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。

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！