aiの深層学習による株価予測は信用できるのか 2019.11.21 2019.11.23 【投資信託】人気ファンド騰落率比較してみた【検討】 約18年間大手証券会社で証券営業に携わってきた元証券マンです。これまで培ってきた私の知識・経験を活かし、株式投資の真理では「投資の質を少し上げる」ためのアドバイスを、読者の皆様にお伝えできればと思います。 FP1級、AFP、アナリスト資格複数, AIスクリーニングとは、AI(人工知能)が有望株を自動抽出する銘柄解析ツールです。, コロナ禍や夏枯れといった先行きが予測しづらい相場でも、AI(人工知能)が高精度なスクリーニング機能を発揮。, 最新実績や抽出銘柄を元証券マンの管理人が分析しながら、AIスクリーニングの評判、特徴、性能を検証していきます。, 9月2日更新のAIスクリーニングの最新実績※です。 ※AIスクリーニングのメールマガジンより引用, AIスクリーニングは連日株価上昇を続けて話題になっているチェンジ(3962)も抽出、利用者の期待を裏切らない銘柄解析を実現しています。, 業種も固執している訳ではなく、各個別銘柄の成長性、話題性、割安性を解析しながらの抽出に成功していることが伺えます。, さらに一度に多数の上昇期待銘柄が抽出されるので、複数銘柄を乗り換えながら短・中期トレードで利幅を伸ばせるのは魅力的です。, 先週は6387サムコを約50％で利確できました。AIスクリーニングは30％～80％上昇したところの利確率が異常に高いです。さらに週単位のスイングトレードなので複利効果も相まって月利でいうと200％～400％回収できるので相当優秀なAIソフトです。, AIスクリーニングはバイオベンチャー関連銘柄のテラ(2191)※を抽出。 ※東大医科研発のベンチャー企業, 同銘柄は新型コロナウィルスのワクチン開発着手により急騰、6月9日には上昇率2075%のダブルバガーを達成しました。, タイプA、既に3回リピートしてますが、いまだにマイナスで終わったことは一度もないです。3月から使い始めて既に900万円以上儲かってます。テラのテンバガーもすごかったですけど、それ以降も2倍、3倍超える銘柄がどんどん出てきてます。, 過去、未来の業績やテーマなどを数値化して解析するので、テラのような大化け株に期待できるのも最新鋭AIの強みでしょう。, では、AIスクリーニングにはどのような解析技術が組み込まれているのか、過去の事例から検証してみました。, Jストリーム(4308)※をAIスクリーニングが抽出したのは4月6日。 ※ネットによる動画ライブ中継やオンデマンド放送の配信インフラ提供。映像制作等も手掛ける, AIスクリーニングの抽出後もJストリームは上昇トレンドを継続、8月6日には上昇率174.5を記録しました。, ロコンド、Ｊストリームと利確して利益が着々と増えてきた。資産運用はこつこつとかって聞いたけどやっぱり投資家ならどこかで勝負する必要はあると自分は思う。そのタイミングは人それぞれだろうけど自分はAIスクリーニングがそのスイッチを押してくれた感じかな。, では、なぜAIスクリーニングがJストリームを選定できたのか、チャートから理由を探すと日足・週足で絶好の買いサインが出ていました。 日足：上昇トレンドラインを形成, 3月13日の底値から安値を結んでトレンドラインを引くと、チャートは上昇トレンドを形成。, トレンドラインは相場の方向性を知るだけでなく、安値近辺で買われると反発するので、株価下げ止まりを示唆する役割も担っています。, ゴールデンクロスとは、短期移動平均線が中・長期の移動平均線を下から上に突き抜けるチャートパターンで、上昇傾向を表す買いシグナルです。, 赤三兵は大きな上昇相場の前兆を示唆するので、見つけ次第抑えておきたい買いサインです。, 陽線3本目でAIスクリーニングは抽出したため、Jストリームは絶好の買いタイミングでした。, ちなみに赤三兵は買いを示唆するが25日MAをゴールだけでなく相場の方向性も表します。, 安値圏で出来上がると強い相場に転換することを意味するので、順張りにはもってこいです。, 実際にJストリームのチャートは立派な上昇トレンドを形成、現在(8月6日)もトレンドを継続しています。, 今回の事例から最新鋭AIは株価、業績だけでなく、チャートパターンも記憶しながら解析するので、抽出要素に加味されていることが推測できます。