図面 (/)

技術 情報処理装置、情報処理方法および情報処理プログラム

出願人 ヤフー株式会社
発明者 鈴木周一
出願日 2017年6月21日 (2年1ヶ月経過) 出願番号 2017-121611
公開日 2018年3月29日 (1年3ヶ月経過) 公開番号 2018-049589
状態 特許登録済
技術分野
  • -
主要キーワード 予測停止 二階微分値 一階微分値 予測手順 分刻み クラウドシステム 正解情報 指標データ
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2018年3月29日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (11)

課題

金融商品取引価格を高い精度で予測すること。

解決手段

本願に係る情報処理装置は、取得部と、二階微分値予測部と、取引価格予測部とを備える。取得部は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。二階微分値予測部は、取得部で取得された履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。取引価格予測部は、二階微分値予測部で予測された二階微分値に基づいて、取引価格を予測する。

概要

背景

従来、複数の通貨ペア取引を行う際に有効な通貨の強さを示す指標データを生成する技術が提供されている。例えば、複数の通貨ペアの各々について、隣接する時刻の通貨ペアの取引のレート値の差分を計算し、指定された通貨の指標データを算出する技術が提供されている。

概要

金融商品取引価格を高い精度で予測すること。本願に係る情報処理装置は、取得部と、二階微分値予測部と、取引価格予測部とを備える。取得部は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。二階微分値予測部は、取得部で取得された履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。取引価格予測部は、二階微分値予測部で予測された二階微分値に基づいて、取引価格を予測する。

目的

本願は、上記に鑑みてなされたものであって、金融商品の取引価格を高い精度で予測する情報処理装置、情報処理方法および情報処理プログラムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得部と、前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値予測する二階微分値予測部と、前記二階微分値予測部で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測部とを備えることを特徴とする情報処理装置

請求項2

前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する一階微分値を予測する一階微分値予測部をさらに備え、前記取引価格予測部は、前記二階微分値予測部で予測された前記二階微分値および前記一階微分値予測部で予測された前記一階微分値に基づいて、前記取引価格を予測することを特徴とする請求項1に記載の情報処理装置。

請求項3

前記履歴の情報は、過去の一定期間における前記取引価格に関する情報を含み、前記二階微分値予測部は、前記過去の一定期間における前記取引価格に関する情報に基づいて、前記取引価格の時間に関する二階微分値を予測することを特徴とする請求項1または2に記載の情報処理装置。

請求項4

前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の所定値を超える変動を検出する検出部をさらに備え、前記二階微分値予測部は、前記検出部によって検出された前記所定値を超える変動を伴った情報を除いた前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測することを特徴とする請求項1〜3のいずれか一つに記載の情報処理装置。

請求項5

前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の所定値を超える変動を予測する価格変動予測部と、前記価格変動予測部によって予測された前記所定値を超える変動に応じて所定の処理を実行する処理部とをさらに備えることを特徴とする請求項1〜4のいずれか一つに記載の情報処理装置。

請求項6

コンピュータが実行する情報処理方法であって、取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得工程と、前記取得工程で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測工程と、前記二階微分値予測工程で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測工程とを含むことを特徴とする情報処理方法。

請求項7

取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得手順と、前記取得手順で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測手順と、前記二階微分値予測手順で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測手順とをコンピュータに実行させることを特徴とする情報処理プログラム

技術分野

0001

本発明は、情報処理装置情報処理方法および情報処理プログラムに関する。

背景技術

0002

従来、複数の通貨ペア取引を行う際に有効な通貨の強さを示す指標データを生成する技術が提供されている。例えば、複数の通貨ペアの各々について、隣接する時刻の通貨ペアの取引のレート値の差分を計算し、指定された通貨の指標データを算出する技術が提供されている。

先行技術

0003

特開2012−027513号公報

発明が解決しようとする課題

0004

しかしながら、上記の従来技術では、通貨ペアの取引のレート値のような金融商品取引価格を高い精度で予測することが難しい。例えば、隣接する時刻の通貨ペアの取引のレート値の差分を計算するだけでは、通貨ペアの取引のレート値を高い精度で予測することができるとは限らない。

0005

本願は、上記に鑑みてなされたものであって、金融商品の取引価格を高い精度で予測する情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。

課題を解決するための手段

0006

本願に係る情報処理装置は、取引価格が変動する金融商品の前記取引価格に関する履歴の情報を取得する取得部と、前記取得部で取得された前記履歴の情報に基づいて、前記取引価格の時間に関する二階微分値を予測する二階微分値予測部と、前記二階微分値予測部で予測された前記二階微分値に基づいて、前記取引価格を予測する取引価格予測部とを備えることを特徴とする。

発明の効果

0007

実施形態の一態様によれば、金融商品の取引価格を高い精度で予測することができるという効果を奏する。

図面の簡単な説明

0008

図1は、実施形態に係る情報処理装置1による情報処理の一例を示す図である。
図2は、実施形態に係る情報処理装置の構成例を示す図である。
図3は、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を示す図である。
図4は、実施形態に係る金融商品の取引価格を予測するモデルの一例を示す図である。
図5は、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を示す図である。
図6は、実施形態に係る予測部の構成例を示す図である。
図7は、実施形態に係る金融商品の取引価格の予測の一例を示す図である。
図8は、実施形態に係る学習部における学習処理の手順の一例を示すフローチャートである。
図9は、実施形態に係る金融商品の取引価格に関する予測の手順の一例を示すフローチャートである。
図10は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

実施例

0009

以下に、本願に係る情報処理装置および情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置および情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

0010

〔1.情報処理装置による情報処理の一例〕
図1を用いて、実施形態に係る情報処理装置1による情報処理の一例を説明する。図1は、実施形態に係る情報処理装置1による情報処理の一例を示す図である。

0011

まず、図1に示す情報処理装置1は、取引価格が時間tに対して変動する金融商品の取引価格Xに関する履歴の情報X(tn)・・・X(tn−m)を取得する。

0012

ここで、tnは、例えば、現在の時刻(直近の時刻)を示す。また、tn+1は、例えば、現在の時刻から1分後の時刻(将来の時刻)を示す。同様に、tn−mは、例えば、現在の時刻からm分前の時刻(過去の時刻)を示す。なお、nおよびmは、それぞれ、独立に整数である。

