Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

金融情報における時系列分析

3.132 Aufrufe

Veröffentlicht am

電子情報通信学会・音声研究会での講演資料です.
なぜか音声研究会で金融情報の話でしたw

Veröffentlicht in: Wissenschaft
  • DOWNLOAD THAT BOOKS/FILE INTO AVAILABLE FORMAT - (Unlimited) ......................................................................................................................... ......................................................................................................................... Download FULL PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... accessibility Books Library allowing access to top content, including thousands of title from favorite author, plus the ability to read or download a huge selection of books for your pc or smartphone within minutes Christian, Classics, Comics, Contemporary, Cookbooks, Art, Biography, Business, Chick Lit, Children's, Manga, Memoir, Music, Science, Science Fiction, Self Help, History, Horror, Humor And Comedy, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance,
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • ACCESS that WEBSITE Over for All Ebooks (Unlimited) ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... DOWNLOAD FULL EPUB Ebook here { http://bit.ly/2m77EgH } ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... Download EPUB Ebook here { http://bit.ly/2m77EgH }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • accessibility Books Library allowing access to top content, including thousands of title from favorite author, plus the ability to read or download a huge selection of books for your pc or smartphone within minutes.........ACCESS WEBSITE Over for All Ebooks ..... (Unlimited) ......................................................................................................................... Download FULL PDF EBOOK here { https://urlzs.com/UABbn } .........................................................................................................................
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD THI5 BOOKS INTO AVAILABLE FORMAT (Unlimited) ......................................................................................................................... ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... ACCESS WEBSITE for All Ebooks ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download doc Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD THI5 BOOKS INTO AVAILABLE FORMAT (Unlimited) ......................................................................................................................... ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download Full EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... ACCESS WEBSITE for All Ebooks ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download EPUB Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... Download doc Ebook here { http://bit.ly/2m6jJ5M } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier

金融情報における時系列分析

  1. 1. 金融情報における時系列分析 鳥海不二夫 東京大学大学院工学系研究
  2. 2. 今日のお話 • 金融情報におけるデータ分析 • 板情報を用いたデータマイニング – 板情報を用いた市場変化の分析 • HMMを用いて市場の空気を読む – 混合ガウスモデルを用いた市場注文状況の変化 の検出 • GMMを用いて異常注文を発見する
  3. 3. 金融情報におけるデータ分析 • 目的 – 株価予測 – 市場状態の理解 • 手法 – 時系列マイニング • 株価,板情報 – テキストマイニング • ニュース,日銀月報,ソーシャルメディア
  4. 4. 株価予測 • 人工知能による株価変動予測 – 人工知能:「検索」と「推論」が得意 ↓ ルール発見 膨大なデータから類似性や規則性を発見 http://yaplog.jp/kablog/archive/1358 1997年IBMディープブルー カスパロフに勝利 ディープ・ブルーには過去 100年に指された名人達の 全ての棋譜がインプットされ ており、それを瞬時に取り出 すことが可能になっている。 Wikipedia:ディープブルー
  5. 5. 上昇する銘柄はどれか?
  6. 6. 株式市場の売買データ • 株式の売買で利用可能なデータ – 株価 – 板情報 – 出来高 – ファンダメンタル情報 – その他たくさん • どのようなデータを参照すべきか?
