Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Deep Learningによる株価変動の予想
Search
GMO次世代
October 13, 2016
Technology
0
1.7k
Deep Learningによる株価変動の予想
2016年10月12日 GMOエンジニアトークにて公開
GMO次世代
October 13, 2016
Tweet
Share
More Decks by GMO次世代
See All by GMO次世代
ソース公開を通じて分かった非中央集権型アプリケーション(DApp)とは
jisedai
0
4.2k
AppleのARkitとGoogleの最新のARプラットフォーム ARCore 可能性と応用
jisedai
2
1.3k
IoT領域でのブロックチェーン実践
jisedai
1
1.8k
モバイルAR技術の最先端 Google Tangoを活用してバーチャル道案内スタッフを実現してみた
jisedai
1
1.3k
深層学習は金融市場をシミュレーションすることができるか?
jisedai
1
6.4k
Unity3DとOculus Riftで VR空間にWebコンテンツを表現する
jisedai
0
1.5k
ブロックチェーンを利用したサービス開発について
jisedai
1
1.2k
Other Decks in Technology
See All in Technology
Geminiとv0による高速プロトタイピング
shinya337
1
270
いつの間にか入れ替わってる!?新しいAWS Security Hubとは?
cmusudakeisuke
0
130
Lufthansa ®️ USA Contact Numbers: Complete 2025 Support Guide
lufthanahelpsupport
0
200
第4回Snowflake 金融ユーザー会 Snowflake summit recap
tamaoki
1
280
SaaS型なのに自由度の高い本格CMSでサイト構築と運用のコスパ&タイパUP! MovableType.net の便利機能とユーザー事例のご紹介
masakah
0
110
敢えて生成AIを使わないマネジメント業務
kzkmaeda
2
450
ビズリーチにおけるリアーキテクティング実践事例 / JJUG CCC 2025 Spring
visional_engineering_and_design
1
120
DBのスキルで生き残る技術 - AI時代におけるテーブル設計の勘所
soudai
PRO
50
20k
NewSQLや分散データベースを支えるRaftの仕組み - 仕組みを理解して知る得意不得意
hacomono
PRO
2
160
Model Mondays S2E04: AI Developer Experiences
nitya
0
140
開発生産性を測る前にやるべきこと - 組織改善の実践 / Before Measuring Dev Productivity
kaonavi
10
4.6k
MobileActOsaka_250704.pdf
akaitadaaki
0
130
Featured
See All Featured
Six Lessons from altMBA
skipperchong
28
3.9k
StorybookのUI Testing Handbookを読んだ
zakiyama
30
5.9k
A designer walks into a library…
pauljervisheath
207
24k
The World Runs on Bad Software
bkeepers
PRO
69
11k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
34
3.1k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.7k
Statistics for Hackers
jakevdp
799
220k
Building a Modern Day E-commerce SEO Strategy
aleyda
42
7.4k
Thoughts on Productivity
jonyablonski
69
4.7k
We Have a Design System, Now What?
morganepeng
53
7.7k
How to train your dragon (web standard)
notwaldorf
95
6.1k
Embracing the Ebb and Flow
colly
86
4.7k
Transcript
GMOインターネット 次世代システム研究室
2 研究の目的 過去のデータを使って、予測を⾏いたい! -> ⾦融商品は良いターゲット 新しい手法の台頭! 従来の手法 時系列解析
3 Outline 株価データの時系列解析 Deep Learning (LSTM) を使って株価予想 なんでLSTMで予想できるの? Kerasを使ってやってみた まとめ
& 改善点
4 時系列解析
5 S&P 500 NASDAQに上場している銘柄から代表的な 500銘柄の株価を浮動株調整後の時価総額⽐率で 加重平均し、指数化したもの アメリカの代表的な 会社の株価の指標 要するに 時間軸
6 Volatility (Daily) = 1日の取引中での、値動きの大きさの指標 ~ 1日の変動 (≠ Historical volatility)
株価を直接予想したいが。。
7 Volatility of S&P500 Volatility S&P500の 実データ 時間軸 終値 高値
安値
8 時系列解析 過去に学び(学習し)、未来を予測しよう 曇り空 (→ これまで、こんな空模様の時は雨が 降ってきたなぁ。) → 午後に雨が振りそうだ! →
傘を持って⾏こう
9
10 機械学習(教師あり学習) input data output data 与えられたデータyに合うように パラメータを学習(人のアナロジー) モデル f(x)
x f(x) = ax + b f(x) vs y f(x) = 1*x + 7 f(x) = 2.1x + 1.6 input input output output
11 機械学習(教師あり学習) f(x) = a*x + b f(x) = a*sin(b*x)
適切なモデルを考える必要がある → 大変!!! (データが増えるほど) モデル モデル
12 Deep Learning Deep! 複雑な表現 層が input data output data
モデル f(x) が可能
13 RNN (Recurrent Neural Network) Deep Learningの一種 横にDeep! 過去の出⼒を⼊⼒ →
過去を記憶 時系列データに最適(ただし問題点が) 過去データ 私 は 男 で す
14 LSTM (Long Short Term Memory) 今回の解析で使用
15 LSTM Block
16 LSTM 良い点 Deepなnetworkで複雑な表現も可能に インプットに複数のデータを簡単に⼊れ られる 我々が気づかなかった関係性をキャッチ できるかも!
17 LSTM 悪い点 時間がかかる → 耐えられるレベル 一度、学習すれば速い 結果を理解しづらい 理解する努⼒が必要
18 Keras 直感的に使える TensorFlow, Theanoをバックエンドで使用 Python コード量が少ない → 初心者に優しい →
海外で人気
19 Demo
20 結果 MAPE (Mean Absolute Percentage Error) = 29.3%
21 Model構造を変えてみる LSTM IN OUT LSTM IN OUT LSTM MAPE
= 29.4% MAPE = 29.3%
22 LSTM IN OUT MAPE = 27.0% LSTM IN OUT
MAPE = 29.3% linear function
23 Loss function MAPE MSE MAPE = 29.3% MAPE =
44.3%
24 学習回数 学べば学ぶほど 良い! 、、わけではない。 25.0% 過学習?
25 過学習 過学習 モデルが学習データに適合しすぎて、ノイズま で再現するように学習するため、学習データ以 外のデータ(予想したいデータ)の予測精度が 悪化 → 適切なパラメータ数、学習回数にするこ とが大切
26 入力データを増やす 自身のデータ以外に株価に影響を与えそ うな情報を追加すれば、より良い予想が できるはず! → LSTMなら簡単に試せる。 今回は、Google Domestic Trends
(米国内のトピックごとの検索量 ~ 注目度) を採用
27 Topic: computer, credit card, invest, bankruptcy MAPE = 23.7%
改善した!
28
29 結果の比較 まだ伸びしろはありそう LSTM (Default) LSTM (modified) LSTM (add. info)
29.3% 25.0% 23.7% → 有望! (モデル修正、パラメータ調整、新しいデータ) モデルごとのMAPE
30 参考文献 勝った!
31 今後の方向性 DL(LSTM)は非常に有望。さらに深めたい Busrt(突発的な上下動)を予想したい Keyとなるパラメータ Model構造 ⼊⼒期間の⻑さ (予想に使えそうな)外部データの⼊⼒ 他の⾦融商品も予想してみたい
32 ご清聴ありがとうございました!