, 投資経験が肝となるスクリーニング条件の入力や設定は一切必要なく、最新鋭のAI技術で国内の全上場企業の中から「上昇期待銘柄」を自動でリストアップします。, 下記、2019年の大発会に「TypeA※」で抽出された銘柄の一部です。 ※AIスクリーニングのプラン名です, バックテストの結果ではあるものの、業種問わずに上昇期待銘柄を抽出した結果に変わりありません。, ちなみに上記5銘柄は、株探の年末特別企画「2019年値上がり率ランキング ベスト50」にランクインした銘柄のため、昨年の日本株上昇銘柄のトップです。, 全上場会社の過去から最新の株価データや業績・幾万通りもある売買ルール・チャートパターンなど、データの情報量は膨大です。, 人間の分析力をはるかに凌駕する「量」と「速度」の解析は、迅速に注目銘柄を抽出するポイントとなります。, システムトレード※もAIを駆使した株ツールの一つですが、合同会社ロイヤルトラストが提供するAIスクリーニングはシステムトレードではありません。 ※過去の取引データや相場状況を機械的に分析し、自動売買を行うプログラム, ・売買ルール設定には知識、経験、投資能力が必須 ・取引銘柄は自身の売買ルールに基づいて抽出 ・不安定相場は弱点。株価の乱高下で、不適切な損切りの可能性有り [画像], システムトレードは自身で売買ルールを設定、感情に左右されない投資を実現できる株ツールです。, ・銘柄選定に投資家の知識、経験、投資能力は不要 ・上昇期待の高い銘柄を瞬時に絞り込める ・銘柄売買は自分の意思で決められる ・株価が乱高下する相場でも、抽出銘柄は上昇 [画像], AIスクリーニングは、銘柄・相場・売買等の膨大なデータを自動分析、銘柄を抽出する株ツールです。, AIの活用でいち早く相場の変化に対応、素早い判断で効率的な売買を行い、利益を上げる機関投資家。, 勝ち続ける事ができるのは潤沢な資金も理由の一つですが、AIの存在は見過ごせません。, そして、合同会社ロイヤルトラストのAIスクリーニングを筆頭に、いまやAIは個人投資家にとっても身近なツールです。, プロと同等の株式投資を実現したい方は、AIスクリーニング利用検討してみるのもいいと思います。, 売買判断は自由なので、短期投資家から長期投資家まで、自身の投資スタイルに合わせて活用できるのも魅力と言えます。, 直近のファンダメンタルやテクニカル分析を度外視し、誰も気付いていない企業の潜在力を見据えた分析は見事です。, 銘柄選びに悩んでしまう投資家は、AIスクリーニングに目を向けてみるのも一つの手でしょう。, また、現在の不安定相場であれば、AIスクリーニングの抽出銘柄で大幅なキャピタルゲインを狙える可能性もあります。, AIスクリーニングは7日間の無料版も用意しているようなので、ポテンシャルの高い銘柄を受け取ってみたい方は、公式サイトで確認してみて下さい。, 分析する銘柄は騰落率+231.4%※を記録したPSS(7707)。 ※5月11日時点の株価, 新型コロナによる不安定相場の影響を受けずに上昇トレンドを形成、株価は約1ヶ月半上昇し続けました。, 売買が拮抗している底値圏にあったPSSをAIスクリーニングは抽出したのがチャートからコロナで不安定だった相場の影響を受けず分かります。, 当時PSSの出来高は100万株を下回り、抽出日(3月23日)に至っては3月の出来高最小日。, 2月中旬～3月中旬はPCR検査装置の実現先駆けが話題になり、出来高300万株以上だったので、過熱感が冷めたタイミングでした。, 3月中旬段階で見切った投資家が多い中、PSSがAIスクリーニングに抽出された要因は何だったのでしょう。 AIスクリーニングの銘柄抽出力, 以前の検証で、AIスクリーニングは数値化できる情報を抽出材料にすると紹介しました。, 赤字のピークだった16年6月期以降、赤字幅が縮小。19年6月期には黒字転換となりました。, ただ、AIスクリーニングがPSSを抽出したという事実から、開発活動が必須であるバイオベンチャー事業という点を数値化し、抽出材料にしていると考えられます。, PSSがピックアップされたことで、AIスクリーニングは機関投資家の動向をデータ化する機能を備えているようです。, 機関のモルガン・スタンレーが買い増しを発表した3月23日に、AIスクリーニングはPSSを抽出。