Slide 1
Slide 1 text
GMOインターネット
次世代システム研究室
Slide 2
Slide 2 text
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
Slide 3
Slide 3 text
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
Slide 4
Slide 4 text
4
時系列解析
Slide 5
Slide 5 text
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
Slide 6
Slide 6 text
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。。
Slide 7
Slide 7 text
7
Volatility of S&P500
Volatility
S&P500の
実データ
時間軸
終値
高値
安値
Slide 8
Slide 8 text
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
Slide 9
Slide 9 text
9
Slide 10
Slide 10 text
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
Slide 11
Slide 11 text
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
Slide 12
Slide 12 text
12
Deep Learning
Deep!
複雑な表現
層が
input
data
output
data
モデル
f(x)
が可能
Slide 13
Slide 13 text
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
Slide 14
Slide 14 text
14
LSTM (Long Short Term Memory)
今回の解析で使用
Slide 15
Slide 15 text
15
LSTM Block
Slide 16
Slide 16 text
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！
Slide 17
Slide 17 text
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
Slide 18
Slide 18 text
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
Slide 19
Slide 19 text
19
Demo
Slide 20
Slide 20 text
20
結果
MAPE (Mean Absolute Percentage Error)
= 29.3%
Slide 21
Slide 21 text
21
Model構造を変えてみる
LSTM
IN
OUT
LSTM
IN
OUT
LSTM
MAPE = 29.4%
MAPE = 29.3%
Slide 22
Slide 22 text
22
LSTM
IN
OUT
MAPE = 27.0%
LSTM
IN
OUT
MAPE = 29.3%
linear function
Slide 23
Slide 23 text
23
Loss function
MAPE
MSE
MAPE = 29.3%
MAPE = 44.3%
Slide 24
Slide 24 text
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?
Slide 25
Slide 25 text
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
Slide 26
Slide 26 text
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
Slide 27
Slide 27 text
27
Topic: computer, credit card, invest,
bankruptcy
MAPE = 23.7%
改善した！
Slide 28
Slide 28 text
28
Slide 29
Slide 29 text
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
Slide 30
Slide 30 text
30
参考文献
勝った！
Slide 31
Slide 31 text
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
Slide 32
Slide 32 text
32
ご清聴ありがとうございました！