Enviar búsqueda
Cargar
Deep Learningによる株価変動の予想
•
7 recomendaciones
•
10,324 vistas
Junichiro Katsuta
Seguir
社内向けセミナーの内容です。株価変動の予想を、従来の手法 (GARCH) と、新しい手法 (Deep Learning; LSTM) を用いて行い、その比較した結果を発表しました。
Leer menos
Leer más
Datos y análisis
Denunciar
Compartir
Denunciar
Compartir
1 de 42
Descargar ahora
Descargar para leer sin conexión
Recomendados
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
Deep Learning JP
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
Deep Learning JP
SHAP値の考え方を理解する(木構造編)
SHAP値の考え方を理解する(木構造編)
Kazuyuki Wakasugi
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
時系列ビッグデータの特徴自動抽出とリアルタイム将来予測(第9回ステアラボ人工知能セミナー)
時系列ビッグデータの特徴自動抽出とリアルタイム将来予測(第9回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
Recomendados
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
Deep Learning JP
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
Deep Learning JP
SHAP値の考え方を理解する(木構造編)
SHAP値の考え方を理解する(木構造編)
Kazuyuki Wakasugi
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
時系列ビッグデータの特徴自動抽出とリアルタイム将来予測(第9回ステアラボ人工知能セミナー)
時系列ビッグデータの特徴自動抽出とリアルタイム将来予測(第9回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
Deep Learning JP
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
データサイエンティストのつくり方
データサイエンティストのつくり方
Shohei Hido
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
Deep Learning JP
[DL輪読会]Pay Attention to MLPs (gMLP)
[DL輪読会]Pay Attention to MLPs (gMLP)
Deep Learning JP
顕著性マップの推定手法
顕著性マップの推定手法
Takao Yamanaka
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
harmonylab
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
Kenji Urai
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
Deep Learning JP
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
Deep Q-LearningでFXしてみた
Deep Q-LearningでFXしてみた
Junichiro Katsuta
為替のTickdataをDukascopyからダウンロードする
為替のTickdataをDukascopyからダウンロードする
Maho Nakata
Más contenido relacionado
La actualidad más candente
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
Deep Learning JP
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
データサイエンティストのつくり方
データサイエンティストのつくり方
Shohei Hido
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
Deep Learning JP
[DL輪読会]Pay Attention to MLPs (gMLP)
[DL輪読会]Pay Attention to MLPs (gMLP)
Deep Learning JP
顕著性マップの推定手法
顕著性マップの推定手法
Takao Yamanaka
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
harmonylab
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
Kenji Urai
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
Deep Learning JP
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
La actualidad más candente
(20)
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
[DL輪読会]SafePicking: Learning Safe Object Extraction via Object-Level Mapping ...
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
データサイエンティストのつくり方
データサイエンティストのつくり方
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
[DL輪読会]“Spatial Attention Point Network for Deep-learning-based Robust Autono...
[DL輪読会]Pay Attention to MLPs (gMLP)
[DL輪読会]Pay Attention to MLPs (gMLP)
顕著性マップの推定手法
顕著性マップの推定手法
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
深層学習時代の自然言語処理
深層学習時代の自然言語処理
強化学習 DQNからPPOまで
強化学習 DQNからPPOまで
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
時系列分析による異常検知入門
時系列分析による異常検知入門
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
[DL輪読会]Reward Augmented Maximum Likelihood for Neural Structured Prediction
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Destacado
Deep Q-LearningでFXしてみた
Deep Q-LearningでFXしてみた
Junichiro Katsuta
為替のTickdataをDukascopyからダウンロードする
為替のTickdataをDukascopyからダウンロードする
Maho Nakata
為替取引(FX)でのtickdataの加工とMySQLで管理
為替取引(FX)でのtickdataの加工とMySQLで管理
Maho Nakata
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
y-uti
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Naoki Yanai
