26日は何もしなかったので、寝ずに就活の準備をした。
悪あがき。
・リクナビ、マイナビの自己PR編集
マイナビではGP(Good Potential)を1社から貰ってた。
一体どんな企業が興味を持ってくれたのか、気になる。
スカウトをもらえば、企業への関心を話しやすいので、更に自己PRなどの改善が必要か。
・SPI
基礎的なことを勉強。
P121 集合 までやった。
あとは面接の本でも読みながら寝ることにする。
・どーでもいいこと
ニコニコ動画を新バージョンに変更した。
個人的には前より見やすくなったと思う。
本編改造淫夢を見た。
今日は一日、寝てダークソウルしただけだった。
成果ナシ。
この自堕落生活から抜け出したい。
頭では分かっているが、自分の中の弱さがそうさせる。
研究もそうだけど、就活も準備しないとなあ・・・
やる気出せ俺！
成果ナシ。
この自堕落生活から抜け出したい。
頭では分かっているが、自分の中の弱さがそうさせる。
研究もそうだけど、就活も準備しないとなあ・・・
やる気出せ俺！
株価予測研究
従来の株価予測研究では、短期的な予測で、かつ予測精度は50%強、良くて60%程度である。
そこで新しい周波数解析法を用いて株価周期の導出を行い、予測対象を特徴的な変動をする周期に置き換え、それを時間領域の信号に戻すことで予測精度向上または予測可能期間の延長が図れないか試みている。
NHA(周波数解析法、FFTの上位互換)による株価の分析
NHAで株価の周波数を推定し、逆数を取ることで株価の周期を導出、可視化←世界初！
株価の周期には、株価そのものからは見ることができない、特徴的な変化が見られる。
特徴的な変化と実際に起こった事件との関連性も示唆される。
長周期成分(一番長い周期)と、株価暴落事件との関連性をまとめた論文を発表した。
DOI: http://dx.doi.org/10.6000/1929-7092.2013.02.12
無料なんで誰かダウンロードしてみてちょｗ
ニューラルネットワークの作成
Time-domainの信号とみなしたNASDAQの株価とNHAで株価から導出した周期(Frequency-domain)での予測を行った。
予測期間は、翌日、3日後、１週間後、2週間後、3週間後、１ヶ月後、２ヶ月後、3ヶ月後、4ヶ月後である。
現実世界の「周期」と見なせる日数である。
結果としてはTime-domainの株価の方がRMSEが小さくなった。
周期の急激な変動がニューラルネットワークの学習に影響しているためと思われる。
しかし問題点として、株価と周期の正規化の幅の違いが挙げられる。
上限下限の値が違うため、正規化後の値に差が出てくる。
また予測した結果をFrequency-domainからTime-domainの信号へと戻す必要がある。
カンタン！Frequency-domainからTime-domainへの戻し方！
NHAではAmpritude(振幅)、Frequency(周波数)、Phase(位相)が求まる。
周期は1/Fなので、周期の逆数を取り周波数に戻す。
戻した周波数の積分を波の式、A(t)*cos(2*π*f*t+φ)にあてはめる。
あてはめる部分はf*tである。
周波数領域での予測の有効性を示すため、色々模索中・・・
・高周波成分の割合⇒比較できず
・分散
・相関⇒僅かに差ありか？
・逆変換
などなど試しているが、裏付けとなる科学的根拠が得られず、微妙に行き詰まり状態・・・
今後どのように研究を展開していくかが悩みどころである。
従来の株価予測研究では、短期的な予測で、かつ予測精度は50%強、良くて60%程度である。
そこで新しい周波数解析法を用いて株価周期の導出を行い、予測対象を特徴的な変動をする周期に置き換え、それを時間領域の信号に戻すことで予測精度向上または予測可能期間の延長が図れないか試みている。
NHA(周波数解析法、FFTの上位互換)による株価の分析
NHAで株価の周波数を推定し、逆数を取ることで株価の周期を導出、可視化←世界初！
株価の周期には、株価そのものからは見ることができない、特徴的な変化が見られる。