, 業績、業種、機関投資家、相場などの様々な要素を、最新鋭のAIが即解析することで、高い上昇率に期待できる銘柄抽出が可能なのでしょう。, 利用者の評判を見ると、2020年3月16日9時に日本アビオニクス(6946)※が抽出されたようです。 ※NEC発祥。防衛用表示・音響機器大手で防衛関連4割。赤外線など民需も, AIスクリーニングの抽出から数時間後、日本アビオニクスは株探で取り上げられ話題を集めます。, 日本野球機構と日本プロサッカーリーグが共同設立した「新型コロナウイルス対策連絡会議」の記者会見で、同社のサーモグラフィカメラが使われていたと報じられたためです。, 日本アビオニクスは、1日の出来高が10,000株を下回る日もあるほど、投資家の関心が薄い銘柄でした。, 抽出日の3月16日、日経平均株価と日本アビオニクスの株価は連動していないのが見て取れます。, コロナショックで全面安に近い状況が続く中、AIスクリーニングは上昇トレンドに転換する同銘柄を見極めていました。, では、不安定相場でもいち早く上昇銘柄を抽出できた分析力を、元証券マンが分析していきます。, 18年3月期は不採算案件で営業損益が大幅赤字決算となりましたが、19年3月期に同損益の赤字幅は大幅縮小、20年3月期予想では黒字転換を見据えています。, 好調な情報システム事業の売上や、原価改善及び諸経費削減に努めた結果、利益は大幅改善。, 同社が開発する赤外線サーモグラフィカメラは、人体の皮膚温度をリアルタイムに計測して発熱者をチェックすることができます。, 既に空港などで利用されていましたが、新型コロナ肺炎対策で問い合わせが急増していました。, そして、この肺炎特需は、同社の会社四季報2020年2集の業績予想には加味されていません。, 肺炎特需を盛り込んだのであれば、会社四季報2020年2集の20年3月期予想は変動します。, つまり、AIスクリーニングは目先の情報だけでなく先を見据えた緻密な分析が可能なため、上昇期待の高い銘柄を抽出するのでしょう。, 引き続きAIスクリーニングの検証を続けますが公式サイト では他の抽出銘柄も見れるので、興味のある方は確認してみて下さい。, 教育関連銘柄のチエル(3933)※が選ばれていました。 ※学校教育向けICT事業が柱。授業支援システム、情報セキュリティほか、進路支援サービスも。, 当時のチエルは出来高10,000株に満たない日もざらで、投資家が注目する銘柄ではありません。, しかし、AIスクリーニングが抽出した2019年の間で、チエルは上昇率409%を記録しました。, バックテストの結果であるものの、AIスクリーニングは動意づくことを分析していたのでしょう。, 上昇率409%の伸び率は2019年の株価上昇率ランキング10位※の実績。 ※情報元：IR BANK, 3,705社もの上場企業の中から上昇期待の高い銘柄を告知できるのは、AIスクリーニングのデータ分析が優れているためです。, 当時のチエル(3933)の業績は乏しく、2018年11月12日の19年3月期第2四半期発表で、連結最終損益を1.9億円の黒字から0.33億円の赤字に下方修正※しました。 ※海外講義支援システム販売低調が原因, しかし、1年後の20年3月期第2四半期決算発表(2019年11月14日)で、投資家の評価は一変します。, 連結経常損益1.52億円の黒字浮上(前年同期1.2億の赤字)により、チエルの株価はマドを開けて急騰しました。, サプライズ材料によって投資家の買いは集中、トレンドを形成しながら上昇率409%を記録します。, AIスクリーニングは2019年1月の時点で業績好転を先読みし、チエルの急騰を見据えていました。, 免責事項：本ウェブサイトに掲載する情報及び作成した記事等については、様々な注意を払って掲載しておりますが、その内容の完全性・正確性・有用性・安全性等については、本ウェブサイトが保証するものではありません。また、本ウェブサイトのリンクなどによって他のサイトに移動された場合、その掲載情報の正確性、合法性等を当社が保証するものではありません。万一、リンク先サイトの利用につき問題が生じた場合、その責任はリンク先サイトが負っていますので利用者ご自身の責任において行っていただきますようお願いいたします。, ※ネットによる動画ライブ中継やオンデマンド放送の配信インフラ提供。