0013

履歴の情報X(tn)・・・X(tn−m)は、それぞれ、時刻tn・・・tn−m(現在から過去)における金融商品の取引価格Xに関する情報である。

0014

履歴の情報X(tn)・・・X(tn−m)は、例えば、それぞれ、時刻tn・・・tn−mにおける金融商品の取引価格Xの値を示す。金融商品の取引価格Xは、例えば、図1に示すような為替レートであってもよい。

0015

次に、情報処理装置1は、上記の取得された履歴の情報X(tn)・・・X(tn−m)に基づいて、例えば、将来の時刻tn+1における取引価格Xの時間に関する二階微分値d2X/dt2(tn+1)を予測する。

0016

例えば、情報処理装置1は、履歴の情報X(tn)・・・X(tn−m)から二階微分値d2X/dt2(tn+1)を予測するモデルを用いて、二階微分値の予測値d2X/dt2^(tn+1)を求めることで、二階微分値d2X/dt2(tn+1)を予測する。

0017

次に、情報処理装置1は、上記の予測された二階微分値d2X/dt2(tn+1)に基づいて、将来の時刻tn+1における取引価格Xの値X(tn+1)を予測する。

0018

例えば、情報処理装置1は、二階微分値の予測値d2X/dt2^(tn+1)から、後述する式の演算によって、取引価格Xの予測値X^(tn+1)を求めることで、値X(tn+1)を予測する。

0019

このように、情報処理装置1は、将来の時刻tn+1における取引価格Xの時間に関する二階微分値d2X/dt2(tn+1)を予測すると共に、上記の予測された二階微分値d2X/dt2(tn+1)に基づいて、将来の時刻tn+1における取引価格Xの値X(tn+1)を予測するため、将来の時刻tn+1における金融商品の取引価格Xの値X(tn+1)を高い精度で予測することができる。

0020

すなわち、情報処理装置1は、時間に関する一階微分値のような取引価格Xの時間変動ではなく、時間に関する二階微分値、すなわち、取引価格Xの時間変動の時間変動を予測し、かかる二階微分値の予測値から取引価格Xを求めることで、従来に比べ予測の精度が改善された。なお、金融商品の取引価格Xの時間に関する二階微分値を予測することによって、金融商品の取引価格Xの時間変動の加速度を予測することができる。それに応じて、金融商品の取引価格Xの時間変動を引き起こす力の大きさおよび向きを予測することができる。このように、金融商品の取引価格Xの時間変動を引き起こす力の大きさおよび向きを予測することができるため、金融商品の取引価格Xの値を高い精度で予測することができる。

0021

情報処理装置1は、例えば、図示しない所定の通信網を介して、有線または無線により端末装置3と通信可能である。端末装置3は、例えば、スマートフォンである。端末装置3は、情報処理装置1に対して取引価格Xの値の予測を要求することができる。

0022

情報処理装置1は、端末装置3から取引価格Xの値の予測を要求されると、将来の時刻tn+1における取引価格Xの予測値X^(tn+1)を端末装置3に配信することができる。端末装置3は、将来の時刻tn+1における取引価格Xの予測値X^(tn+1)を受信する。

0023

その結果、端末装置3のユーザは、高い精度で予測された将来の時刻tn+1における取引価格Xの予測値X^(tn+1)に基づいて、金融商品の取引を実行することができる。

0024

〔2.情報処理装置の構成例〕
次に、図2を用いて、実施形態に係る情報処理装置1の構成例を説明する。図2は、実施形態に係る情報処理装置1の構成例を示す図である。図2に示すように、情報処理装置は、通信部10と、記憶部20と、制御部30とを備える。

0025

なお、情報処理装置1は、情報処理装置1の管理者等から各種操作を受け付ける入力部(例えば、キーボードマウス等)、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)等を有してもよい。情報処理装置1は、スタンドアローンであってもよい。

0026

〔2.1.通信部10〕
通信部10は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部10は、ネットワークNと有線または無線で接続され、例えば取引装置2および端末装置3との間で情報の送受信を行う。

0027

取引装置2は、取引価格が変動する金融商品の取引に関する各種のサービスを提供する情報処理装置である。取引装置2は、例えば、サーバ装置またはクラウドシステム等により実現される。

0028

ここで、取引価格が変動する金融商品としては、例えば、外国為替、株式、国債ファンド保険商品などが挙げられる。金融商品の取引価格としては、例えば、為替レート、株価、国債価格、ファンド配当、保険商品の配当金などが挙げられる。

0029

なお、株価は、0円になることもあるため、取引価格が変動する金融商品としては、為替レートが連続的に変動する外国為替などが好ましい。

0030

例えば、取引装置2は、金融商品の取引価格に関する履歴の情報を情報処理装置1に配信する。また、例えば、取引装置2は、情報処理装置1または端末装置3から金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を受け付ける。

0031

また、例えば、取引装置2は、情報処理装置1または端末装置3から受け付けた金融商品の取引に関する情報に応じて、金融商品の取引を実行する。

0032

端末装置3は、ユーザによって利用される情報処理装置である。端末装置3は、例えば、スマートフォン、タブレット型端末ノート型PC(Personal Computer)、デスクトップPC、携帯電話機、またはPDA(Personal Digital Assistant)等により実現される。

0033

例えば、端末装置3は、情報処理装置1が金融商品の取引価格の値を予測することを要求する。また、例えば、端末装置3は、情報処理装置1から金融商品の取引価格の予測値を受け付ける。また、端末装置3は、取引装置2に金融商品の取引に関する情報、例えば、例えば、金融商品を売買する意思表示に関する情報を配信する。

0034

〔2.2.記憶部20〕
記憶部20は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク光ディスク等の記憶装置によって実現される。

0035

図2に示すように、記憶部20は、履歴情報記憶部21と、学習情報記憶部22と、検出情報記憶部23と、予測情報記憶部24と、受付情報記憶部25と、取引情報記憶部26とを備える。

0036

履歴情報記憶部21は、金融商品の取引価格に関する履歴の情報を記憶する。

0037

学習情報記憶部22は、学習処理を実行するための情報および学習処理の結果として生成されたモデルに関する情報を記憶する。

0038

検出情報記憶部23は、金融商品の取引価格の変動に対する所定値および検出された金融商品の取引価格の所定値を超える変動に関する情報を記憶する。

0039

予測情報記憶部24は、予測された金融商品の取引価格に関する情報を記憶する。

0040

受付情報記憶部25は、金融商品の取引価格の値についての予測の要求に関する情報を記憶する。

0041

取引情報記憶部26は、予測された金融商品の取引価格の値に対する所定の条件および所定の条件に対する金融商品の取引に関する情報を記憶する。

0042

〔2.3.制御部30〕
制御部30は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)またはMPU(Micro Processing Unit)等によって、情報処理装置1の内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。