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
toilet_lunch
Simple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
決定木学習
決定木学習
Mitsuo Shimohata
SVMについて
SVMについて
mknh1122
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Teppei Baba
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
Destacado
(18)
Deep Q-LearningでFXしてみた
Deep Q-LearningでFXしてみた
為替のTickdataをDukascopyからダウンロードする
為替のTickdataをDukascopyからダウンロードする
為替取引(FX)でのtickdataの加工とMySQLで管理
為替取引(FX)でのtickdataの加工とMySQLで管理
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
パターン認識 第10章 決定木
パターン認識 第10章 決定木
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
Simple perceptron by TJO
Simple perceptron by TJO
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
決定木学習
決定木学習
SVMについて
SVMについて
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
一般向けのDeep Learning
一般向けのDeep Learning
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Similar a Deep Learningによる株価変動の予想
NNで広告配信のユーザー最適化をやってみた。@ TFUG #3
NNで広告配信のユーザー最適化をやってみた。@ TFUG #3
Junichiro Katsuta
TensorFlowでニューラルネットを作って、広告配信の最適化をやってみた
TensorFlowでニューラルネットを作って、広告配信の最適化をやってみた
Junichiro Katsuta
20190214 Tobita Tech Yuma Matsuoka AI Tech
20190214 Tobita Tech Yuma Matsuoka AI Tech
YumaMatsuoka
20110421
20110421
Takanobu Mizuta
プロジェクトマネジメント再入門 〜PjMは何であって何でないのか〜
プロジェクトマネジメント再入門 〜PjMは何であって何でないのか〜
Ayako Togaeri
FIX委員会メンバーセミナー(2017/6/21) 人工市場を用いた 金融市場の制度・規制の議論
FIX委員会メンバーセミナー(2017/6/21) 人工市場を用いた 金融市場の制度・規制の議論
Takanobu Mizuta
Akira shibata at developer summit 2016
Akira shibata at developer summit 2016
Akira Shibata
PyData Tokyo Tutorial & Hackathon #1
PyData Tokyo Tutorial & Hackathon #1
Akira Shibata
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Takuya Azumi
金融業界における人工知能と人工市場シミュレーションによる規制やルールの議論
金融業界における人工知能と人工市場シミュレーションによる規制やルールの議論
Takanobu Mizuta
20130426 研究遂行abc all
20130426 研究遂行abc all
Hiroaki Yoshimoto
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
Masahito Ohue
SciREX「ナショナルイノベーションシステムに係る定量データとその分析手法」WSシリーズ第4回サイエンスリンケージデータベースの使い方
SciREX「ナショナルイノベーションシステムに係る定量データとその分析手法」WSシリーズ第4回サイエンスリンケージデータベースの使い方
Yasushi Hara
NIPS2015概要資料
NIPS2015概要資料
Shohei Hido
20150414seminar
20150414seminar
nlab_utokyo
Kansai MotionControl Networkキックオフ
Kansai MotionControl Networkキックオフ
Tomohiro Takata
Askul internal study-session
Askul internal study-session
ShimpeiIwamaru
機械学習を用いた東西日本の境界線決定
機械学習を用いた東西日本の境界線決定
Yusuke Miyano
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Kuniyuki Takahashi
20180803
20180803
Takanobu Mizuta
Similar a Deep Learningによる株価変動の予想
(20)
NNで広告配信のユーザー最適化をやってみた。@ TFUG #3
NNで広告配信のユーザー最適化をやってみた。@ TFUG #3
TensorFlowでニューラルネットを作って、広告配信の最適化をやってみた
TensorFlowでニューラルネットを作って、広告配信の最適化をやってみた
20190214 Tobita Tech Yuma Matsuoka AI Tech
20190214 Tobita Tech Yuma Matsuoka AI Tech
20110421
20110421
プロジェクトマネジメント再入門 〜PjMは何であって何でないのか〜
プロジェクトマネジメント再入門 〜PjMは何であって何でないのか〜
FIX委員会メンバーセミナー(2017/6/21) 人工市場を用いた 金融市場の制度・規制の議論
FIX委員会メンバーセミナー(2017/6/21) 人工市場を用いた 金融市場の制度・規制の議論
Akira shibata at developer summit 2016
Akira shibata at developer summit 2016
PyData Tokyo Tutorial & Hackathon #1
PyData Tokyo Tutorial & Hackathon #1
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
金融業界における人工知能と人工市場シミュレーションによる規制やルールの議論
金融業界における人工知能と人工市場シミュレーションによる規制やルールの議論
20130426 研究遂行abc all
20130426 研究遂行abc all
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
SciREX「ナショナルイノベーションシステムに係る定量データとその分析手法」WSシリーズ第4回サイエンスリンケージデータベースの使い方
SciREX「ナショナルイノベーションシステムに係る定量データとその分析手法」WSシリーズ第4回サイエンスリンケージデータベースの使い方
NIPS2015概要資料
NIPS2015概要資料
20150414seminar
20150414seminar
Kansai MotionControl Networkキックオフ
Kansai MotionControl Networkキックオフ
Askul internal study-session
Askul internal study-session
機械学習を用いた東西日本の境界線決定
機械学習を用いた東西日本の境界線決定
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
20180803
20180803
Deep Learningによる株価変動の予想
1.