映像制作等も手掛ける, ※学校教育向けICT事業が柱。授業支援システム、情報セキュリティほか、進路支援サービスも。. 『株式自動売買プログラムを実践に投入すると精度が急落する謎現象の原因究明に奮闘していた話。』を先に読んでください。, 株をやっている人ならこのチャートの形に見覚えがあると思う。途中、株価が大暴落している。…これが2020年2・3月に起こった新型コロナウイルスによる日経平均株価の大暴落である。, 予測値のグラフは、今日までの日経平均株価のデータで明日の終値を予測し、明日までのデータで明後日の終値を予測し、明後日までのデータで明々後日の終値を予測し、…この過程を繰り返して、それぞれの予測値を線でつないでいる。黒色の線は、実際の日経平均株価の終値のデータ。, 株式自動売買プログラム開発関連の文章は、以下のカテゴリーにまとめているので、興味のある方はどうぞ。, この文章を読む前に『株式自動売買とディープラーニング（ニューラルネットワーク）の話。』を読んで頂けると嬉しいです。, 今回使ったニューラルネットワークは、Long Short-Term Memory、通常、LSTMと呼ばれるもの。LSTMのハイパーパラメータ（入力データ長、隠れ層のパーセプトロン数とか）は、論文を参考にして決めたので、興味のある方は、『論文版はてなブックマーク（その10：ディープラーニング×株価予測）の話。』もどうぞ。, 俗にディープラーニングだなんて呼ばれているニューラルネットワークには、色々な種類がある。LSTMは、その中の内の1つ。, 「ディープラーニングを使って、株価を予想したい！」と思い立って、LSTMを選ぶのは、多分、一番よくある選択肢なんじゃないかって思う。, Long Short-Term Memory (LSTM)は、株価チャートのような時系列データの予測、Google翻訳をはじめとする自然言語処理（時系列ではないが単語間に一定の関係性がある）などに使われている。, 株価がずっと安定的に上昇していれば、みんなは安心して株を買い、今回のコロナによる大暴落のように株価が急に下落すれば、みんなは新たに株を買うことを恐れ、株価が小刻みに上がったり、下がったり（もみ合い）していれば、みんなはしばらく株価が今後、上昇トレンドに乗るか、下降トレンドに乗るか注視するだろう。, といった具合に未来の意思決定は、過去から現在までのデータによって行われ、投資家の意思決定の集まりである未来の株価も過去から現在までの株価データの影響を受ける。, そうなると、ニューラルネットワークでそれぞれの時刻における株価データを独立して処理するのではなく、「昨日の株価データから得られた出力」を「今日の株価データ」と合わせて、ニューラルネットワークに入力し、明日の株価を予測した方が良さそうである。, k日目の出力とk+1日目の株価データを入力し、k+1日目の出力を得て、k+1日目の出力とk+1日目の株価データを入力し、k+2日目の出力を得て…を繰り返すのが再帰的ニューラルネットワーク（RNN）。過去の出力と現在の株価の両方を使って、未来を予測する。, そんなこんなで登場した再帰的ニューラルネットワーク（RNN）。実は、RNNには色々と問題があった。, 損失関数は、ニューラルネットワークの出力と正解データがどれだけ間違っているかを表した関数。, 「ニューラルネットワークを学習させる」とは「損失関数の値を小さくする」ということ。, 二次関数の最小値を与えるxを求める問題は、中学校ぐらいでやったことがあると思う。平方完成すれば、最小値が求まる。もしくは二次関数を微分して、0になるときのxの値が最小値（最大値の時もある）を与えるxであった。, しかし損失関数の場合、平方完成のようなものでは求めることができない。この場合、平方完成ではなく、最急降下法を使う。損失関数は、ニューラルネットワークが持っている大量の重み（パラメータ）の関数。最急降下法を使ったニューラルネットワークの学習は、現在の重み（パラメータ）地点の損失関数の勾配を偏微分によって求め、その勾配に従って、重み（パラメータ）をちょっとだけ更新するという作業を繰り返すことによって行われる。ちなみに「ちょっとだけ」具合を「学習率」と呼ぶ。, ニューラルネットワークは、パーセプトロンの層がたくさん重なったもの。