  7. 7. 予測のタイプ • 株価を用いた予測 – テクニカル分析 • 銘柄の経済指標を用いた予測 – ファンダメンタル分析 良い結果は聞かない • 機関投資家 – リスク最小化 – インデックス追従型証券の設計
  8. 8. テキスト分析による株価予測 専門多様 テーマ 書き手 Twitter 3日後のDJを 86.7%の精度で予測 [Bollen10] ニュース・新聞記事 短時間の予測 ランダムより少し良い 日銀月報 国債市場で18.6%~42.9% 運用成績を向上 [和泉10]
  9. 9. 13 テキストマイニングファンド ブログ分析で収益率16% 出典:AERA 2012年2月13日
  10. 10. 14 Wired Vision 2010年 10月 22日
  11. 11. 15 Tweetsからの特徴量抽出 J. Bollen;H. Mao;X.-J. Zeng. http://arxiv.org/abs/1010.3003, 2010 • 2008年2月28日~11月28日の 9,853,498 tweets (約1千万) – ユーザ数 2.7百万 – 3.2万tweets/1日 • 心的状態を明言しているtweetsだけを分析 – “i feel”,”i am feeling”, “i’m feeling”, “i dont feel”, “I’m”, “I am”, “makes me” を含む • Google-Profile of Mood States (GPOMS)指数(日次)を抽出 – 気分プロフィール検査(POMS)@心理学の6尺度がベース • 「友好的な」「不機嫌な」「活発な」「限界ギリギリの」「パニック状態の」 等の72表現の質問紙調査 • 平穏、警戒、確信、活気、善意、幸福 – POMSの72表現に関連する964語の辞書とのマッチ • Google(2006)の4,5-gram共起語(25億語)を使用
  12. 12. 16 気分プロフィール検査 (POMS) 72種類の表現 「友好的な」「不機嫌な」「活 発な」「限界ギリギリの」 「パニック状態の」等
  13. 13. 17 平穏 警戒 確信 活気 善意 幸福 ダウ平均株価(DJIA)との関係性 J. Bollen;H. Mao;X.-J. Zeng. http://arxiv.org/abs/1010.3003, 2010 • GPOMS指数とDJNAとのGranger因果性検定 – 2008年2月28日~11月3日 – 「平穏」が2-5日後のDJNA との因果性があった • Self-organizing Fuzzy Neural Network(SOFNN)による 予測モデル – 訓練: 2008年2月28日~11月28日 テスト: 2008年12月1日~19日 – 方向性の予測: 86.7% – DJIAだけでも73.3% tDJIA 1tDJIA 2tDJIA 3tDJIA 1t平穏 2t平穏 3t平穏
  14. 14. 金融情報におけるデータ分析 • 目的 – 株価予測 – 市場状態の理解 • 手法 – 時系列マイニング • 株価,板情報 – テキストマイニング • ニュース,日銀月報,ソーシャルメディア
  15. 15. 今日のお話 • 金融情報におけるデータ分析 • 板情報を用いたデータマイニング – 板情報を用いた市場変化の分析 • HMMを用いて市場の空気を読む – 混合ガウスモデルを用いた市場注文状況の変化 の検出 • GMMを用いて異常注文を発見する
  16. 16. 市場状態の理解(1) • 予測アルゴリズム – ある期間では精度が高い – 別の期間では精度が低い →相場が変化した • 例: – 2009年:誰が買っても負ける – 2013~2014年:誰が買っても勝てる – 同じアルゴリズムは通用しない
  17. 17. 市場状態の理解(2) • トレーダの分析 – 実際にトレーディングを行っている人物は誰か? • 機関投資家 • 個人投資家 • アルゴリズムトレード – 情報が非公開 予測による市場設計 • 不正取引 – インサイダー取引,相場の操作 – 不正取引の素早い発見
  18. 18. 板情報とは • 株式市場における注文状況を表したもの – 買い注文と売り注文の状況を知ることができる
  19. 19. 板情報のデータマイニング • 従来の市場分析 = 株価変動の分析 – 取引結果のみを利用 • 膨大な注文記録からの市場分析 – 情報量が増加 – より詳細な分析が可能 売気 配 気配 値 買気 配 1300 981 6300 980 6100 979 977 1700 976 1300 975 1400 注文記録投資家心理 株価
  20. 20. 板情報を用いた市場変化の分析 鳥海不二夫,西岡 寛兼, 梅岡 利光, 石井健一郎 板情報による市場相違性の検出 人工知能学会論文誌 Vol. 27 No. 3 P 143-150(03/2012)
  21. 21. 板情報の観測 リアルタイムに変化する板を標本化
  22. 22. 提案手法の流れ 特徴抽出