0043

また、制御部30は、コントローラ(controller)であり、例えば、ASIC(Application Specific IntegratedCircuit)またはFPGA(Field Programmable Gate Array)等の集積回路により実現される。

0044

図2に示すように、制御部30は、取得部31と、学習部32と、検出部33と、予測部34と、受付部35と、配信部36と、取引処理部37とを備える。制御部30は、以下に説明する情報処理の機能または作用を実現または実行する。

0045

〔2.3.1.取得部31〕
取得部31は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。例えば、取得部31は、取引装置2からネットワークNおよび通信部10を介して金融商品の取引価格に関する履歴の情報を取得する。

0046

ここで、金融商品の取引価格に関する履歴の情報は、過去から現在までの期間における時刻ごとの金融商品の取引価格に関する情報である。

0047

金融商品の取引価格に関する情報としては、例えば、金融商品の取引価格の値、金融商品の取引価格の一階微分値、金融商品の取引価格の二階微分値等が挙げられる。以下、金融商品の取引価格の一階微分値は、金融商品の取引価格の時間に関する一階微分値を意味すると共に、金融商品の取引価格の二階微分値は、金融商品の取引価格の時間に関する二階微分値を意味する。

0048

金融商品の取引価格の値としては、例えば、金融商品の取引価格の高値安値始値、および終値のセット、金融商品の取引価格の高値、安値、始値、および終値の平均値、または金融商品の取引価格の高値、安値、始値、および終値のうちのいずれか一つの値のような代表値等が挙げられる。

0049

例えば、取得部31は、取得された履歴の情報を履歴情報記憶部21に記憶する。

0050

ここで、図3を用いて、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を説明する。図3は、実施形態に係る金融商品の取引価格に関する履歴の情報の一例を示す図である。

0051

図3に示すように、取得部31は、例えば、金融商品の取引価格の種類ごとに過去の期間における時刻ごとの金融商品の取引価格の値を取得する。

0052

図3に示す例においては、金融商品の取引価格の種類は、為替(X1)の高値X1H、安値X1L、始値X1S、終値X1E、株価(X2)の高値X2H、安値X2L、始値X2S、終値X2E、および国債(X3)の高値X3H、安値X3L、始値X3S、終値X3Eを含む。

0053

取得部31は、過去の時間t=tn−m,tn−m+1・・・tn−2,tn−1,tnごとの金融商品の取引価格の値X1H(t)・・・X3E(t)のテーブルを履歴情報記憶部21に記憶する。

0054

〔2.3.2.学習部32〕
図2戻り、学習部32は、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、教師あり学習を行うことによって、モデルを生成する。

0055

例えば、学習部32は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部21から読み出す。また、例えば、学習部32は、学習処理を実行するための情報、例えば、後述するニューラルネットワークにおけるバックプロパゲーション誤差伝播法)等の処理を実行するための情報を学習情報記憶部22から読み出す。

0056

例えば、学習部32は、金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の二階微分値の正解情報を算出する。例えば、学習部32は、ある時刻tl(lは整数である)における金融商品の取引価格の二階微分値の正解情報d2X/dt2(tl)を、
d2X/dt2(tl)=(X(tl)−2X(tl−1)+X(tl−2))/Δt2
の式に従って算出する。ここで、X(tl)、X(tl−1)、およびX(tl−2)は、それぞれ、隣接する三個の時刻tl、tl−1、およびtl−2における金融商品の取引価格Xの値である。また、Δtは、tl−tl−1またはtl−1−tl−2によって与えられる時間差である。

0057

例えば、学習部32は、金融商品の取引価格に関する履歴の情報と金融商品の取引価格の二階微分値の正解情報との関係を学習することによって、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルを生成する。

0058

また、例えば、学習部32は、金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の一階微分値の正解情報を算出する。例えば、学習部32は、ある時刻tl(lは整数である)における金融商品の取引価格の一階微分値の正解情報dX/dt(tl)を、
dX/dt(tl)=(X(tl)−X(tl−1))/Δt
の式に従って算出する。ここで、X(tl)およびX(tl−1)は、それぞれ、隣接する二個の時刻tlおよびtl−1における金融商品の取引価格Xの値である。また、Δtは、tl−tl−1によって与えられる時間差である。

0059

例えば、学習部32は、金融商品の取引価格に関する履歴の情報と金融商品の取引価格の一階微分値の正解情報との関係を学習することによって、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の一階微分値を予測するモデルを生成する。

0060

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、学習部32は、過去の期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報と金融商品の取引価格の(例えば終値の)二階微分値または一階微分値の正解情報との関係を学習する。

0061

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合には、学習部32は、過去の一定期間における金融商品の取引価格に関する情報と金融商品の取引価格の二階微分値または一階微分値の正解情報との関係を複数の一定期間について繰り返して学習する。

0062

なお、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値または一階微分値を予測するモデルは、金融商品の取引価格の二階微分値または一階微分値を予測する時間および時間幅が異なる複数のモデルであってもよい。

0063

例えば、上記のモデルは、現在から時刻s分後(sは整数である)における金融商品の取引価格の二階微分値または一階微分値を予測するモデルであってもよい。また、例えば、上記のモデルは、現在から時刻s分後におけるt分間(tは整数である)の金融商品の取引価格の二階微分値または一階微分値の平均値を予測するモデルであってもよい。

0064

学習部32は、例えば、複数のノードを有する層を多段階に接続したニューラルネットワークであり、いわゆるディープラーニングの技術により実現されるDNN(Deep Neural Network)であってもよい。

0065

例えば、学習部32は、ディープラーニングの技術により、以下のような学習手法により非線形のモデルを生成する。例えば、学習部32は、ニューラルネットワークにおける各ノードの間の結合係数初期化すると共に、金融商品の取引価格に関する履歴の情報の入力を受け付ける。

0066

そして、学習部32は、バックプロパゲーション(誤差逆伝播法)等の処理によって非線形のモデルを生成する。バックプロパゲーションにおいては、金融商品の取引価格に関する履歴の情報の入力と金融商品の取引価格の二階微分値または一階微分値の出力との間における所定の誤差関数の値を最小化するように結合係数を調整する。