k番目の層の出力がk+1番目の層の入力になり、k+1番目の層の出力がk+2番目の出力になる。k番目の出力がk+1番目の関数の引数となり、k+1番目の出力がk+2番目の関数の引数になり…ニューラルネットワークは、各層に対応する関数が入れ子になった複雑な合成関数であると見なせる。, 合成関数のk番目の層に対応する重み（パラメータ）に関する勾配は、偏微分の「連鎖律」を使うことによって求めることができる。連鎖律は、理系であれば、大学1年生の頃くらいに習うと思う。簡単に言うと、k番目の層に対応する重み（パラメータ）に関する勾配は、出力層からどんどんと偏微分の値を掛け合わせたものとなっている（誤差逆伝播）。, 出力層からk番目の層の間が短ければあんまり問題がないが、時系列データを取り扱うRNNのように層の数が多くなると、損失関数の勾配消失・爆発問題が生じてくる。出力層から偏微分を掛け合わしていくとき（損失逆伝播）にどこかの層で偏微分の値が0に限りなく近くなれば、それより前の層の勾配が0に近くなり（勾配消失）、学習が進まなくなる。一方で、出力層から偏微分を掛け合わしていくとき（誤差逆伝播）にそれぞれの層で偏微分の値が大きくなれば、それより前の層の勾配が大きくなり（勾配爆発）、学習が進まなくなる（重み（パラメータ）の更新量が大きすぎると、最小値の谷を下ったり、登ったりして、いつまで経っても最小値に落ち着かない）。, 株価が上昇トレンドに乗っていることをニューラルネットワークが検知するためには、少なくともトレンドの始まりから終わりまでのデータを覚えておかなければならない。1日目に株価が上昇して、2日目に株価が上昇して、…n日目に株価が上昇していることを覚えているからこそ、上昇トレンドを検知することができる。, RNNは、1日目の株価データから得られた出力と2日目の株価データから2日目の出力を得て、2日目の出力と3日目の株価データから3日目の出力を得て…を繰り返している。この繰り返しの数が多くなればなるほど、1日目の株価データがn日目の出力に及ぼす影響がどんどん小さくなってしまう。, これは、時系列データの他に自然言語処理なんかでも問題になっている。文章が長くなればなるほど、最初の方の単語が最終的な出力に及ぼす影響が小さくなる。”He is … .”から始まる長い文章を入力すると、ネットワークの層が深くなり、性別という重要な情報を持つHeのことが忘れ去られてしまうのである。自然言語処理の場合は、LSTM以外の他に、注意機構（Attention）でもこの問題を解決している。注意機構（Attention）は、最後の層からの出力だけではなく、全ての層の出力データも加味して、最終的な出力を出すというもの。, 株価が小刻みに上昇・下落トレンドを繰り返していたとする。このデータをRNNに加えると、上昇トレンドの特徴を捉えようと重み（パラメータ）が更新され、その後、下落トレンドの特徴を捉えようと重み（パラメータ）が更新され、その後、上昇トレンドを捉えようと重み（パラメータ）が更新され…が繰り返される。, 折角、上昇トレンドにちょっとだけ順応していた重み（パラメータ）が下落トレンドにとっとだけ順応するように更新され、更新された重み（パラメータ）がまた上昇トレンドにちょっとだけ順応するように更新される…これが繰り返されて、結局どちらにもしっかりと順応せず、学習が進まなくなるのが重み衝突。, LSTMの構造は少し複雑。情報の流れが一通りではなく、途中で分岐したりしており、複数の経路から偏微分の値が逆伝播してくるため、勾配が消失しにくい。, LSTMには、RNNのように一つ前の情報を加味する機構に加えて、長期的に情報を保持していく機構（cell 状態）が備わっている。, LSTMには、sigmoid関数でできた「入力ゲート」、「出力ゲート」が備わっており、上昇トレンドを学習するときには、上昇トレンドに順応するための重み（パラメータ）に影響を及ぼす経路のみに情報を伝播させ、下降トレンドに順応するための重み（パラメータ）に影響を及ぼす経路への情報の伝播を遮断する。, （ちなみにLSTMには、「忘却ゲート」という長期的な情報をリセットするゲートも存在する）, 上の記事のソースコードと僕のソースコードの主な違いは、「正規化の方法」と「ハイパーパラメータ（入力データ長、隠れ層のパーセプトロン数とか）」。