  23. 23. 注文数変化量の算出 注文数変化量は注文の規模を表す 売注文 価格 買注文 60 1,700 20 1,600 40 1,500 1,400 20 1,300 10 1,200 50 売注文 価格 買注文 62 1,700 20 1,600 10 1,500 1,400 10 1,300 10 1,200 150 買い注文+100 売り注文+2 買い注文+30 売り注文+10
  24. 24. 特徴ベクトルの生成 特徴ベクトルの生成 – どのような規模の注文が何回出されたか – 価格変動が発生してから次に発生するまで – 特徴毎に注文が出された回数をカウント,正規化  1.4 0.5 0.1 1.0 0.8 0.2x  注文の規模 小買 中買 大買 小売 中売 大売 カウント 14 5 1 10 8 2 10秒間のカウント結果
  25. 25. 提案手法の流れ 時系列モデルの作成
  26. 26. 時系列モデルの作成
  27. 27. クラスタリング • k-means法を使用 – 非階層型クラスタリング – 類似したベクトルをまとめてクラスタを生成 • 各クラスタにシンボルを割り振る A C B
  28. 28. HMM(Hidden Markov Models)
  29. 29. HMMの利点と類似度算出 • 学習が可能 – Baum-Welchアルゴリズム • 入力系列を出力する確率が計算可能 – Forwardアルゴリズム – この確率を類似度とみなすことが可能 • 類似度算出 学習 データ HMM 判定データ 類似度
  30. 30. 提案手法の評価実験 • 実市場のデータを用いて実験 – 日経225先物 – 45日分(2008年10月~12月) • 市場が特殊である時間帯を検出できるか – 取引開始直後や取引終了直前は特殊
  31. 31. 寄りつきと引けは特殊
  32. 32. 特殊時間帯と平常時間の判別 • 2クラス識別問題を定義,識別結果を評価 – 特殊時間帯クラスと平常時間帯クラスの識別 – 45分割交差検証法
  33. 33. 識別手順
  34. 34. 実験結果 • 識別問題 • 結果 – 識別問題Ⅰ → 識別率0.863 – 識別問題Ⅱ → 識別率0.737 特殊時間帯 平常時間帯 識別問題Ⅰ 9:00~9:30 10:00~10:30 識別問題Ⅱ 14:30~15:00 13:30~14:00 特殊時間帯と通常時間帯の判別が可能 →本手法の判別能力が示された
  35. 35. 市場変化の分析 • 2008年 – サブプライムローン問題を きっかけとする世界的不況 • リーマンショックは予測できなかったのか? • 仮説: リーマンショックの前から市場はそれまで とは異なる状態にあった
  36. 36. リーマンショック前の変化 • リーマンショックよりも前の市場を分析 – 直前に市場が異常な状態にあれば事前にある程 度察知できたはず • 提案手法を用い,不況の前後で比較分析 暴落半年前 2008年3月,4月 暴落前 2008年5月,6月 暴落直前 2008年7月,8月 リーマンブラザーズの破綻は 2008年9月15日
  37. 37. 区間A,B,Cの比較
  38. 38. 提案手法を利用した手法 • 区間A,Bは判別不能 – 類似した市場状況 • 区間B,Cは判別可能 – 異なる市場状況 区間A 区間B 区間C 区間A - 0.550 0.621 区間B 0.550 - 0.780 区間C 0.621 0.780 -
  39. 39. その他の手法 HV 区間A 区間B 区間C 区間A - 0.524 0.548 区間B 0.524 - 0.571 区間C 0.548 0.571 - GARCH 区間A 区間B 区間C 区間A - 0.548 0.571 区間B 0.548 - 0.595 区間C 0.571 0.595 -
  40. 40. 考察 • 暴落直前と,それ以前の比較では,高い識別 率(0.621, 0.780) • 暴落前同士では低い識別率(0.550) • 価格変動に表れない変化も捉えている – 株価を使った手法では低い識別率(0.6以下) 不況を通じて市場の動きが変化
  41. 41. 参考分析(1) • 不況前 – 不況直後 • 不況前 – 不況の半年後 55 2008/10 2008/11 2006/04 1.000 1.000 2006/05 1.000 0.986 2009/02 2009/03 2006/04 0.974 0.958 2006/05 0.949 0.903
  42. 42. 参考分析(2) • 不況直後 – 不況の半年後 • 同一期間内識別(比較実験) 56 2009/02 2009/03 2008/10 0.941 0.935 2008/11 0.806 0.909 2006/04 – 2006/05 0.613 2008/10 – 2008/11 0.781 2009/02 – 2009/03 0.543
  43. 43. まとめ • 市場の類似性を評価する手法を提案 – 注文の規模に注目して特徴抽出 • 提案手法の有効性評価実験 – 特殊時間を検出する識別問題 – 市場の特殊性を検出できる可能性が示唆された • 不況の前後で市場変化を分析 – 不況前,不況直後,半年後で市場が変化 – 価格変動には表れない違いも見られた
