FX取引の魅力とは

AIで株価の行方を予測

AIで株価の行方を予測
目論見書より

最新2022予想|日経平均株価今後の見通しは?年末は〇〇円へ?AIで株価の行方を予測

【最新2022予想|日経平均株価 今後の見通しは?】経済の専門家・評論家で、ファイナンシャルプランナーの消費者 経済 総研の松田優幸が、2022年の消費と経済を、様々な切り口で予測。今回は、次の経済予測がテーマ「日経平均株価|2022 最新予想」。最高値・最安値の時期と株価は?年末の株価は?円安で上方修正か? 戦争の影響は?株価は、なぜ上がる? なぜ下がる?上昇・下落の仕組みは、どうやって決まる?株価予想のやり方・方法、PERの計算式は?株に関するテーマもわかりやすく簡単解説【連載シリーズ 2022年 経済予測】【日本で2番目に わかりやすい経済の解説】

-- 消費者 経済 総研 --

経済の専門家評論家の 「 消費者 経済 総研 」の

松田優幸が、わかりやすく解説​​

【連載シリーズ 2022年 経済予測】

【日本で2番目に わかりやすい経済の解説】

■本件の詳細は?

本ページは、「告知ページ」です。

詳細解説は、消費者経済総研サイトに掲出中です。

下記↓URLリンクから、ご覧下さい。

【最新2022予想|日経平均株価 今後の見通しは?】

経済の専門家・評論家で、

ファイナンシャルプランナーの

消費者 経済 総研の 松田 優幸 が、

2022年の消費と経済を、様々な切り口で予測

今回は、下記の経済予測がテーマ

「日経平均株価|2022 最新予想」

最高値・最安値の時期と株価は?

年末の株価は? 円安で上方修正か?AIでAIで株価の行方を予測 株価の行方を予測

戦争の影響は?

株価は、なぜ上がる? なぜ下がる?

上昇・下落の仕組みは、どうやって決まる?

株価予想のやり方・方法、PERの計算式は?

株に関するテーマもわかりやすく簡単解説

■取材・出演の依頼は?

消費・経済テーマの、番組での解説・出演・コメント

執筆・寄稿、講演・セミナー、取材 等々

これらのご依頼も、ご相談・ご連絡下さい。

休日も、消費の現場の取材・被取材などで

動いていますので、土日も対応可能です。


(メディア関係者・企業・法人様への対応ですので

一般個人の方は、ご遠慮下さい。)

-- 消費者 経済 総研 ---

■松田優幸の出演・執筆の 実績は?

出演・執筆・セミナー等の「実績集の一覧」は

下記に、掲載しています。

-- 消費者 経済 総研 ---

■【 消費者 経済 AIで株価の行方を予測 総研 】とは

消費・商業・経済を、調査・分析し、予測します。

また企業・ビジネスの最前線も、解説しています。

さらに、GDP、短観など経済指標や、

財政政策、金融政策も対象です。

経済評論家の松田優幸が、

わかりやすく解説しています。

-- 消費者 経済 総研 --

■解説者 プロフィール

松田優幸|消費者経済総研|チーフコンサルタント

◆25年間の間「個人投資家」としても、活動中

株式の投資家として、

マクロ経済(金利、GDP、物価、貿易、為替)の分析や
ミクロ経済(企業動向、決算、市場)AIで株価の行方を予測 AIで株価の行方を予測 の分析にも注力。

◆近年は、
消費、経済、商業、店舗、ヒット・トレンド等で、

番組出演、執筆・寄稿、セミナー・講演等で活動

◆現 在は、
消費者経済総研 チーフ・コンサルタント
兼、(株)リテール エステート・リテール事業部長

◆資格は、

ファイナンシャル・プランナーほか

-- 消費者 AIで株価の行方を予測 経済 総研 --

■松田優幸・略歴

◆1986年 私立 武蔵高校 卒業

◆1991年 慶応大学 経済学部 卒業

*経済学部4年間で、下記を専攻

・マクロ経済(GDP、失業率、物価、投資、貿易等)
・ミクロ経済(家計、消費者、企業、生産者、市場等)

・労働経済学

*経済学科 高山研究室の2年間 にて、
・貿易経済学・環境経済学を研究

◆慶応大学を卒業後、東急不動産(株)、東急(株)、

(株)リテール エステートで勤務

*1991年:

東急不動産に新卒入社し、

途中、親会社の東急(株)に逆出向
※親会社とは、広義・慣用句での親会社

*2005年:

商業コンサルのリテールエステートに移籍

*東急グループでは、

消費経済の最前線の現場である、店舗・商業施設

等を担当し、企画開発、運営、店舗指導、接客等で、

消費の現場の最前線に立つ

*リテールエステートでは、
全国の消費経済の現場を調査・分析し、

その数は、受託調査+自主調査で多岐にわたる。

商業コンサルとして、店舗企業・約5000社を、

リサーチ・分析したデータベースも構築

■当総研​が提供する情報は、正確性・完全性等の保証はなく、利用・活用は、利活用者の自らの判断・責任であり、損害が生じても当方は一切の責任を負いません。

AI(機械学習)Randam Forestで株価を予想するWinodwsアプリケーションの開発

screen-image.jpg

前回Pythonのscikit-learn Ramdam Forestを使った株価予想を行った。同じ手法で株価予想を行うアプリケーションを、いつも使いのC++Builderで開発して、より手軽に株価予想を行えるようにした。Pythonに比べて高速に株価計算が行えるようになった。開発したアプリケーションは、下記に置いているので、お試しください。
G-Chart ver1.00

  1. WindowsのPCのみで動作します。ダウンロードしたgchart_v100.zipを適当なフォルダに展開。
  2. gchart.exeを起動
  3. データ更新でデータ更新を実行
  4. 株価予想で株価を予想する銘柄を選択し計算実行
  5. 結果出力に選択した銘柄の明日の株価の動きが表示される。計算結果の詳しい解説は後章もしくは、ソフト添付のmanual.pdfに記載する。

C++Builder

C++Builderは、Bolandの時代から使っている。最近のC++BuilderはWindowsだけでなくMac,Android,iOSにも対応したクロスコンパイル機能までついている。今回は、最新のC++Builder10.3 Community Editionを使った。Community Editionは個人で趣味の範囲で利用する分には無償で利用できる。

株価予想のアルゴリズム

株価予想のアルゴリズムは、「AIを使った株価予想をPythonのscikit-learnライブラリRandam Forestで試してみた」で考察したのと同じ手法である。即ち、ターゲットの銘柄と1日遅れで動きが連動している銘柄を抽出し、それらの予想結果から多数決によって、ターゲットの銘柄の株価の動きを予想する。
1. 前日からの株価の動きを1:値下(AIで株価の行方を予測 3%以上) 2:値下(3%未満) 3:値上(3%未満) 4:値上(3%以上)で定義する
2. 全銘柄に対して、ターゲット銘柄の株価と前日の株価の動きを、最近20日分と100日分で集計した決定木を作成する。これを過去100日間分行って、株価の動きに対する的中率を求める。
3. 20日分,100日分それぞれの的中率の高い方から20銘柄をRandam Forestの投票権を持つ銘柄として選定する。これらの銘柄は、ターゲット銘柄から1日遅れで動きの連動率が高い銘柄となる。
4. 間近の株価の値を投入して選定した20銘柄それぞれの決定木でターゲット銘柄の株価を予想し、その多数決によって、ターゲット銘柄の予想値とする。

予想結果画面

予想結果の画面について解説する。
[銘柄]:
株価予想の計算を行ったターゲットの銘柄。括弧内は計算した最終の株価データのに日付。予想はこの次の日の株価予想値となる。
[最近20日分で予想]
最近20日分の株価の動きで決定木を作成した場合の予想値。
1: 値下(3%以上) 2:値下(3%以内) AIで株価の行方を予測 3:値上(3%以内) AIで株価の行方を予測 4:値上(3%以上)
括弧内の的中率は、過去(100日間)での同じ関連銘柄で予想した場合のそれぞれ20日、100日の決定木を使った場合の的中率。
表の銘柄は、個別の銘柄で決定木を作成した場合に、それぞれ過去20日、100日での決定木を使った場合の目標銘柄の予想値と過去(100日間)同じ方法で計算した場合の的中率を示す。20日決定木の的中率の高い20銘柄を選択して、多数決をとって目的銘柄の予想を出している。
[最近100日分での予想]
最近100日分の株価の動きで決定木を作成した場合の予想値
[グラフ]
グラフは、過去250日分の目的銘柄と表の選択された株価の動きを示す。横軸は、右側が新しい。目盛りは10日毎となっている。縦軸は、250日前の株価の値を基準とした株価の変動率を示している。上がプラス(上昇)で下がマイナス(下落)を示す。目盛りは1%毎になっている。緑が目的の銘柄で、青が表の選択された銘柄となる。