, あと、上の記事では、隠れ層の0番目のデータを全結合層に入力していたが、僕は、n-1番目のデータを全結合層に入力した。（多分、隠れ層の0番目のデータって、LSTMの最終出力ではなく、最初のcellの出力なのでは？）, ハイパーパラメータ（入力データ長、隠れ層のパーセプトロン数とか）」は、先ほど言った通り、主に論文を参考にして決めた。, ニューラルネットワークの構造は、普通のLSTM（stacked、bidirectionalとかではない）に全結合層をくっつけた単純なもの。さっさと株価予測をやってみたかったので、論文に出てくるニューラルネットワークように複雑ではない。, 997営業日分の日経平均株価のデータ（始値、高値、低値、終値、出来高）を使った。古い順から数えて、700営業日分のデータを訓練データに、残りの297営業日分のデータを検証・テストデータにした。検証データを元にニューラルネットワークの重み（パラメータ）は更新していないので、そのままテストデータに流用した。, 入力は、k日目～k+w日目の始値、高値、低値、終値、出来高で、出力は、k+w日からn日後の終値の予測値。, 入力データの1営業日後、5営業日後（約1週間後）、20営業日後（約1か月後）、60営業日後（約3か月後）、120営業日後（約6か月後）の日経平均株価の終値を予測し、結果をグラフにプロットした。（n営業日後の場合、k日~k+w日の入力データからk+w+n日の株価の終値を予測し、k+1日~k+w+1日の入力データからk+w+n+1日の株価の終値を予測し…といった感じ）, 120営業日後の損失関数の値は、他のどの値よりも大きくなるべきな気がしているが、なぜか一番小さい。120営業日の場合、他の条件よりも訓練データ数が少ないから？（w+120日分の株価データがあって、w日間の株価データを入力する場合、1営業日後の株価を予測するのであれば、120個のデータを用意することができるが、120営業日後の株価を予測するのであれば、1個のデータしか用意することができない）, 5営業日後ぐらいまでは、ある程度、細かい株価の変動を予測できている。20営業日後くらいになってくると誤差が目立ってくるが、おおよその株価変動のトレンドは捉えられている。60営業日後以降になると、特に2020年2・3月の新型コロナウイルスによる株価大暴落後の株価予測の精度が著しく落ちる。, ビックリしたのが120営業日前の株価データから120営業日後に起こる株価の大暴落を予言していたということ。2020年2・3月の株価大暴落の120営業日前は、2019年の9・10月くらい。2019年の9・10月くらいに株価が大暴落するという予測がされていたということはひょっとするのこの大暴落の真の原因は、新型コロナウイルスではないのかもしれない。, n営業日後の株価の予測値の誤差の絶対値の平均をとったものと、k営業日目の株価（真値）とk+n営業日目の株価（真値）の変化率の絶対値の平均をとったものをグラフにプロットしてみた。, 予測値平均絶対誤差は、株価平均絶対変化率よりも小さいということが分かる。つまり、LSTMによる株価予測の誤差は、日々の株価変動の変化率よりも小さい。例えば、入力データから10営業日後の株価を予測すると誤差が平均2%ぐらい生じる。一方で、株価は10営業日で平均4%ぐらい変動する。株価が10営業日後に4%上昇したとすると、LSTMは、株価が10営業日後に2%~6%上昇すると予測する。LSTMによる株価が上昇するという予測のもと、株を買うと、予測の誤差が株価の変化率よりも小さいので、利益が出る。, しかし、120営業日後の予測になると、株価の平均変絶対化率よりも予測の平均絶対茣蓙の方が大きくなるので、利益を出すのは難しい。, （株価平均絶対変化率が60日後に段々、小さくなっている。例えば、株価が3か月の間、上昇して、その後、3か月の間、下落すると現在の株価と6か月後の株価の変化率は小さくなる）, ディープラーニング（ニューラルネットワーク）を株式自動売買に使ってみたいなと思いながらも、長い間、手を出すことができなかった。何だか、難しそうっていう印象を抱いていたからだ。, ディープラーニング（ニューラルネットワーク）の論文をいくつか読んで、実際にプログラムを書いてみたら、案外、簡単に株価予測ができるようになった。