0067

このようにして、学習部32は、金融商品の取引価格に関する履歴の情報に対する予測値の非線形のモデルを生成する。

0068

例えば、学習部32は、学習処理の結果として生成されたモデル、すなわち、金融商品の取引価格に関する履歴の情報に対して教師あり学習を行うことによって生成されたモデルを学習情報記憶部22に記憶する。

0069

ここで、図4を用いて、実施形態に係る金融商品の取引価格を予測するモデルの一例を説明する。図4は、実施形態に係る金融商品の取引価格を予測するモデルの一例を示す図である。

0070

図4に示すように、学習部32は、例えば、金融商品の取引価格の種類ごとに複数の種類のモデルを生成する。

0071

図4に示す例においては、金融商品の取引価格の種類は、図4に示すような、為替(X1)、株価(X2)、および国債(X3)を含む。図4に示す例においては、モデルの種類は、後述するように、為替(X1)についてのモデル1A、モデル1B、およびモデル1C、株価(X2)についてのモデル2A、モデル2B、およびモデル2C、国債(X3)についてのモデル3A、モデル3B、およびモデル3Cを含む。

0072

ここで、モデル1A、モデル2A、モデル3Aは、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルである。

0073

また、モデル1B、モデル2B、およびモデル3Bは、金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値および一階微分値を予測するモデルである。

0074

また、モデル1C、モデル2C、およびモデル3Cは、複数の金融商品の取引価格に関する履歴の情報から複数の金融商品の取引価格の二階微分値を予測するモデルである。モデル1Cは、例えば、日本円、米ドル、欧州ユーロ、中国元などの間の複数の為替レートから複数の為替レートの二階微分値を予測するモデルである。例えば、モデル2Cは、例えば、複数の株式会社の株価から複数の株式会社の株価の二階微分値を予測するモデルである。

0075

学習部32は、金融商品の取引価格としての為替(X1)、株価(X2)、および国債(X3)について生成されたモデル1A・・・モデル3Cのテーブルを学習情報記憶部22に記憶する。

0076

〔2.3.3.検出部33〕
図2に戻り、検出部33は、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、金融商品の取引価格の所定値を超える変動を検出する。

0077

例えば、検出部33は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部21から読み出す。また、例えば、検出部33は、金融商品の取引価格の変動に対する所定値(閾値)を検出情報記憶部23から読み出す。

0078

例えば、検出部33は、ある時刻における金融商品の取引価格の変動の値が所定値(閾値)を超えるか否かについて判定することによって、金融商品の取引価格の所定値を超える変動を検出する。

0079

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の一階微分値である。

0080

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の一階微分値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の二階微分値である。

0081

例えば、金融商品の取引価格に関する履歴の情報が、金融商品の取引価格の二階微分値である場合には、金融商品の取引価格の変動の値は、金融商品の取引価格の三階微分値である。

0082

例えば、検出部33は、検出された金融商品の取引価格の所定値を超える変動に関する情報を検出情報記憶部23に記憶する。具体的には、検出部33は、金融商品の取引価格の変動に対する所定値、所定値(閾値)を超える金融商品の取引価格の変動の値、所定値(閾値)を超える金融商品の取引価格の変動を示す時刻、その時刻における金融商品の取引価格に関する情報などを記憶する。

0083

ここで、図5を用いて、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を説明する。図5は、実施形態に係る金融商品の取引価格における所定値を超える変動の検出の一例を示す図である。

0084

図5において、横軸は、時間tを示すと共に、縦軸は、金融商品の取引価格Xの変動Vの値、すなわち、金融商品の取引価格Xの一階微分値を示す。なお、金融商品の取引価格Xの変動Vの値には、金融商品の取引価格Xの一階微分値の絶対値を用いてもよい。図5において、所定値Vthは、金融商品の取引価格Xの変動Vの値に対する閾値を意味する。

0085

図5に示す例において、時刻t’および時刻t”における金融商品の取引価格Xの変動Vの値V(t’)およびV(t”)が所定値Vthを超えている。検出部33は、時刻t’および時刻t”において金融商品の取引価格Xの所定値Vthを超える変動の値V(t’)およびV(t”)を検出する。

0086

〔2.3.4.予測部34〕
図2に戻り、予測部34は、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の値を予測する。

0087

例えば、予測部34は、金融商品の取引価格に関する履歴の情報を履歴情報記憶部21から読み出す。また、例えば、予測部34は、学習処理の結果として生成されたモデルに関する情報を学習情報記憶部22から読み出す。また、例えば、予測部34は、金融商品の取引価格の所定値を超える変動に関する情報を検出情報記憶部23から読み出す。

0088

ここで、図6を用いて、実施形態に係る予測部34の構成例を説明する。図6は、実施形態に係る予測部の構成例を示す図である。図6に示すように、予測部34は、二階微分値予測部34aと、一階微分値予測部34bと、取引価格予測部34cと、価格変動予測部34dと、処理部34eとを備える。

0089

〔2.3.4.1.二階微分値予測部34a〕
二階微分値予測部34aは、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

0090

例えば、二階微分値予測部34aは、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて将来における金融商品の取引価格の二階微分値を予測する。

0091

例えば、二階微分値予測部34aは、金融商品の取引価格に関する履歴の情報を学習部32によって生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

0092

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合に、二階微分値予測部34aは、過去の一定期間における金融商品の取引価格に関する情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

0093

例えば、二階微分値予測部34aは、過去の一定期間における金融商品の取引価格に関する情報を、学習部32において過去の一定期間における金融商品の取引価格に関する情報を用いて生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

0094

なお、学習部32においてモデルを作成する際に用いられる過去の一定期間における金融商品の取引価格に関する情報の過去の一定期間は、将来における金融商品の取引価格の二階微分値を予測する際に用いられる過去の一定期間における金融商品の取引価格に関する情報の過去の一定期間と同じ時間幅を有する。

0095

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、二階微分値予測部34aは、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

0096

例えば、二階微分値予測部34aは、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を、学習部32において金融商品の取引価格の高値、安値、始値、および終値の情報を用いて生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

0097

例えば、検出部33が、金融商品の取引価格の所定値を超える変動を検出した場合に、二階微分値予測部34aは、検出部33によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、将来における金融商品の取引価格の二階微分値を予測する。