出力結果例の考察

上の予想結果の画面イメージ例では、6508 明電舎の2020/05/01の次の日の株価の動き予想している。最近20日分の株価の動きを基にした予想では、3:値上(3%未満)となっている。同じ20日分の条件で過去の予想を行った場合の的中率は65.3%となっている。決して低くはない。この時、予想の多数決の投票権を持つのは1326 SPDRゴールド以下表に示す20銘柄となっている。これらはターゲットの明電舎との関連性は深そうではないが1日遅れの株価の動きに連動性があるとの結果になっている。個別の的中率も67.3~65.3%と高い的中率の銘柄から構成されている。同じく過去100日分を基にした予想では、2:値下(3%未満)の予想となり予想が異なってきた。100日分での過去の的中率は61.2%となっている。ターゲット銘柄とRandamForestの候補となる株価の動きをグラフで確認してみると動きに連動性がある事も確認できる。

統計学×機械学習で株予測「MegazordNet」

MegazordNet: combining statistical and machine learning standpoints for time series forecasting
written by Ilya Tolstikhin, Neil Houlsby, Alexander Kolesnikov, Lucas Beyer, Xiaohua Zhai, Thomas Unterthiner, Jessica Yung, Andreas Steiner, Daniel Keysers, Jakob Uszkoreit, AIで株価の行方を予測 Mario Lucic, Alexey Dosovitskiy
(Submitted on 23 Jun 2021)
Comments: Published on arxiv.
Subjects: Statistical Finance (q-fin.ST); Artificial Intelligence (cs.AI); Computational Engineering, Finance, and Science (cs.CE); Machine Learning (cs.LG)

code:

Huら(2018)の研究では、米国の株式市場の動向をモデル化するために作成された人工ニューラルネットワークの最適なパラメータセットを決定するために、さまざまな最適化手法を評価しました。彼らは、S&P500指数とDJIA指数のデータに加えて、Google Trendsのデータを使用して、TSをモデル化しました。
結果は、金融予測のために、TSの値だけでなく、Google Trendsのような一般市民や投資家のセンチメントに基づく異なる外部ソースを探索することの影響があることを示しました。

前処理と時系列成分の分解

トレーニング・パーティションを取得した後、入力データは TSから欠落したエントリーを取り除く 前処理のステップにかけられます。 続いて、入力をトレンド成分と季節成分に分解します。

このために、10日のウィンドウサイズを採用しています。適用した操作の例を図2に示します。 分解後、トレンド成分と季節成分を別々にモデル化することで、それぞれに最適なモデルを学習し、個別の予測を得ることができます。 さらに、金融市場の非定常性を考慮し、トレンド成分には一次微分を適用しています。トレンドモデルがある時間観測から他の時間観測への変動のみを学習できるようにしています。 最終的なトレンド予測において、MegazordNetは学習されたトレンド変動モデルの結果を前のトレンド観測に加えることになります。

データと実験設定

S&P500データセットは、S&P500指数の5年間の経済取引を示しています。このインデックスは、米国で最も経済的に著名な503社を対象とし、各企業について、約1258の日々の観測値が記録されています。 合計で 606,800 個のサンプルがこのデータセットを構成しています。その中から不完全なサンプルを取り除くと、総数は601,011になります。表1はこのデータセットに含まれる特徴を示したものである。

提案手法と従来手法の比較

表2は本研究でMegazordNetに対して比較したアルゴリズムを、その設定とともにまとめたものです。MegazordNetと比較した手法の両方について、検討したTSに関わらずハイパーパラメータの設定を固定しています。その結果 ほとんどの場合において満足のいく結果が得られることが経験的に判明しました。 表の中で、ARIMAの変種に続くタプルが(p, d, q)AIで株価の行方を予測 という形になっているのは、pは回帰モデルの次数(タイムラグの数)、qは微分の度合い、qは移動平均モデルの次数を表しています。 さらに、αはSESの減衰係数、wはMAとk-NN-TSPで考慮する時間間隔の窓、kはk-NN-TSPで採用する近傍数を表しています。