, 今後、株式売買にディープラーニング（ニューラルネットワーク）をはじめとするAIがどんどん参入していくと思う。人が株式を売買することは、少なくなるのではないだろうか。, この文章を読んで、ディープラーニング（ニューラルネットワーク）を使った株価予測に興味を持った人は、勉強を始めてみては？…思っているほど、難しくはないと思う。先ほど紹介した『株式自動売買とディープラーニング（ニューラルネットワーク）の話。』という文章に僕がどうやってディープラーニング（ニューラルネットワーク）の知識を身につけたか書いたので、よければどうぞ。, ディープラーニング（ニューラルネットワーク）の分野では「そんなことが機械にできるわけがない！」って言われてきたとこがどんどんとできるようになっている。「コンピュータで株価予測なんてできるわけがない！長年の経験と勘が大事！」って言い張って、ディープラーニング（ニューラルネットワーク）から目を背け続けると、気づいたころには周りはAI使いだらけになっているかもしれない。もう一度言うと、ディープラーニング（ニューラルネットワーク）はできないって言われていたことがどんどんとできるようになっている分野である。, ハイパーパラメータ（入力データ長、隠れ層のパーセプトロン数とか）の決め方は、論文を参考にしたが、ネットワーク構造は、まだ単純なままである。, 論文では、LSTMをアンサンブル化したり、畳み込み層やAttention層をLSTMに組み込んだり、遺伝的アルゴリズムで最適なハイパーパラメータを探索したり、LSTMではなく、畳み込みニューラルネットワーク（CNN）を使って、株価を予測したりしていた。, この文章を読んで、面白い！役に立った！...と思った分だけ、投げ銭していただけると嬉しいです。もちろん任意です。, 目次。 目次。 はじめに。 An ensemble of LSTM neural network…, 目次。 目次。 はじめに。 Classification with Quantum Neural…, 目次。 目次。 はじめに。 Diffusion-Convolutional Neural Net…, """株価データのcsvファイルをpandas.core.frame.DataFrame形式でloadする関数。, pandas.core.frame.DataFrame: 株価データ。「列名：日付,始値,高値,低値,終値,出来高,取引総額」、「行名：日付」の表。, 'epoch: {i+1:3} loss: {total_loss:10.8f}', 【株式自動売買×ディープラーニング】LSTMで日経平均株価予測を行うプログラムを書いてみた話。, 再帰的ニューラルネットワーク (RNN)の改良版：Long Short-Term Memory (LSTM)って？, 再帰的ニューラルネットワーク（RNN）からLong Short-Term Memory (LSTM)へ。, 入力データ長が長くなるほど（RNNの層が深くなるほど）、最初のデータを忘れてしまう。, 株式自動売買プログラムを実践に投入すると精度が急落する謎現象の原因究明に奮闘していた話。, 『【株式自動売買×ディープラーニング】LSTMで日経平均株価予測を行うプログラムを書いてみた話。』の再考。.
.
Win 立体型不織布マスク 65枚 9,
ヴェル ヴェント 評判 4,
チャーチ コンサル ブログ 35,
アナザーストーリーズ アイルトン セナ 12,
弓道 かけ 正澄 48,
永瀬廉 カバン 見つかっ た 6,
別居婚 婚姻届 どこ 11,
バンドリ 秒針を噛む 下手 30,
好き避け 嫌われた 知恵袋 5,
Ff14 キャラメイク 男の娘 4,
大手 子会社 難易度 57,
岩下尚史 青梅 邸 45,
バイト 忘れてた 謝り方 10,
トヨタ自動車 社宅 永覚 4,
スティーブ ウォズニアック 資産 5,
モンハンワールド 弓 立ち回り 6,
Javascript ボタン 文字 表示 5,
任天堂 社長 変わった 42,
Pubgモバイル いいね チキン 18,
見取り図 リリー 家 10,
香川照之 妻 画像 46,
新潟県 出身 横綱 4,
トルネコ3 ダウンロード 版 7,
山本 學 医師 13,
カローラ スポーツ Acc電源 43,
チャム いくら と は 22,
クックルン 歴代 画像 15,