0098

例えば、学習部32は、検出された所定値を超える変動を伴った情報を除いた金融商品の取引価格に関する履歴の情報と金融商品の取引価格の二階微分値の正解情報との関係を学習する。

0099

二階微分値予測部34aは、検出された所定値を超える変動を伴った情報を除いた金融商品の取引価格に関する履歴の情報を学習部32によって生成されたモデルに入力することによって、将来における金融商品の取引価格の二階微分値を予測する。

0100

図5に示す例においては、二階微分値予測部34aは、金融商品の取引価格Xに関する履歴の情報X(t)から、検出部33によって検出された所定値Vthを超える変動の値V(t’)およびV(t”)を伴った情報である金融商品の取引価格Xの値X(t’)およびX(t”)を除く。

0101

そして、二階微分値予測部34aは、検出部33によって検出された所定値Vthを超える変動の値V(t’)およびV(t”)を伴った情報である金融商品の取引価格Xの値X(t’)およびX(t”)を除いた金融商品の取引価格Xに関する履歴の情報X(t)に基づいて、金融商品の取引価格Xの二階微分値を予測する。

0102

〔2.3.4.2.一階微分値予測部34b〕
一階微分値予測部34bは、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

0103

例えば、一階微分値予測部34bは、二階微分値予測部34aと同様に、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて将来における金融商品の取引価格の一階微分値を予測する。

0104

例えば、一階微分値予測部34bは、二階微分値予測34aと同様に、金融商品の取引価格に関する履歴の情報を学習部32によって生成されたモデルに入力することによって、将来における金融商品の取引価格の一階微分値を予測する。

0105

例えば、金融商品の取引価格に関する履歴の情報が、過去の一定期間における金融商品の取引価格に関する情報を含む場合に、一階微分値予測部34bは、二階微分値予測部34aと同様に、過去の一定期間における金融商品の取引価格に関する情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

0106

例えば、金融商品の取引価格に関する履歴の情報が、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報を含む場合には、一階微分値予測部34bは、二階微分値予測部34aと同様に、過去から現在までの期間における時刻ごとの金融商品の取引価格の高値、安値、始値、および終値の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

0107

例えば、検出部33が、金融商品の取引価格の所定値を超える変動を検出した場合に、一階微分値予測部34bは、二階微分値予測部34aと同様に、検出部33によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、将来における金融商品の取引価格の一階微分値を予測する。

0108

〔2.3.4.3.取引価格予測部34c〕
取引価格予測部34cは、二階微分値予測部34aで予測された二階微分値に基づいて、将来における金融商品の取引価格Xの値を予測する。

0109

例えば、取引価格予測部34cは、過去の時刻tn−1(例えば、現在の1分前の時刻)と現在の時刻tnとの時間差Δtおよび現在の時刻tnと将来の時刻tn+1の時間差Δtが一定である場合には、将来の時刻tn+1(例えば、現在の1分後の時刻)における金融商品の取引価格Xの予測値X^(tn+1)を
X^(tn+1)=2X(tn)−X(tn−1)+d2X/dt2^(tn+1)×Δt2
の式に従って演算する。

0110

ここで、X(tn−1)は、過去の時刻tn−1における金融商品の取引価格Xの値である。また、X(tn)は、現在の時刻tnにおける金融商品の取引価格Xの値である。また、d2X/dt2^(tn+1)は、将来の時刻tn+1における金融商品の取引価格Xの二階微分値の予測値である。

0111

なお、時間差Δtが小さいほど、取引価格予測部34cは、高い精度でX(tn+1)を得ることができる。

0112

例えば、取引価格予測部34cは、二階微分値予測部34aで予測された二階微分値および一階微分値予測部34bで予測された一階微分値に基づいて、将来における金融商品の取引価格を予測するものであってもよい。

0113

例えば、取引価格予測部34cは、過去の時刻tn−1と現在の時刻tnとの時間差Δtおよび現在の時刻tnと将来の時刻tn+1の時間差Δtが一定である場合には、将来の時刻tn+1における金融商品の取引価格Xの予測値X^(tn+1)を
X^(tn+1)=X(tn−1)+2dX/dt^(tn+1)×Δt−d2X/dt2^(tn+1)×Δt2
の式に従って演算する。

0114

ここで、X(tn−1)は、過去の時刻tn−1における金融商品の取引価格Xの値である。また、dX/dt^(tn+1)は、将来の時刻tn+1における金融商品の取引価格Xの一階微分値の予測値である。また、d2X/dt2^(tn+1)は、将来の時刻tn+1における金融商品の取引価格Xの二階微分値の予測値である。

0115

なお、取引価格予測部34cは、上述した式とは異なる式に従って、将来の時刻tn+1における金融商品の取引価格Xの予測値X^(tn+1)を演算してもよい。また、取引価格予測部34cにおいて予測される将来における金融商品の取引価格Xの値は、現在の1分後の時刻における金融商品の取引価格Xの値に限られない。

0116

例えば、取引価格予測部34cは、1分後の時刻における金融商品の取引価格Xの値の予測を繰り返すことによって、現在のs分後(sは、2以上の整数である)の時刻における金融商品の取引価格Xの値を予測することができる。

0117

例えば、取引価格予測部34cは、同様にして、現在のs分後(sは、2以上の整数である)の時刻からt分間(tは、1以上の整数である)の金融商品の取引価格Xの値およびそれらの平均値を予測することができる。

0118

ここで、図7を用いて、実施形態に係る金融商品の取引価格の予測の一例を説明する。図7は、実施形態に係る金融商品の取引価格の予測の一例を示す図である。図7において、横軸は、時間tを示すと共に、縦軸は、金融商品の取引価格Xの値を示す。なお、時間tは、UNIX(登録商標)時間であってもよい。

0119

図7において、実線は、金融商品の取引価格(為替レート)Xの実際のデータを示すと共に、点線は、情報処理装置1による予測の結果を示す。図7においては、過去の時刻tn−mから現在の時刻tnまでの金融商品の取引価格の実際のデータが示されている。

0120

図7に示す例において、ニューラルネットワークである学習部32は、時刻tn−k−10から時刻tn−k−1までの過去の一定期間T(時刻tn−kの前の10分間)における金融商品の取引価格Xの値X(tn−k−10)・・・X(tn−k−1)と時刻tn−kにおける金融商品の取引価格Xの二階微分値d2x/dt2(t=tn−k)の正解情報との関係をk=0・・・mについて繰り返して学習する。例えば、学習部32は、14年分のデータを用いて1分刻みで学習する。

