均（SIGNAL）を下から上に抜いた時であるものとする。このような市況において、当該銘柄の株価がその後の時点において３０％アップしたものが多かったものとする。このような場合には、当該銘柄の株価３０％アップの連関度が強くなる。これに対して、全く同じ市況において、当該銘柄の株価がその後の時点において２５％ダウンしたものが多く、当該銘柄の株価３０％アップしたものが少ないものとする。かかる場合には、当該銘柄の株価２５％ダウンの連関度が強くなり、当該銘柄の株価３０％アップの連関度が低くなる。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１である場合に、過去の各銘柄の株価の値動きデータから分析する。これは、例えば過去の株価チャートの電子データから抽出するようにしてもよい。参照用市況情報Ｐ０１である場合に、各銘柄の株価の増減データＡ１（銘柄〇×社　７５％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ３（銘柄△□社　２５％ダウン）の事例が多い場合には、この増減データＡ３につながる連関度をより高く設定する。例えば参照用市況情報Ｐ０１の例では、増減データＡ１と、増減データＡ３にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ３につながるｗ１４の連関度を２点に設定している。
　また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期における市況に関する市況情報を取得する。この市況情報は、上述した参照用市況情報と同種のデータで構成される。
　新たに取得する市況情報は、上述した情報取得部９により入力される。情報取得部９は、チャートや値動きのデータ等を電子データとして取得するようにしてもよい。
　このようにして新たに取得した市況情報に基づいて、実際にその市況情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　このようにして、新たに取得する市況情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。
　図４の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用イベント情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用イベント情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　図４の例では、参照用市況情報と、参照用イベント情報との組み合わせが形成されていることが前提となる。参照用イベント情報とは、国内又は国外において発生した様々な社会的なニュース、出来事、事件、祝い事、慶事等に加え、各企業について起きたニュース、出来事、事件、祝い事、慶事等を含む概念である。この参照用イベント情報は、各企業や社会全体に関するブログ、アナリストレポート、有価証券報告書、広告、プレスリリース、ニュース記事等から取得することができる。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよい。
　図４の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用イベント情報Ｐ１４～１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用イベント情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　参照用市況情報と参照用イベント情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用イベント情報がこの連関度を介して左側に配列し、各銘柄の株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用イベント情報に対して、各銘柄の株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用イベント情報が、いかなる各銘柄の株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用イベント情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況データに加え、実際に社会全体、又は各企業において起こった様々なイベントに応じて、後の時点における各銘柄の株価の増減データは異なるものとなる。このため、これらの参照用市況情報と参照用イベント情報の組み合わせで、最適な銘柄の株価の増減データを探索していくこととなる。
　図４の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用イベント情報、並びにその場合の各銘柄の株価の増減データの何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用イベント情報Ｐ１６である場合に、その各銘柄の株価の増減データを過去のデータから分析する。各銘柄の株価の増減データが増減データＡ１（銘柄〇×社　７５％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ２（銘柄〇×社　５０％ダウン）の事例が多く、増減データＡ１の事例が少ない場合には、増減データＡ２につながる連関度を高くし、増減データＡ１につながる連関度を低く設定する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。
　また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図４に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用イベント情報Ｐ１４の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用イベント情報Ｐ１５、Ｐ１７の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから株取引助言のための増減データの探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに株取引を行う時期における市況に関する市況情報を取得するとともに、新たに株取引を行う時期に発生したイベントが反映されたイベント情報を取得する。このイベント情報は、上述した参照用イベント情報に対応するものであり、例えばニュースや新聞、ブログ等のデータを取り込み、又は直接的に入力するようにしてもよい。
　このようにして新たに取得した市況情報、イベント情報に基づいて、最適な各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、イベント情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。
Figure JPOXMLDOC01-appb-T000002
　この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。
　図５は、上述した参照用市況情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。
　参照用外部環境情報とは、企業の外部における、ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等の、政治、経済、社会、技術等に関する様々なデータを含む。
　図５の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用外部環境情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用外部環境情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　参照用市況情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用外部環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用外部環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用外部環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用外部環境情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況データに加え、実際の外部環境がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用市況情報と参照用外部環境情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。
　図５の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図５に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用外部環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用外部環境情報Ｐ２０である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。
　また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図５に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用外部環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに株取引を行う時期における外部環境が反映された外部環境情報を取得する。外部環境情報は、例えば、雇用統計情報であればそのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した市況情報、外部環境情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図６は、上述した参照用市況情報と、参照用家計情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。
　参照用家計情報とは、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々なデータを含む。
　図６の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用家計情報Ｐ２２～２５であるものとする。このような入力データとしての、参照用市況情報に対して、参照用家計情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　参照用市況情報と参照用家計情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用家計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用家計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用家計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用家計情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況データに加え、実際の家計の状況がいかなる状態にあるのかに応じて、株価は変化が変動する銘柄は存在する。このため、これらの参照用市況情報と参照用家計情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。
　図６の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図６に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用家計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用家計情報Ｐ２４である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。
　また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図６に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用家計情報Ｐ２２の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用家計情報Ｐ２３、Ｐ２５の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに株取引を行う時期における家計に関する統計的データが反映された家計情報を取得する。家計情報は、例えば、貯蓄額の統計データ等のように各官庁が公表しているデータであれば、そのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。
　このようにして新たに取得した市況情報、家計情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、家計情報がＰ２５である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　なお、図６に示す参照用家計情報の代替として、去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報を入力データとして用いるようにしてもよい。かかる場合の詳細な構成は、参照用家計情報を参照用不動産情報と読み替え、家計情報を不動産情報と読み替えることにより詳細な説明は省略する。
