著者

三浦 和起 日野 英逸 村田 昇

出版者

情報処理学会

雑誌

研究報告数理モデル化と問題解決(MPS) (ISSN:18840930)

巻号頁・発行日

vol.2010, no.9, pp.1-6, 2010-12-09

---

時系列の予測は古くからある重要な問題であり,特に株価の予測は経済動向の予測や資産運用の指針として需要が高い.コンピュータ性能の発達と共に,学習理論を用いた経済時系列データに関する研究が活発に行われているが,株価のメカニズムを捉えることは依然として困難な問題である.本稿では,単一の予測モデルにより株価を一点で予測するのではなく,複数の予測モデルの学習を行い,各モデルに適切な重みを付けることで予測値の分散を低減する手法を提案する.基礎となる予測モデルは遺伝的プログラミングを用いて構成する.各予測モデルの重みは,学習用データと予測モデルの出力値とのクロスエントロピーが最小となるように定める.提案した予測手法の有用性を,人工データ及び日経平均株価の 1 分足の予測によって検証する.Prediction of time series data is a long standing important problem. Especially, prediction of stock price is much in demand for forecasting the economic trend and guideline for asset maintenance. Although there are growing number of studies on learning theory based time series prediction, the prediction of stock prices is still being very difficult task. In this study, the stock prices is predicted not only using one predictor, but using a set of predictors generated by the method of Genetic Programming (GP). Each element predictor is given non-negative weight, and the weight is optimized to minimize the cross entropy between the true learning stock prices and the weighted sum of predicted values. The proposed stock price prediction method is evaluated using both an artificial data and real-world stock price data.