  44. 44. 混合ガウスモデルを用いた 市場注文状況の変化の検出 宮崎・和泉・鳥海・髙橋: 混合ガウスモデルを用いた市場注文状況の変化の検出, JPXワーキングペーパー, vol.3 (2013) http://www.tse.or.jp/about/seisaku/wp/index.html (「JPXワーキング・ペーパー」で検索するとトップに表れます) *本発表の内容は、発表者ら個人に属し、株式会社日本取引所グループ及びその子会社・関連会社、及び発表者らが所属する組織 の公式見解を示すものではありません。また、ありうべき誤りは、すべて発表者個人に属します。
  45. 45. 目的 特異な注文状況を 検出する手法の提供 2010年の増資に際し 内部者取引があった4銘柄において、 公表前の注文状況の特異性を検証
  46. 46. インサイダー取引 • 増資によって株価は大きく変動 • あらかじめ増資情報を知っていれば当該銘 柄を購入して儲ける事が可能 • 法律で禁止 – インサイダー取引 • 仮説:インサイダー取引が行われる場合 通常とは異なる取引が存在する
  47. 47. 板情報 価格、出来高 (数KB/1日) 既存研究 • 大山(ニッセイ基礎研究所 研究員の眼2012年9月19日)  対TOPIX累積超過収益率 • 加藤ら(証券アナリストジャーナル2013年1月号)  累積(異常)株価リターン  (異常)売買回転率
  48. 48. 板情報 売り注文 株数(株) 気配値(円) 買い注文 株数(株) … 150,000 130 50,000 129 128 70,000 127 200,000 … 価格、出来高 (数KB/1日) 板情報 (東証FLEX Historical) (数MB/1日) 売り注文 株数(株) 気配値(円) 買い注文 株数(株) …200,000 123 40,000 122 121 40,000 120 140,000 … 売り注文 株数(株) 気配値(円) 買い注文 株数(株) … 490,000 175 250,000 174 173 70,000 172 100,000 … 2012/4/10 10:21:30.79 2012/6/15 14:01:10.21 2013/1/25 9:54:10.84 価格や出来高より、高度な分析ができる
  49. 49. 分析の流れ(全体像) 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 板情報 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 増資発表 時間 学習期間 100営業日 入力期間 10営業日 (参考文献)梅岡利光, 鳥海不二夫, 平山高嗣, 榎堀優, 石井健一郎, 間瀬健二, 「板情報を用いた株式市場の状態変化の分析」, 第37回JAFEE大会(2012) 発表前のこの期間の 注文状況の特異性を検証 学習特徴 ベクトル (8次元)
  50. 50. 特徴ベクトルの作成 売り注文 株数(株) 気配値(円) 買い注文 株数(株) … 150,000 130 50,000 129 128 70,000 127 200,000 … 板情報(FLEXデータ) A+ A2 A1 A0 B1 B0 B2 B- 8次元の特徴ベクトル 30分毎に1つ(1日12個) 各位置での 注文量 A+ A2 A1 A0 B0 B1 B2 B- { 0 0 1,000 0 0 0 0 0 } { 0 0 0 0 500 0 0 0 } : : { 0 0 0 0 1,000 0 0 0 } 30分間 30分間の合計 {3,500 8,000 14,000 28,000 30,000 21,000 9,500 6,300} 対数を取り正規化
  51. 51. 分析の流れ(全体像) 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 板情報 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 増資発表 時間 学習期間 100営業日 入力期間 10営業日 (参考文献)梅岡利光, 鳥海不二夫, 平山高嗣, 榎堀優, 石井健一郎, 間瀬健二, 「板情報を用いた株式市場の状態変化の分析」, 第37回JAFEE大会(2012) 学習特徴 ベクトル (8次元) 12個/日×100日 = 1,200個のデータ
  52. 52. 分析の流れ(全体像) 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 板情報 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 増資発表 時間 学習期間 100営業日 入力期間 10営業日 (参考文献)梅岡利光, 鳥海不二夫, 平山高嗣, 榎堀優, 石井健一郎, 間瀬健二, 「板情報を用いた株式市場の状態変化の分析」, 第37回JAFEE大会(2012) 学習特徴 ベクトル (8次元) 混合 ガウスモデル