特徴的な変化と実際に起こった事件との関連性も示唆される。
長周期成分(一番長い周期)と、株価暴落事件との関連性をまとめた論文を発表した。
DOI: http://dx.doi.org/10.6000/1929-7092.2013.02.12
無料なんで誰かダウンロードしてみてちょｗ
ニューラルネットワークの作成
Time-domainの信号とみなしたNASDAQの株価とNHAで株価から導出した周期(Frequency-domain)での予測を行った。
予測期間は、翌日、3日後、１週間後、2週間後、3週間後、１ヶ月後、２ヶ月後、3ヶ月後、4ヶ月後である。
現実世界の「周期」と見なせる日数である。
結果としてはTime-domainの株価の方がRMSEが小さくなった。
周期の急激な変動がニューラルネットワークの学習に影響しているためと思われる。
しかし問題点として、株価と周期の正規化の幅の違いが挙げられる。
上限下限の値が違うため、正規化後の値に差が出てくる。
また予測した結果をFrequency-domainからTime-domainの信号へと戻す必要がある。
カンタン！Frequency-domainからTime-domainへの戻し方！
NHAではAmpritude(振幅)、Frequency(周波数)、Phase(位相)が求まる。
周期は1/Fなので、周期の逆数を取り周波数に戻す。
戻した周波数の積分を波の式、A(t)*cos(2*π*f*t+φ)にあてはめる。
あてはめる部分はf*tである。
周波数領域での予測の有効性を示すため、色々模索中・・・
・高周波成分の割合⇒比較できず
・分散
・相関⇒僅かに差ありか？
・逆変換
などなど試しているが、裏付けとなる科学的根拠が得られず、微妙に行き詰まり状態・・・
今後どのように研究を展開していくかが悩みどころである。
今日のまとめ
面談
長周期成分を逆変換した信号
NASDAQ終値、長周期成分の自己相関関数
を報告。
逆変換した長周期成分は変化が顕著な部分とそうでない部分が見られる。
ある程度復元できているような気がする・・・
1本でこの程度ならまあまあか。
今回は24年間を一気に変換したので、差が大きく出た可能性がある。
⇒1年、2年ごとの短期に分けて戻すとマシになるかも？
自己相関関数では直流成分の除去を言われた。
調べてみると直流成分＝平均値らしい。つまり
autocorr = 1/NΣ[n=0→N-1-k]x(n)*x(n+k) (kはτと記述される場合もあり)
のx(n)をx(n)-mean(x(n))に置き換えたものである。
直流成分の除去の結果、終値の自己相関よりも長周期成分の自己相関が僅かに相関がある。
2年に1度程度のピークも見られた。
⇒短周期成分にも自己相関関数を適用してどのような結果になるか見てみる。
当面の目標は周期 領域での予測の有効性を示すことである。
既成事実の確認だけでなく、何か科学的に裏付けとなる根拠があればいいのだが・・・
道は長そう。
面談
長周期成分を逆変換した信号
NASDAQ終値、長周期成分の自己相関関数
を報告。
逆変換した長周期成分は変化が顕著な部分とそうでない部分が見られる。
ある程度復元できているような気がする・・・
1本でこの程度ならまあまあか。
今回は24年間を一気に変換したので、差が大きく出た可能性がある。
⇒1年、2年ごとの短期に分けて戻すとマシになるかも？
自己相関関数では直流成分の除去を言われた。
調べてみると直流成分＝平均値らしい。つまり
autocorr = 1/NΣ[n=0→N-1-k]x(n)*x(n+k) (kはτと記述される場合もあり)
のx(n)をx(n)-mean(x(n))に置き換えたものである。
直流成分の除去の結果、終値の自己相関よりも長周期成分の自己相関が僅かに相関がある。
2年に1度程度のピークも見られた。
⇒短周期成分にも自己相関関数を適用してどのような結果になるか見てみる。
当面の目標は周期 領域での予測の有効性を示すことである。
既成事実の確認だけでなく、何か科学的に裏付けとなる根拠があればいいのだが・・・
道は長そう。