　かかる場合には参照用市況情報と、参照用不動産情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を用いることになる。ノード６１は、参照用市況情報と、参照用不動産情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を規定することになる。
　参照用不動産情報とは、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる情報を含むものである。
　このような連関度を形成しておき、株取引に関する助言を行う上では、新たに株取引を行う時期における不動産に関する統計的デーが反映された不動産情報を取得し、これと同一又は類似の参照用不動産情報と参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度に基づいて、株取引の銘柄に関する助言を行う。
　図７は、上述した参照用市況情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。
　参照用専門家意見情報とは、株の増減に関する専門家による見解が示されたあらゆる情報を意味し、アナリストレポートや新聞記事等に掲載されている株価の予想や株の増減の理由に関する専門家のコメント、見解等である。
　図７の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用専門家意見情報Ｐ２６～２９であるものとする。このような入力データとしての、参照用市況情報に対して、参照用専門家意見情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　参照用市況情報と参照用専門家意見情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用専門家意見情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用専門家意見情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用専門家意見情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用専門家意見情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。株価の変動が、市況データに加え、実際の専門家の意見と相関がみられる場合がある。このため、これらの参照用市況情報と参照用専門家意見情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。
　図７の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図７に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用専門家意見情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用家計情報Ｐ２８である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。
　また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図７に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用専門家意見情報Ｐ２６の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用専門家意見情報Ｐ２７、Ｐ２９の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに株取引を行う時期に発表された専門家の意見が反映された専門家意見情報を取得する。専門家意見情報は、例えば、新聞記事において専門家の意見が示されたものがあれば、そのデータを直接取り込むようにしてもよい。
　このようにして新たに取得した市況情報、専門家意見情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、専門家意見情報がＰ２９である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図８は、上述した参照用市況情報と、参照用自然環境情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。
　参照用自然環境情報とは、災害データ、気温データ、降水量データ、風向きデータ、湿度データ等、自然環境に関するあらゆる情報を意味し、気象庁が発表した過去の自然環境に関するデータ、或いは民間の企業や個人が発表した過去の自然環境に関するデータ等である。
　図８の例では、入力データとして例えば参照用市況情報Ｐ０１～Ｐ０３、参照用自然環境情報Ｐ３０～３３であるものとする。このような入力データとしての、参照用市況情報に対して、参照用自然環境情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。
　参照用市況情報と参照用自然環境情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用自然環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用自然環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用自然環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用自然環境情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。株価の変動が、市況データに加え、実際の専門家の意見と相関がみられる場合がある。このため、これらの参照用市況情報と参照用自然環境情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。
　図８の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
　探索装置２は、このような図８に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用自然環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。
　この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用自然環境情報Ｐ３２である場合に、その増減データを過去のデータから分析する。例えば参照用市況情報Ｐ０１で、参照用自然環境情報Ｐ３２がリンクする中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。
　また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　図８に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用自然環境情報Ｐ３０の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用専門家意見情報Ｐ３１、Ｐ３３の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。
　このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに株取引を行う時期における自然環境の情報が反映された自然環境情報を取得する。自然環境情報は、例えば、気象庁や民間企業、個人が発表した自然環境に関するデータや情報、或いはこれらが記載されたサイトから直接取り込むようにしてもよい。
　このようにして新たに取得した市況情報、自然環境情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、自然環境情報がＰ３３である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
　図９は、上述した参照用市況情報と、参照用イベント情報に加えて、更に参照用外部環境情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。
  かかる場合において、連関度は、図９に示すように、参照用市況情報と、参照用イベント情報と、参照用外部環境情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。
　例えば、図９において、ノード６１ｃは、参照用市況情報Ｐ０２が連関度ｗ３で、参照用イベント情報Ｐ１５が連関度ｗ７で、参照用外部環境情報Ｐ１９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用市況情報Ｐ０３が連関度ｗ５で、参照用イベント情報Ｐ１５が連関度ｗ８で、参照用外部環境情報Ｐ１８が連関度ｗ１０で連関している。
  このような連関度が設定されている場合も同様に、新たに取得した市況情報と、イベント情報と、外部環境情報とに基づいて、探索解を判別する。
　この探索解を判別する上で予め取得した図９に示す連関度を参照する。例えば、取得した市況情報が参照用市況情報Ｐ０２に同一又は類似で、取得したイベント情報が参照用イベント情報Ｐ１５に対応し、更に取得した外部環境情報が参照用外部環境情報Ｐ１９に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、増減データＡ２が連関度ｗ１７で、また増減データＡ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。
　このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報の何れか２以上で組み合わせが構成されたものであっても適用可能である。
　また、出力データとしては、各銘柄の株価の増減データ以外に、図１０に示すように、実際の株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言を直接表示するようにしてもよい。この助言は売買を助言する銘柄を指定する以外に具体的な株数までも助言するようにしてもよい。かかる助言は、上述した増減データに基づいて生成するようにしてもよい。かかる場合には、将来的に株価が高くなるのであれば買うべき旨を助言し、将来的に株価が低くなるのであれば売るべき旨を助言するようにしてもよい。また、助言の中には、株取引のリターンの可能性以外に、リスクについても表示するようにしてもよい。このとき、入力データと学習させるデータとしては、増減データの代わりに直接この助言内容をデータセットに含めて学習させるようにしてもよいことは勿論である。
　また、本発明は、株取引を自動的に行う自動株取引プログラムとして具現化されるものであってもよい。かかる場合には、増減データを上述した手順に基づいて探索した後、その増減データに基づいて株価の各銘柄を自動的に売買する。かかる場合には、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行う。
　上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。
　上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に株取引を行う上で最適な銘柄の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
　なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。
　また、図１１に示すように、参照用情報Ｕとして、参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報等で構成し、参照用情報Ｖとして、参照用情報Ｕと組み合わせて連関度を構成する、参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報等とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した各信用度に該当する。
　このとき、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。
　また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
　かかる場合には、図１２に示すように、入力データとして参照用決算情報が入力され、出力データとして各信用度が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に各信用度が入力で参照用決算情報が出力となるように構成されていてもよい。
　また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
　このような３段階以上の数値で表される連関度に基づいてより利益率が高く、リスクの低い株の銘柄を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。
　これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
　更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
　更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
　つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
　また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
　また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
１　株取引情報表示システム
２　探索装置
２１　内部バス
２３　表示部
２４　制御部
２５　操作部
２６　通信部
２７　推定部
２８　記憶部
６１　ノード
 