GMOインターネット 次世代システム研究室 勝田 隼一郎 Deep Learningによる 株価変動の予想
2.
2 http://recruit.gmo.jp/engineer/jisedai/blog/deep-learning/ このスライド内容を、簡略にまとめたブログが以下 にあります。参考にしてください。
3.
3 自己紹介 2006: ボートを漕ぎすぎて留年 2011: 東京大学大学院理学系 研究科物理学
修了(博士) 2011-16: Stanford大学と広島大学で ポスドク(日本学術振興会; 高エネルギー宇宙物理学) 2016.4: GMOインターネット 次世代システム研究室 データサイエンティスト兼アーキテクト 超新星残骸 勝田 隼一郎
4.
4 本研究の目的 金融商品の予測を行うことは非常に重要な課題 新しい手法の台頭! Deep Learning GARCH 従来の手法 vs 時系列解析
5.
5 Outline 株価データの時系列解析 GARCHを使って株価予想 GARCHって? Rを使ってやってみた 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
6.
6 Data
7.
7 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
8.
8 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。。
9.
9 Volatility of S&P500 Volatility S&P500の 実データ 時間軸 終値 高値 安値
10.
10 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
11.
11 過去とのつながり S&P500 Volatility 時系列解析できそう!
12.
12 GARCH
13.
13 GARCH Generlized AutoreRegressive Conditional Heteroscedasticity
model ロバート・エングル(2003年ノーベル経済 学賞受賞)が提唱したモデルの拡張版 Volatilityが時間 によって異なる値を とることをモデル化
14.
14 GARCH 宇宙は数学という言葉 ガリレオ・ガリレイ で書かれている。
15.
15 GARCH(1, 1) 予測したい Volatility 前日の Volatility 前日の誤差 学習で決める値 = 学習する場所 ~
脳 @ひと 観測データ = 過去のデータ ~ 外部の刺激 フリーパラメーター
16.
16 Demo
17.
17 結果(1) ω = 2.65
x 1e-5 α = 0.263 β = 0.682
18.
18 結果(2) 実データ GARCH MAPE (Mean Absolute
Percentage Error) = 33.0% (あまり合っていない) 式から予想される通り、直前のデータに引っ張 られる傾向が見える。
19.
19 パラメータを増やしてみる 実データ GARCH MAPE = 34.3% GARCH (2,
2) t-2まで考慮 ほぼ変化なし むしろ若干悪化 2 22 2
20.
20 ARMA MAPE = 30.1% 改善は見られた。 Volatilityデータを直接使用
21.
21 MAPE = 33.0% 悪くはない。が、volatilityの急激な上下に (原理的に)ついていけていない。 GARCH ARMA 30.1% 従来の手法のまとめ
22.
22 Deep Learning
23.
input data output data モデル f(x) 23 Deep Learning Deep! 複雑な表現 層が が可能 input output
24.
24 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 xt yt yt-1 xt yty1 y2 x1 x2 横に展開
25.
25 LSTM (Long Short
Term Memory) 今回の解析で使用 LSTM block RNN LSTM input output xt yt yt-1 yt-1
26.
26 LSTM vs GARCH 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!
27.
27 LSTM vs GARCH 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 (本研究の目的のひとつ)
28.
28 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
29.
29 Demo
30.
30 結果 MAPE = 29.3% GARCHより良い。振る舞いは似ている?
31.
31 Model構造を変えてみる LSTM IN OUT LSTM IN OUT LSTM MAPE = 29.4% MAPE
= 29.3%
32.
32 LSTM IN OUT MAPE = 27.0% LSTM IN OUT MAPE
= 29.3% linear func
33.
33 Loss function MAPE MSE MAPE =
29.3% MAPE = 44.3%
34.
34 学習回数 学べば学ぶほど 良い! 、、わけではない。 25.0%
35.
35 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
36.
36 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 うな情報も使えば、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
37.
37 Topic: computer, credit
card, invest, bankruptcy MAPE = 23.7% 改善した!
38.
38 Summary
39.
39 結果の比較 LSTMの勝ち! しかも伸びしろはまだある GARCH ARMA LSTM (Default) LSTM (modified) LSTM (add.
info) 33.0% 30.1% 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
40.
40 参考文献 勝った!
41.
41 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 入力期間の長さ (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
42.
42 ご清聴ありがとうございました!
Descargar ahora