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
1.9k
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
知られざるprops命名の慣習 アクション編
uhyo
11
2.5k
JuniorからSeniorまで: DevOpsエンジニアの成長ロードマップ
yuriemori
0
210
Goss: Faiss向けの新しい本番環境対応 Goバインディング #coefl_go_jp
bengo4com
0
1.4k
AIエージェントの開発に必須な「コンテキスト・エンジニアリング」とは何か──プロンプト・エンジニアリングとの違いを手がかりに考える
masayamoriofficial
0
390
生成AI利用プログラミング:誰でもプログラムが書けると 世の中どうなる?/opencampus202508
okana2ki
0
190
Gaze-LLE: Gaze Target Estimation via Large-Scale Learned Encoders
kzykmyzw
0
320
Goでマークダウンの独自記法を実装する
lag129
0
220
LLM時代の検索とコンテキストエンジニアリング
shibuiwilliam
2
1.1k
実践データベース設計 ①データベース設計概論
recruitengineers
PRO
3
260
サービスロボット最前線:ugoが挑むPhysical AI活用
kmatsuiugo
0
190
AIエージェント就活入門 - MCPが履歴書になる未来
eltociear
0
520
EKS Pod Identity における推移的な session tags
z63d
1
200
Featured
See All Featured
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
33
2.4k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
31
2.2k
What's in a price? How to price your products and services
michaelherold
246
12k
GraphQLの誤解/rethinking-graphql
sonatard
71
11k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
367
26k
Documentation Writing (for coders)
carmenintech
73
5k
Unsuck your backbone
ammeep
671
58k
A Modern Web Designer's Workflow
chriscoyier
695
190k
Navigating Team Friction
lara
189
15k
StorybookのUI Testing Handbookを読んだ
zakiyama
30
6k
A better future with KSS
kneath
239
17k
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!