Claims (8)

  1. 　株取引の銘柄に関する情報を表示する株取引情報表示プログラムにおいて、
    　新たに株取引を行う時期における市況に関する市況情報を取得する情報取得ステップと、
    　予め取得した過去の市況に関する参照用市況情報と、その過去の市況に対する後の時点における各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した市況情報に応じた参照用市況情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示する表示ステップとをコンピュータに実行させること
    　を特徴とする株取引情報表示プログラム。
  2. 　上記情報取得ステップでは、新たに株取引を行う時期に発生したイベントが反映されたイベント情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期に発生したイベントが反映された参照用イベント情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得したイベント情報に応じた参照用イベント情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  3. 　上記情報取得ステップでは、新たに株取引を行う時期における外部環境が反映された外部環境情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期における外部環境が反映された参照用外部環境情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外部環境情報に応じた参照用外部環境情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  4. 　上記情報取得ステップでは、新たに株取引を行う時期における家計に関する統計的データが反映された家計情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期における家計に関する統計的データが反映された参照用家計情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した家計情報に応じた参照用家計情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  5. 　上記情報取得ステップでは、新たに株取引を行う時期における不動産に関する統計的デーが反映された不動産情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した不動産情報に応じた参照用不動産情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  6. 　上記情報取得ステップでは、新たに株取引を行う時期に発表された専門家の意見が反映された専門家意見情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期に発表された専門家の意見が反映された参照用専門家意見情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した専門家意見情報に応じた参照用専門家意見情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  7. 　上記情報取得ステップでは、新たに株取引を行う時期における自然環境の情報が反映された自然環境情報を取得し、
    　上記表示ステップでは、上記参照用市況情報と、上記過去の市況の検出時期における自然環境の情報が反映された参照用自然環境情報との組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した自然環境情報に応じた参照用自然環境情報と上記参照用市況情報との組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示すること
    　を特徴とする請求項１記載の株取引情報表示プログラム。
  8. 　株取引の銘柄に関する情報を表示する株取引情報表示システムにおいて、
    　新たに株取引を行う時期における市況に関する市況情報を取得する情報取得手段と、
    　予め取得した過去の市況に関する参照用市況情報と、その過去の市況に対する後の時点における各銘柄の株価の増減データとの３段階以上の連関度を利用し、上記情報取得手段により取得した市況情報に応じた参照用市況情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示する表示手段とを備えること
    　を特徴とする株取引情報表示システム。
PCT/JP2020/014853 2019-05-06 2020-03-31 株取引情報表示プログラム及びシステム WO2020226004A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080033933.4A CN113811914A (zh) 2019-05-06 2020-03-31 股票交易信息显示程序及系统
EP20802330.9A EP3968261A1 (en) 2019-05-06 2020-03-31 Stock transaction information display program and system
US17/608,827 US20220309579A1 (en) 2019-05-06 2020-03-31 Program and system for displaying stock exchange information

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019087242A JP6664676B1 (ja) 2019-05-06 2019-05-06 株取引情報表示プログラム及びシステム
JP2019-087242 2019-05-06

Publications (1)

Publication Number Publication Date
WO2020226004A1 true WO2020226004A1 (ja) 2020-11-12

Family

ID=70000370

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/014853 WO2020226004A1 (ja) 2019-05-06 2020-03-31 株取引情報表示プログラム及びシステム

Country Status (5)

Country Link
US (1) US20220309579A1 (ja)
EP (1) EP3968261A1 (ja)
JP (1) JP6664676B1 (ja)
CN (1) CN113811914A (ja)
WO (1) WO2020226004A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162639A (ja) * 2001-11-28 2003-06-06 Fujitsu Ltd 銘柄選択支援装置
JP2005092508A (ja) * 2003-09-17 2005-04-07 Nec Corp データ処理装置
JP2011123795A (ja) * 2009-12-14 2011-06-23 Nomura Research Institute Ltd 株価影響企業検知システム及びプログラム
JP2011197946A (ja) * 2010-03-18 2011-10-06 Daiwa Institute Of Research Business Innovation Ltd 注文システムおよび注文処理方法、並びにプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408282B1 (en) * 1999-03-01 2002-06-18 Wit Capital Corp. System and method for conducting securities transactions over a computer network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162639A (ja) * 2001-11-28 2003-06-06 Fujitsu Ltd 銘柄選択支援装置
JP2005092508A (ja) * 2003-09-17 2005-04-07 Nec Corp データ処理装置
JP2011123795A (ja) * 2009-12-14 2011-06-23 Nomura Research Institute Ltd 株価影響企業検知システム及びプログラム
JP2011197946A (ja) * 2010-03-18 2011-10-06 Daiwa Institute Of Research Business Innovation Ltd 注文システムおよび注文処理方法、並びにプログラム

Also Published As

Publication number Publication date
JP2020184131A (ja) 2020-11-12
JP6664676B1 (ja) 2020-03-13
US20220309579A1 (en) 2022-09-29
CN113811914A (zh) 2021-12-17
EP3968261A1 (en) 2022-03-16

Similar Documents

Publication Publication Date Title
WO2021153548A1 (ja) 先物取引情報表示プログラム
JP6955287B2 (ja) 不正株取引検出プログラム
WO2020226003A1 (ja) 融資先信用度判定プログラム及びシステム
WO2020226004A1 (ja) 株取引情報表示プログラム及びシステム
JP6812034B1 (ja) 為替取引情報表示プログラム
JP2021163002A (ja) 商品需要予測プログラム
JP2021124797A (ja) 株取引情報表示プログラム、為替取引情報表示プログラム
JP2021124798A (ja) 株取引情報表示プログラム、為替取引情報表示プログラム
JP2021163001A (ja) 物流拠点商品配送計画プログラム
JP2021124799A (ja) 株取引情報表示プログラム、為替取引情報表示プログラム
JP2021125212A (ja) 株取引情報表示プログラム
JP2021124801A (ja) 株取引情報表示プログラム、為替取引情報表示プログラム
JP2021124802A (ja) 自動トレードアルゴリズム提案プログラム
JP6955286B1 (ja) 不正経費検出プログラム
JP7122768B2 (ja) 物品購買タイミング提案プログラム
WO2022065363A1 (ja) 不正経費検出プログラム
JP2021163003A (ja) 物流拠点商品配送計画プログラム
JP2021140202A (ja) 不動産融資条件提案プログラム
JP2021163000A (ja) 商品需要予測プログラム
JP2021140375A (ja) 物品購買タイミング提案プログラム
JP2022108346A (ja) 商品需要予測プログラム
JP2022108347A (ja) 商品需要予測プログラム
JP2022108349A (ja) 紙幣需要予測プログラム
JP2022108348A (ja) 紙幣需要予測プログラム
JP2021174271A (ja) 商品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: 20802330

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020802330

Country of ref document: EP

Effective date: 20211206