0121

それによって、学習部32は、所定の時刻前の10分間における金融商品の取引価格Xの値から所定の時刻における金融商品の取引価格の二階微分値を予測するモデルd2x/dt2(t=tn−k)=f(X(tn−k−10)・・・X(tn−k−1))を生成する。ここで、fは、モデルを表す非線形の関数である。

0122

このように、学習部32は、時系列のデータによって繰り返して学習するため、学習部32には、再帰型ニューラルネットワークを用いることが好ましい。

0123

次に、二階微分値予測部34aは、学習部32によって生成されたモデルを用いて、時刻tn+1における金融商品の取引価格Xの二階微分値d2X/dt2(tn+1)を予測する。

0124

取引価格予測部34cは、二階微分値予測部34aで予測された時刻tn+1における金融商品の取引価格Xの二階微分値d2X/dt2(tn+1)に基づいて、例えば、上述した式に従って、時刻tn+1における金融商品の取引価格Xの値X(tn+1)を予測する。

0125

図7に、過去の時刻tn−mから現在の時刻tnまでの金融商品の取引価格の実際のデータX(tn−m)・・・X(tn)に対して、情報処理装置1において同様にして予測された結果を示す。図7に示す予測の結果は、情報処理装置1が金融商品の取引価格Xの値を高い精度で予測することができることを示す。

0126

このように、情報処理装置1は、二階微分値予測部34aが過去の一定期間T(tn−k−10・・・tn−k−1)ごとの金融商品の取引価格Xの値X(tn−k−10)・・・X(tn−k−1)に基づいて過去の一定期間Tの経過後の時刻tn−kにおける金融商品の取引価格Xの二階微分値d2x/dt2(t=tn−k)を予測すると共に取引価格予測部34cが予測された二階微分値d2x/dt2(t=tn−k)に基づいて過去の一定期間Tの経過後の時刻tn−kにおける金融商品の取引価格Xの値X(tn−k)を予測するように構成されてもよい。

0127

なお、情報処理装置1は、二階微分値予測部34aが(現在を含むことがある)過去の一定期間ごとの金融商品の取引価格の値に基づいて次の一定期間後の時刻における金融商品の取引価格の二階微分値を予測すると共に取引価格予測部34cが予測された二階微分値に基づいて上記次の一定期間後の時刻における金融商品の取引価格の値を予測するように構成されてもよい。

0128

また、情報処理装置1は、二階微分値予測部34aが(現在を含むことがある)過去の一定期間ごとの金融商品の取引価格の値に基づいて一定期間よりも長い期間後の時刻における金融商品の取引価格の二階微分値を予測すると共に取引価格予測部34cが予測された二階微分値に基づいて上記一定期間よりも長い期間後の時刻における金融商品の取引価格の値を予測するように構成されてもよい。

0129

また、例えば、二階微分値予測部34aは、図3に示されたような複数の金融商品の取引価格に関する履歴の情報X1H(t)・・・X3E(t)(t=tn−m,tn−m+1・・・tn−2,tn−1,tn)を図4に示すような複数のモデル1A、・・・モデル3Cに入力する。

0130

それによって、二階微分値予測部34aは、複数の金融商品の取引価格X1、X2、X3の二階微分値等を予測する。取引価格予測部34cは、複数の金融商品の取引価格X1、X2、X3の二階微分値等に基づいて、複数の金融商品の取引価格X1、X2、X3の値を予測する。

0131

このように、情報処理装置1は、二階微分値予測部34aが複数の金融商品の取引価格に関する履歴の情報に基づいて複数の金融商品の取引価格の二階微分値等を予測すると共に取引価格予測部34cが複数の金融商品の取引価格の二階微分値等に基づいて複数の金融商品の取引価格を予測するように構成されてもよい。

0132

なお、情報処理装置1は、二階微分値予測部34aが複数の金融商品の取引価格に関する履歴の情報に基づいて複数の金融商品の取引価格の二階微分値等を予測すると共に取引価格予測部34cが複数の金融商品の取引価格の二階微分値等に基づいて単一の金融商品の取引価格を予測するように構成されてもよい。

0133

〔2.3.4.4.価格変動予測部34d〕
図6に戻り、価格変動予測部34dは、取得部31で取得された金融商品の取引価格に関する履歴の情報に基づいて、将来における金融商品の取引価格の所定値を超える変動を予測する。

0134

例えば、価格変動予測部34dは、金融商品の取引価格に関する履歴の情報に含まれる過去における金融商品の取引価格の所定値を超える変動を伴った情報を用いて、将来における金融商品の取引価格の所定値を超える変動を予測する。

0135

〔2.3.4.5.処理部34e〕
処理部34eは、価格変動予測部34dによって予測された所定値を超える変動に応じて所定の処理を実行する。処理部34eは、予測停止部34fと予測補間部34gとを備える。

0136

予測停止部34fは、価格変動予測部34dによって予測された所定値を超える変動に対応する期間において二階微分値予測部34aによる二階微分値の予測を停止させる。例えば、予測停止部34fは、通信部10およびネットワークNを介して端末装置3の表示器に金融商品の取引価格の予測を停止することを表示させる信号を送信する。

0137

あるいは、予測停止部34fは、価格変動予測部34dによって予測された所定値を超える変動に対応する期間において二階微分値予測部34aによる二階微分値の予測を停止させることなく、取引処理部37における処理を停止させてもよい。

0138

予測補間部34gは、価格変動予測部34dによって予測された所定値を超える変動に対応する期間において二階微分値予測部34aによる二階微分値の予測を補間する。

0139

例えば、予測補間部34gは、価格変動予測部34dによって予測された所定値を超える変動に対応する期間の前後における二階微分値の平均値を用いて二階微分値の予測を補間する。あるいは、例えば、予測補間部34gは、価格変動予測部34dによって予測された所定値を超える変動に対応する期間の前後における二階微分値を用いて連続的に二階微分値の予測の補間をする。

0140

例えば、取引価格予測部34cは、二階微分値予測部34aで予測された二階微分値および予測補間部34gで補間された二階微分値に基づいて、金融商品の取引価格を予測する。

