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
1.8k
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
4.3k
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
1.4k
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
6.5k
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
RemoteFunctionを使ったコロケーション
mkazutaka
1
120
【SORACOM UG Explorer 2025】さらなる10年へ ~ SORACOM MVC 発表
soracom
PRO
0
150
Oracle Base Database Service 技術詳細
oracle4engineer
PRO
14
82k
Open Table Format (OTF) が必要になった背景とその機能 (2025.10.28)
simosako
2
300
MCP ✖️ Apps SDKを触ってみた
hisuzuya
0
370
AI AgentをLangflowでサクッと作って、1日働かせてみた!
yano13
1
160
GraphRAG グラフDBを使ったLLM生成(自作漫画DBを用いた具体例を用いて)
seaturt1e
1
150
ブラウザのAPIで Nintendo Switch用の特殊なゲーム用コントローラーを体験型コンテンツに / IoTLT @ストラタシス・ジャパン
you
PRO
0
140
Dify on AWS 環境構築手順
yosse95ai
0
140
AI時代、“平均値”ではいられない
uhyo
8
2.6k
IoTLT@ストラタシスジャパン_20251021
norioikedo
0
140
オブザーバビリティと育てた ID管理・認証認可基盤の歩み / The Journey of an ID Management, Authentication, and Authorization Platform Nurtured with Observability
kaminashi
1
720
Featured
See All Featured
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
48
9.7k
How GitHub (no longer) Works
holman
315
140k
Reflections from 52 weeks, 52 projects
jeffersonlam
353
21k
Navigating Team Friction
lara
190
15k
jQuery: Nuts, Bolts and Bling
dougneiner
65
7.9k
Being A Developer After 40
akosma
91
590k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
190
55k
How to train your dragon (web standard)
notwaldorf
97
6.3k
Bootstrapping a Software Product
garrettdimon
PRO
307
110k
GitHub's CSS Performance
jonrohan
1032
470k
How to Think Like a Performance Engineer
csswizardry
27
2.1k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
367
27k
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!