1.リファクタリング作業内容の整理

コメダにこもって考えました。
f:id:kurupical:20170818225455p:plain

2.データ学習方法の改良

今日は以下の赤文字部分の改良をしました。

[学習フェーズ]以下を指定し、AIに株の値動きを学習させる。

翌営業日の株価を予想するために取り込むデータ数（例：１００日分を取り込み次の１日の株価を予想）

各種パラメータ（隠れ層の数(2次元)、学習率、分類器、学習回数)

学習対象データの絞り込み（例：指定した銘柄の値動きと相関が高いものだけを学習データとする）

[学習フェーズ]学習済モデル（いわゆるAI）ができる

[売買フェーズ]以下を指定する

[学習フェーズ]でできた学習モデル

適用する売買アルゴリズム（例：予想が１０％以上上がっていれば買い）

適用する資産管理ルール（例：総資産の１０％は現金として保有する）

売買対象の銘柄

売買開始時期

売買日数

[売買フェーズ]売買プログラムを走らせる

[売買フェーズ]以下のような結果が出力される

売買履歴

最終的な利益

(売買履歴をグラフ化したもの）…余裕があれば作りたいです。

学習の仕方は現在１つで。「過去１００日分を取り込み、次の１日の株価を予想。」
指定した過去１００日分の株価だけで予想できるほど単純ではないと思っています。
また、学習モデルに３０日先を予想しようとすれば

①１日〜１００日　　　　　　　　　　　　　　　→　１０１日目の株価を予想
②２日〜１００日＋予想した１０１日　　　　　　　　→　１０２日目の株価を予想
③３日〜１００日＋予想した１０１〜１０２日　　　　　→　１０３日目の株価を予想
・
・
・
㉚３０日〜１００日＋予想した１０１〜１２９日　　　　　→　１３０日目の株価を予想

上記のようになり、日が進めば進むほど、「取込データのうち学習モデルが予想したデータ」の割合が高くなり、先になればなるほど精度が悪くなるのは目に見えていました。
ということで、どうすればよいか考察しました。

まずは、成果目標の見直し。

目標：年利１０％

そのうえで、２つの仮説を立てました。

目標達成の仮説１：学習データを「１００銘柄の１００日分」とする。
（※１００日分、１００銘柄の各値は要チューニング）
これまでは学習データとして１銘柄の１００日分を用意していましたが、これではデータ不足であると思っています。ということで、学習に使うデータをもっと増やして、精度が高くなるか確かめます。
参考：
qiita.com
この記事では、２８つの為替レートを学習データとして、１つの為替レートを予想しています。
※RNNではなく、ベーシックなNNを使っています。

目標達成の仮説２：過去１００日のデータから、未来３０日分の株価の「最大値」「最小値」を予想する→予想した最大値が、現在価格より１０％以上であれば売り注文を出す。
（※１００日、未来３０日、１０％は各値は要チューニング）
次に…そもそも、成果目標は「株価を予想すること」ではなく、年利１０％を実現することです。
ですので、キレイに未来のチャートの形を予想することは絶対ではないです。
値動きの幅さえわかれば売買は可能でしょう。

この２つを実装する（＋将来的に他の仮説を検証する）ためには、1.で挙げたソースのリファクタリング（機能単位に分割）が必須です。今のソースだとかなりテストがし辛いです。