評価されたMegazordNetの亜種

性能測定に関しては、平均二乗誤差(MSE)、Theil's U(TU)係数、およびヒット率Prediction of Change in AIで株価の行方を予測 Direction(POCID)です。 平均二乗誤差(MSE)、Theil's U(TU)係数については省きます。(原著をご確認ください)

ヒット率Prediction of AIで株価の行方を予測 Change in Direction(POCID)はある手法が株価指数の変化の方向、つまり上昇するか下降するかを正しく予測できた回数を計算しています。 この計算のため式3で示されるPOCID指標を利用しました。

結果と考察

各アルゴリズムの統計的比較

MSEに関する得られた結果について説明します。この分析は図5に示されています。 最も精度の高いアルゴリズムの順位が最も低くなっています。結果のMSEに統計的な差がない(α=0.05)アルゴリズムは、水平なバーでつながれています。MegazordNet のバリエーションが最初の位置を占めています。

しかし、従来のTS予測アルゴリズムでは順位が変わりました。 RWは、MSEでは最高の精度でしたが、今回の分析では最下位です。 この結果は、最後に観測されたタイムステップからのランダムな逸脱を適用するため、予想できます。 一般的に、自己回帰モデルは、最後の日の観測値にある程度の偏差を加えて再現する傾向がありました。この分析では、SESが最も優れた伝統的なアプローチで、次にk-NN-TSPとMAが続きます。

ケーススタディ:APH株

APHで発生した現象をYahoo Financeなどの他のプラットフォームで探してみると、観察された減少は採用されたデータセットでは矛盾しているように見えることがわかりました。したがって、手法を実際に適用することを考えると、より堅牢なデータ抽出手順を採用する必要があります。 また、今回の実験ではオンライン学習の仕組みを採用していないため、MegazordNetは誤った行動に偏っていました。

ペットゴー(7140)【IPO上場企業紹介・初値予想】

ペットゴーのアイキャッチ

目論見書より

目論見書より

2021年3月期において、同事業は全体の売上高の90%を占めています。

目論見書より

19年3月期を除けば、同社の 売上高は微増のトレンド にあります。

目論見書より

AIで株価の行方を予測

瀬之口 潤輔 教授

■先生はどのような研究に取り組んでいるのですか?

私は簡単に言えば、AIで未来を予想するという研究に取り組んでいます。そもそもは証券会社に勤めていた2002年頃に、AIで株価を予想しようと統計モデルをつくったことに始まります。当時はまだAIの技術もコンピュータの性能も今ほど高くなかったので、AIといっても従来の統計モデルに毛が生えたくらいの原始的なものでした。ですから、株価予想の結果も良くなかったです。しかし、年々コンピュータの性能が良くなり、2013年頃にはいわゆるディープラーニングという手法が登場し、第三次AIブームの波が来て、その手法も発達してきました。そういう新しいものを取り入れてからは、株価予想の結果も随分と良くなり、8~9割の的中率を誇っています。
そこで2017年から投資信託を行う会社で、私が開発したAIを取り入れたAIファンドの運用が始まったのです。株価や為替レート、金利、商品価格など100種類ほどの公開データをAIに分析させて株を運用させるというもので、現在も運用成績を伸ばしています。株価予想にAIやビッグデータを使うメリットは、一時期だけの騰落を当てるのではなく、今までと同じような運用成績を継続できるという点です。たくさんのデータをAIに分析させて運用すると、今、当てはまることは何かを抽出して当てはめていくので、常に結果を残してくれます。
とはいえ、同じモデルで成果を上げ続けるのは、3年が限度だろうと考えていました。というのもAIファンドは他にもありますし、成績が良ければ誰かに真似され、みんなが使うようになると良い結果が得られなくなるからです。しかし3年が経過しようとする今も先ほどの私が開発したAIファンドの運用は順調です。というのも私の開発したAIは、それほど世の中で話題になることもなく、真似する人もいないからです。この真似する人がいないという点には実は理由があり、私の研究の主要テーマでもあります。

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる