株価予想
TRANSCRIPT
株価予想
2016-06-25Masataka Nishimori
Agenda
● 問題設定
● 先行事例紹介
● Deep Learningで予測
株価とは
株価とは、1株あたりの株の価格のことです。株式市場には株式会社が発行した分だけ株が存在し、投資
家の「需要（買い）」と「供給（売り）」の関係の中で価格が付けられています。
つまり、買いたい人よりも売りたい人が多ければ株価は下がり、売りたい人よりも買いたい人が多ければ株
価は上がるのです。
(株初心者に贈る株式投資入門より )
株価とは
株価とは、1株あたりの株の価格のことです。株式市場には株式会社が発行した分だけ株が存在し、投資
家の「需要（買い）」と「供給（売り）」の関係の中で価格が付けられています。
つまり、買いたい人よりも売りたい人が多ければ株価は下がり、売りたい人よりも買いたい人が多ければ株
価は上がるのです。
(株初心者に贈る株式投資入門より )
なんとか予測できるようにしたい！
問題設定
● 前日までの株価は既知
● 当日終値 < N日後終値(N=1,2,3,...)を予想
● 特定の銘柄ではなくS&P500など株価指数を予想する文献も多数[1,2,3]
NOTE: S&P500（エス アンド ピー ファイブハンドレッド、Standard & Poor's 500 Stock Index）は、アメリカ合衆
国の投資情報会社であるスタンダード・アンド・プアーズ社が算出しているアメリカの代表的な株価指数。ニュー
ヨーク証券取引所、NYSE MKT、NASDAQに上場している銘柄から代表的な500銘柄の株価を基に算出され
る、時価総額加重平均型株価指数(wikipediaより）
[1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015.[2]. Machine Learning with Financial Time Series Data on Google Cloud Platform[3]. Huang, Wei, Yoshiteru Nakamori, and Shou-Yang Wang. "Forecasting stock market movement direction with support vector machine." Computers & Operations Research 32.10 (2005): 2513-2522.
どれぐらいの正答率なの？
● 正答率
○ 約55% - 64%[1,2,3,4]○ びっくりするほど当たらないです．
● 実験
○ 終値の推移だけで予想すると55%ぐらい
○ テクニカル指標を特徴量に追加しても改善は見られず
● 傾向
○ 株価情報の外的情報を組み込めると正答率が上がりやすい
先行事例-1 (1/2)
● 問題設定○ S&P500(米)の前日終値 < 当日終値を予想
● 工夫○ 各株価指数の前日比の相関と取引時間の時間差を利用
○ 当日のDAX(独)やFTSE(英)の値動きとSP500(米)は似ていることを利用
● 特徴量○ 各株価指数の直近3日分の終値の前日比
● 手法○ 4層の全結合ニューラルネット
● 正答率
○ 72.2%！
[2]. Machine Learning with Financial Time Series Data on Google Cloud Platform
Machine Learning with Financial Time Series Data on Google Cloud Platform
先行事例-1 (2/2)
● 問題点○ おそらく買える間がない (上がるかどうか予想できない前日に S&P500を買う必要あり）
● 修正○ S&P500(米)の購入時点を前日終値から当日始値に変更
○ DAX(独)とFTSE(英)は当日終値ではなく当日始値に変更
● 正答率○ 56.17%(修正後)
[2]. Machine Learning with Financial Time Series Data on Google Cloud Platform
Machine Learning with Financial Time Series Data on Google Cloud Platform
先行事例2 (1/1)
● 問題設定○ S&P500の当日終値 < 翌日終値
● 工夫○ ニュース情報を利用
● 手法○ CNN(Deep Learningの一種)
● 正答率
○ 64.18%(state-of-the-art)
[1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015.
Deep Learning for event-driven stock prediction
提案 - CNNで株価予想
● 循環物色して次に上がりそうな銘柄を見つけられるか試してみる．
循環物色とは？
株式投資に当たっては、投資家は常により良い投資対象銘柄を探し求め（物色し）、その対象は循環して
いくことが多々あります。物色対象は、上昇相場においては出遅れ銘柄が買いの対象になり、下落相場に
おいては下げ渋っている銘柄が売りの対象になります。また、上昇相場において、出遅れ銘柄あるいは出
遅れ業種が次々と買いの対象になったりします。このように投資対象銘柄が循環することを「循環物色」と
いいます。(マネー百科より）
循環物色とは？
株式投資に当たっては、投資家は常により良い投資対象銘柄を探し求め（物色し）、その対象は循環して
いくことが多々あります。物色対象は、上昇相場においては出遅れ銘柄が買いの対象になり、下落相場に
おいては下げ渋っている銘柄が売りの対象になります。また、上昇相場において、出遅れ銘柄あるいは出
遅れ業種が次々と買いの対象になったりします。このように投資対象銘柄が循環することを「循環物色」と
いいます。(マネー百科より）
つまり「風が吹けば桶屋が儲かる」方式の銘柄があるらしい．
入力データ構造
● なんとかして循環物色するパターンを見つけたい．○ つまり銘柄同士の依存関係を解析させたい．
● 各種銘柄を画像のピクセルと考える．
● 各種特徴量をチャンネルとして追加．
特徴量- N日前の終値に対する
- 前日比- 移動平均- RSI- ...入力データ
銘柄A
銘柄B
CNN 銘柄Bの株価の変動を予測
出力データ銘柄の位置は固定で銘柄を敷き詰める．
なぜ敷き詰めるのか？
● 訓練データが大量に必要（数十万〜）○ 20年以上続く銘柄でも5,000件程度
● CNNの並進不変性を利用○ 24x24で並べてランダムに16x16に切り取って訓練データとする
特徴量- N日前の終値に対する
- 前日比- 移動平均- RSI- ...入力データ
銘柄A
銘柄B
CNN 銘柄Bの株価の変動を予測
出力データ銘柄の位置は固定で銘柄を敷き詰める．
実験結果
● 正答率○ 50 〜 55% (´・ω・｀)
● 原因
○ ノイズが多すぎて循環物色するパターンを拾えていない．
● 改良できそうな箇所○ 敷き詰める銘柄の選び方
○ 相場よりも割安といった情報の特徴量への追加
結論
● 従来手法の方が精度良い
● 循環物色のパターンはノイズが多く解析が難しそう．
● 改良できそうな箇所
○ 特徴量をもうちょいまじめに考える．
○ 銘柄の並びをもっと考える．
● 精度が高くても，急落で利益が吹っ飛ぶこともあるので注意！
○ 例: LTCM，EU離脱
References
[1]. Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015.金融ニュースを加味してCNNで予測．(state-of-the-art)
[2]. Machine Learning with Financial Time Series Data on Google Cloud Platform取引時間の差を利用したS&P500の変動予測
[3]. Huang, Wei, Yoshiteru Nakamori, and Shou-Yang Wang. "Forecasting stock market movement direction with support vector machine." Computers & Operations Research 32.10 (2005): 2513-2522. SVMで株価の動きを予測．
[4]. Madge, Saahil. "Predicting Stock Price Direction using Support Vector Machines."SVMを利用した株価予測