0141

例えば、予測部34は、予測された金融商品の取引価格の値を予測情報記憶部24に記憶する。

0142

予測部34によって予測された金融商品の取引価格に関する情報としては、二階微分値予測部34aによって予測された金融商品の取引価格の二階微分値、一階微分値予測部34bによって予測された金融商品の取引価格の一階微分値、取引価格予測部34cによって予測された金融商品の取引価格の値、および価格変動予測部34dによって予測された金融商品の取引価格の所定値を超える変動の値などが挙げられる。

0143

〔2.3.5.受付部35〕
受付部35は、端末装置3からネットワークNおよび通信部10を介して金融商品の取引価格の値についての予測の要求に関する情報を受け付ける。

0144

金融商品の取引価格の値についての予測の要求に関する情報としては、例えば、取引価格の予測に係る、金融商品の種類、金融商品の取引価格の値の種類、年月日、時刻、および時間などが挙げられる。

0145

例えば、受付部35は、金融商品の取引価格の値についての予測の要求に関する情報を受付情報記憶部25に記憶する。

0146

〔2.3.6.配信部36〕
配信部36は、受付部35が金融商品の取引価格の値についての予測の要求に関する情報を受け付けた場合には、予測部34における取引価格予測部34cによって予測された金融商品の取引価格の値を、通信部10およびネットワークNを介して端末装置3に配信する。

0147

〔2.3.7.取引処理部37〕
例えば、取引処理部37は、通信部10およびネットワークNを介して取引装置2に金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を送信する。

0148

例えば、取引処理部37は、予測部34における取引価格予測部34cによって予測された金融商品の取引価格の値に対する所定の条件を取引情報記憶部26から読み出す。

0149

そして、取引処理部37は、予測部34における取引価格予測部34cによって予測された金融商品の取引価格の値が所定の条件を満たすか否かについて判定する。

0150

取引処理部37は、予測部34における取引価格予測部34cによって予測された金融商品の取引価格の値が所定の条件を満たす場合に、通信部10およびネットワークNを介して取引装置2に金融商品の取引に関する情報を送信する。

0151

例えば、取引処理部37は、取引価格予測部34cによって予測された金融商品の取引価格の値が所定の値または現在における金融商品の取引価格に対して高い(低い)場合に、取引装置2に金融商品を売る(買う)意思表示に関する情報を送信する。

0152

あるいは、例えば、取引処理部37は、学習部32において金融商品の取引価格に関する履歴の情報から金融商品の取引価格の二階微分値を予測するモデルを生成する際の誤差関数の値が所定の値より大きい(小さい)場合に、取引装置2に金融商品を売買しない(売買する)意思表示に関する情報を送信するように構成されてもよい。

0153

取引処理部37は、所定の条件に対する金融商品の取引に関する情報、例えば、金融商品を売買する意思表示に関する情報を取引情報記憶部26に記憶する。

0154

〔3.学習処理の手順〕
次に、図8を用いて、実施形態に係る学習部における学習処理の手順の一例を説明する。図8は、実施形態に係る学習部における学習処理の手順の一例を示すフローチャートである。

0155

図8に示すように、まず、情報処理装置1における学習部32は、金融商品の取引価格に関する履歴の情報を取得する(ステップS101)。

0156

その後、学習部32は、金融商品の取引価格の二階微分値等の正解情報を算出する(ステップS102)。

0157

その後、学習部32は、学習部32から出力される金融商品の取引価格の二階微分値等と取引価格の二階微分値等の正解情報との間の誤差関数の値を最小化するようにモデルを生成する(ステップS103)。

0158

その後、学習部32は、誤差関数の値が所定の条件を満たすか否かについて判定する(ステップS104)。誤差関数の値が所定の条件を満たす場合(ステップS104:Yes)には、学習部32は、学習処理を終了する。誤差関数の値が所定の条件を満たさない場合(ステップS104:No)には、学習部32は、ステップS103に戻る。

0159

〔4.取引価格の予測の手順〕
次に、図9を用いて、実施形態に係る金融商品の取引価格に関する予測の手順の一例を説明する。図9は、実施形態に係る金融商品の取引価格に関する予測の手順の一例を示すフローチャートである。

0160

図9に示すように、まず、情報処理装置1は、金融商品の取引価格に関する履歴の情報を取得する(ステップS201)。

0161

その後、情報処理装置1は、金融商品の取引価格の所定値を超える変動を検出したか否かについて判定する(ステップS202)。

0162

金融商品の取引価格の所定値を超える変動を検出した場合(ステップS202:Yes)には、情報処理装置1は、ステップS203に進む。

0163

その後、情報処理装置1は、金融商品の取引価格に関する履歴の情報から取引価格の所定値を超える変動を伴った情報を除く(ステップS203)。

0164

金融商品の取引価格の所定値を超える変動を検出しなかった場合(ステップS202:No)には、情報処理装置1は、ステップS204に進む。

0165

その後、情報処理装置1は、金融商品の取引価格の二階微分値等を予測する(ステップS204)。

0166

その後、情報処理装置1は、金融商品の取引価格の値を予測する(ステップS205)。

0167

その後、情報処理装置1は、金融商品の取引価格の値についての予測の要求を受け付けたか否かを判定する(ステップS206)。

0168

金融商品の取引価格の値についての予測の要求を受け付けた場合(ステップS206:Yes)には、情報処理装置1は、ステップS207に進む。

0169

その後、情報処理装置1は、予測された金融商品の取引価格の値を配信する(ステップS207)。

0170

金融商品の取引価格の値についての予測の要求を受け付けなかった場合(ステップS206:No)には、情報処理装置1は、ステップS208に進む。

0171

その後、情報処理装置1は、予測された金融商品の取引価格の値が所定の条件を満たすか否かについて判定する(ステップS208)。

0172

予測された金融商品の取引価格の値が所定の条件を満たす場合(ステップS208:Yes)には、情報処理装置1は、ステップS209に進む。

0173

その後、情報処理装置1は、金融商品の取引処理を実行する(ステップS209)。

0174

予測された金融商品の取引価格の値が所定の条件を満たさない場合(ステップS208:No)には、情報処理装置1は、金融商品の取引価格についての予測の処理を終了する。

0175

〔5.ハードウェア構成〕
上述してきた実施形態に係る情報処理装置1は、例えば図10に示すような構成のコンピュータ100によって実現される。図10は、実施形態に係る情報処理装置1の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ100は、CPU110、RAM120、ROM130、HDD(Hard Disk Drive)140、メディアインターフェイス(I/F)150、通信インターフェイス(I/F)160、及び入出力インターフェイス(I/F)170を有する。