  53. 53. 混合ガウス分布 =ガウス分布の線形重ね合わせ 𝑝 𝒙 = 𝑘=1 𝐾 𝜋 𝑘 𝑁 𝒙|𝝁 𝑘, 𝚺 𝑘 ガウス分布:𝑁 𝒙|𝝁, 𝚺 = 1 2𝜋 𝑑/2 𝚺 1/2 exp − 1 2 𝒙 − 𝝁 𝑇 𝚺−1 𝒙 − 𝝁 1 2 1 2 1 2 • 𝝅 :混合率 • 𝝁 : クラスタ中心 • 𝚺 : 分散共分散行列 • K :クラスタ数 パラメータ推定 1. k-means++アルゴリズム 2. EMアルゴリズム 3. BICによる評価
  54. 54. 分析の流れ(全体像) 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 板情報 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 増資発表 時間 学習期間 100営業日 入力期間 10営業日 (参考文献)梅岡利光, 鳥海不二夫, 平山高嗣, 榎堀優, 石井健一郎, 間瀬健二, 「板情報を用いた株式市場の状態変化の分析」, 第37回JAFEE大会(2012) 学習特徴 ベクトル (8次元) 混合 ガウスモデル
  55. 55. 分析の流れ(全体像) 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 板情報 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 売り注文 株数(株) 気配値 (円) 買い注文 株数(株) … 150,000 101 50,000 100 99 70,000 98 200,000 … 増資発表 時間 学習期間 100営業日 入力期間 10営業日 (参考文献)梅岡利光, 鳥海不二夫, 平山高嗣, 榎堀優, 石井健一郎, 間瀬健二, 「板情報を用いた株式市場の状態変化の分析」, 第37回JAFEE大会(2012) 学習特徴 ベクトル (8次元) 入力特徴 ベクトル (8次元) 12個/日×10日 = 120個のデータ 不適合データ 不適合度 混合 ガウスモデル
  56. 56. 不適合度の算出 • マハラノビス距離 → 各クラスタ中心との、分散共分散行列で正規化された距離 𝑀𝐷 𝑘 𝒙 = 𝒙 − 𝝁 𝑘 𝑇 𝚺 𝑘 −1 (𝒙 − 𝝁 𝑘) min 𝑘 𝑀𝐷 𝑘 𝒙 > 𝜃 𝜎 → 不適合 適合 不適合 𝜃 𝜎 = 4 の例 不適合度 = モデルに不適合とされた入力ベクトルの数 全入力ベクトルの数(120個)
  57. 57. 実験の概要 実験1 内部者取引のあった4銘柄 ↕ 同業種他社銘柄 メインの実験 実験3 通常の増資銘柄 ↕ 同業種他社銘柄 実験4 2010年 ↕ 2011,2012年 妥当性の検証
  58. 58. 実験1(同業種内での異常検出) 内部者取引のあった銘柄と、同業種他社の比較 0 0.05 0.1 0.15 0.2 0.25 業種a 業種b 業種c 業種d 不 適 合 度 内部者取引のあった銘柄 業種平均 𝜃 𝜎 = 4の実験結果 内部者取引のあった銘柄において 注文状況の特異性を検出
  59. 59. 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 業種e 業種a 業種g 業種c 不 適 合 度 実験2・通常の増資銘柄の分析 通常の増資銘柄においても 実験1と同様の実験を行い、 不適合度の高まりが分析対象銘柄に顕著な特徴であるか確認 増資のあった銘柄 業種平均 ※バーは0.5標準偏差 𝜃 𝜎 = 4の実験結果
  60. 60. 実験2(通常の増資銘柄の分析) 実験2で得られた 𝜃𝑖𝑛𝑐 = 𝜃 + 0.5𝜎 という閾値で判定し、 増資公表前の注文状況が特異/非特異と判定された銘柄の数 特異 非特異 実験1の結果 4 0 通常の増資銘柄 2 2 通常の増資銘柄と比べても、分析対象銘柄の方が 増資公表前10営業日の注文状況の 特異性が高いことを確認
  61. 61. 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 2010 2011 2012 不 適 合 度 年 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 2010 2011 2012 不 適 合 度 年 実験3・時期別の比較 内部者取引があった銘柄の、2010, 2011, 2012年で不適合度を比較 内部者取引があった年 0 0.05 0.1 0.15 0.2 0.25 2010 2011 2012 不 適 合 度 年 銘柄B 0 0.02 0.04 0.06 0.08 0.1 0.12 2010 2011 2012 不 適 合 度 年 銘柄A 銘柄D銘柄C 2010年の特異性が高かったことを確認 → 銘柄固有の特性として不適合度が高いことを否定
  62. 62. 結論 特異な注文状況を 検出する手法の提供した 2010年の増資に際し 内部者取引があった銘柄において 公表前の注文状況の特異性を示した
  63. 63. 今日のお話 • 株式市場におけるデータマイニング • 板情報を用いたデータマイニング – 板情報を用いた市場変化の分析 • HMMを用いて市場の空気を読む – 混合ガウスモデルを用いた市場注文状況の変化 の検出 • GMMを用いて異常注文を発見する

×