0176

CPU110は、ROM130またはHDD140に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM130は、コンピュータ100の起動時にCPU110によって実行されるブートプログラムや、コンピュータ100のハードウェアに依存するプログラム等を格納する。

0177

HDD140は、CPU110によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。

0178

メディアインターフェイス150は、記録媒体180に格納されたプログラムまたはデータを読み取り、RAM120を介してCPU110に提供する。CPU110は、かかるプログラムを、メディアインターフェイス150を介して記録媒体180からRAM120上にロードし、ロードしたプログラムを実行する。記録媒体180は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体テープ媒体磁気記録媒体、または半導体メモリ等である。

0179

通信インターフェイス160は、ネットワークNを介して他の機器からデータを受信してCPU110へ送り、CPU110が生成したデータをネットワークNを介して他の機器へ提供する。

0180

CPU110は、入出力インターフェイス170を介して、ディスプレイプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU110は、入出力インターフェイス170を介して、入力装置からデータを取得する。また、CPU110は、生成したデータを入出力インターフェイス170を介して出力装置へ出力する。

0181

例えば、コンピュータ100が実施形態に係る情報処理装置1として機能する場合、コンピュータ100のCPU110は、RAM120上にロードされたプログラムを実行することにより、制御部30の機能を実現する。コンピュータ100のCPU110は、これらのプログラムを記録媒体180から読み取って実行するが、他の例として、他の装置からネットワークNを介してこれらのプログラムを取得してもよい。

0182

また、上述した情報処理装置1は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をAPI(Application Programming Interface)またはネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

0183

〔6.効果〕
上述してきたように、実施形態に係る情報処理装置1は、取得部31と、二階微分値予測部34aと、取引価格予測部34cとを備える。取得部31は、取引価格が変動する金融商品の取引価格に関する履歴の情報を取得する。二階微分値予測部34aは、取得部31で取得された履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。取引価格予測部34cは、二階微分値予測部34aで予測された二階微分値に基づいて、取引価格を予測する。

0184

このように、実施形態に係る情報処理装置1は、履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値を予測すると共に予測された二階微分値に基づいて金融商品の取引価格を予測するので、金融商品の取引価格を高い精度で予測することができる。

0185

また、実施形態に係る情報処理装置1は、一階微分値予測部34bをさらに備える。一階微分値予測部34bは、取得部31で取得された履歴の情報に基づいて、取引価格の時間に関する一階微分値を予測する。取引価格予測部34cは、二階微分値予測部34aで予測された二階微分値および一階微分値予測部34bで予測された一階微分値に基づいて、取引価格を予測する。

0186

このように、実施形態に係る情報処理装置1は、履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値および一階微分値を予測すると共に予測された二階微分値および予測された一階微分値の両方に基づいて金融商品の取引価格を予測するので、金融商品の取引価格をより高い精度で予測することができる。

0187

また、情報処理装置1において、履歴の情報は、過去の一定期間における取引価格に関する情報を含む。二階微分値予測部34aは、過去の一定期間における取引価格に関する情報に基づいて、取引価格の時間に関する二階微分値を予測する。

0188

このように、実施形態に係る情報処理装置1は、過去の一定期間における金融商品の取引価格に関する情報に基づいて、金融商品の取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を簡便に予測すると共に金融商品の取引価格を簡便に高い精度で予測することができる。

0189

また、情報処理装置1において、二階微分値予測部34aは、履歴の情報により学習されたニューラルネットワークを用いて取引価格の時間に関する二階微分値を予測する。

0190

このように、実施形態に係る情報処理装置1は、金融商品の取引価格に関する履歴の情報により学習されたニューラルネットワークを用いて取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を高い精度で予測すると共に金融商品の取引価格をより高い精度で予測することができる。

0191

また、実施形態に係る情報処理装置1は、検出部33をさらに備える。検出部33は、取得部31で取得された履歴の情報に基づいて、取引価格の所定値を超える変動を検出する。二階微分値予測部34aは、検出部33によって検出された所定値を超える変動を伴った情報を除いた履歴の情報に基づいて、取引価格の時間に関する二階微分値を予測する。

0192

このように、実施形態に係る情報処理装置1は、金融商品の取引価格の所定値を超える変動を伴った情報を除いた履歴の情報に基づいて金融商品の取引価格の時間に関する二階微分値を予測するので、金融商品の取引価格の時間に関する二階微分値を高い精度で予測すると共に金融商品の取引価格をより高い精度で予測することができる。

0193

また、実施形態に係る情報処理装置1は、価格変動予測部34dと、処理部34eとをさらに備える。価格変動予測部34dは、取得部31で取得された履歴の情報に基づいて、取引価格の所定値を超える変動を予測する。処理部34eは、価格変動予測部34dによって予測された所定値を超える変動に応じて所定の処理を実行する。

0194

このように、実施形態に係る情報処理装置1は、金融商品の取引価格に関する履歴の情報に基づいて取引価格の所定値を超える変動を予測すると共に予測された所定値を超える変動に応じて金融商品の取引価格の予測の停止または補間のような所定の処理を実行するので、金融商品の取引価格を必要に応じて適切に予測することができる。

0195

〔7.その他〕
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

0196

また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

0197

この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

0198

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

0199

また、上述してきた実施形態は、処理内容矛盾させない範囲で適宜組み合わせることが可能である。

0200

また、上記してきた「部(section、module、unit)」は、「手段」または「回路」などに読み替えることができる。例えば、予測部は、予測手段または予測回路などに読み替えることができる。

0201

1情報処理装置
2取引装置
3端末装置
10通信部
20 記憶部
21履歴情報記憶部
22学習情報記憶部
23検出情報記憶部
24予測情報記憶部
25受付情報記憶部
26取引情報記憶部
30 制御部
31 取得部
32 学習部
33 検出部
34予測部
34a二階微分値予測部
34b一階微分値予測部
34c取引価格予測部
34d価格変動予測部
34e 処理部
34f予測停止部
34g 予測補間部
35 受付部
36 配信部
37取引処理部
N ネットワーク

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

該当するデータがありません

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

この 技術と関連性が強い技術

該当するデータがありません

この 技術と関連性が強い法人

該当するデータがありません

この 技術と関連性が強い人物

該当するデータがありません

この 技術と関連する社会課題

該当するデータがありません

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