JP6955287B2 - 不正株取引検出プログラム - Google Patents

Description

本発明は、不正な株取引を検出する不正株取引検出プログラムに関する。

株取引を行う際の様々な助言を行うアプリや、株取引の自動化、即ち自動トレードを行うシステムが近年において利用されるようになっている。このようなアプリやシステムを利用する上では、膨大なデータ分析の下で助言をしてもらった方が勝率をより高くすることができ、利益の増加も期待できる。しかしながら、その膨大なデータを取得することができたとしても、これを分析してユーザに対して的確な助言ができるような出力解をまとめ上げることは相当な労力を要する。またこれらの作業を自動的に行うことができるシステムは従来において提案されていないのが現状であった。

また、近年において、インサイダー取引と呼ばれる、不正な株取引が横行している。取引対象の企業において今後起こり得るイベントを事前に入手し、そのイベントが発表される前に株式を売買することで他人よりも多くの利益を確保し、或いは他人よりも少ない損失とする、不正な株取引は取り締まる必要があるものの、それを完全に行うためには膨大な労力がかかるという問題点があった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、不正な株取引を人による手作業に頼ることなく高精度に検出することが可能な不正経費検出プログラムを提供することにある。

上述した課題を解決するために、本発明に係る不正株取引検出プログラムは、不正な株取引を検出する不正株取引検出プログラムにおいて、取引銘柄の市況に判別対象者による売買履歴が紐付けられた売買履歴情報を取得する情報取得ステップと、予め取得した取引銘柄の市況に過去の取引者の売買履歴が紐付けられた各参照用売買履歴情報に対して２以上の不正可能性が３段階以上の連関度を以って関連付けられた学習済みデータを利用し、上記情報取得ステップにおいて取得した売買履歴情報に応じた参照用売買履歴情報に関連付けられている連関度のうちより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、不正な株取引を人による手作業に頼ることなく高精度に検出することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した株取引情報表示プログラムについて、図面を参照しながら詳細に説明をする。

第１実施形態
図１は、本発明を適用した株取引情報表示プログラムが実装される株取引情報表示システム１の全体構成を示すブロック図である。株取引情報表示システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。

データベース３は、株取引情報表示を行う上で必要な様々な情報が蓄積される。株取引情報表示を行う上で必要な情報としては、過去の市況に関する参照用市況情報、過去の市況の検出時期に発生したイベントが反映された参照用イベント情報、過去の市況の検出時期における外部環境が反映された参照用外部環境情報、過去の市況の検出時期における家計に関する統計的データが反映された参照用家計情報、過去の市況の検出時期における不動産に関する統計的データが反映された参照用不動産情報、過去の市況の検出時期に発表された専門家の意見が反映された参照用専門家意見情報、過去の市況の検出時期における自然環境の情報が反映された参照用自然環境情報と、その過去の市況における各銘柄の株価の増減データとのデータセットが記憶されている。

つまり、データベース３には、このような参照用市況情報に加え、参照用イベント情報、参照用外部環境情報、参照用家計情報、参照用不動産情報、参照用専門家意見情報、参照用自然環境情報の何れか１以上と、過去の市況における各銘柄の株価の増減データが互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる株取引情報表示システム１における動作について説明をする。

株取引情報表示システム１では、例えば図３に示すように、参照用市況情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。

各銘柄の株価の増減データは、その参照用市況情報を取得した後の時点において各銘柄の株価の増減がどの程度あったかを示すデータである。この増減データは、実際の増減した値幅でカウントされるものであってもよいし、増減率で表現されるものであってもよい。この増減データは、前の時点（即ち、参照用市況情報を取得した時点）の株価に対する、測定時点（後の時点）における株価の増減で表される。ここでいう前の時点は、測定時点より１０秒前、１分前、３０分前、１時間前、４時間前、１日前、１０日前、１か月前、１年前、５年前等のように、測定時点に対していかなる時間幅をもって構成されるものであってもよい。つまり株価の増減データは、チャートにおけるある時点を測定時点としたとき、その測定時点における株価の、その前の時点における株価に対する増減を示すものである。或いは、この株価の増減データは、株価のチャートでいうところの足そのものを表現するものであってもよい。

つまり、この参照用市況情報と、株価の増減データのデータセットを通じて、参照用市況情報において生じた様々なテクニカルなイベント（例えばチャートが３日連続で上がっている、一時的に高値を付けた上ヒゲがチャート上に現れた場合等）の後の時点においてどのように株価が増減したかが分かる。つまりテクニカルなイベントに対する株価の増減結果がデータセットとなっている。このため、参照用市況情報と株価の増減データのデータセットを集めておくことにより、過去どのような市況となった後の時点で、株価がどのように増減したかを知ることが可能となる。

図３の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用市況情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。

参照用市況情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報から最も確からしいる株価の増減データを選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、ある参照用市況情報が、とある銘柄の株価チャートにおいて、先行するＭＡＣＤが遅行する同平均（ＳＩＧＮＡＬ）を下から上に抜いた時であるものとする。このような市況において、当該銘柄の株価がその後の時点において３０％アップしたものが多かったものとする。このような場合には、当該銘柄の株価３０％アップの連関度が強くなる。これに対して、全く同じ市況において、当該銘柄の株価がその後の時点において２５％ダウンしたものが多く、当該銘柄の株価３０％アップしたものが少ないものとする。かかる場合には、当該銘柄の株価２５％ダウンの連関度が強くなり、当該銘柄の株価３０％アップの連関度が低くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１である場合に、過去の各銘柄の株価の値動きデータから分析する。これは、例えば過去の株価チャートの電子データから抽出するようにしてもよい。参照用市況情報Ｐ０１である場合に、各銘柄の株価の増減データＡ１（銘柄〇×社 ７５％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ３（銘柄△□社 ２５％ダウン）の事例が多い場合には、この増減データＡ３につながる連関度をより高く設定する。例えば参照用市況情報Ｐ０１の例では、増減データＡ１と、増減データＡ３にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ３につながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期における市況に関する市況情報を取得する。この市況情報は、上述した参照用市況情報と同種のデータで構成される。

新たに取得する市況情報は、上述した情報取得部９により入力される。情報取得部９は、チャートや値動きのデータ等を電子データとして取得するようにしてもよい。

このようにして新たに取得した市況情報に基づいて、実際にその市況情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する市況情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

図４の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用行事日程情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用行事日程情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

図４の例では、参照用市況情報と、参照用行事日程情報との組み合わせが形成されていることが前提となる。参照用行事日程情報とは、国内又は国外において発生した様々な株価に影響与える行事日程に関する情報である。この参照用行事日程情報の例としては、例えば、金曜日等のように週末を持ち越したくない日や、年末年始やゴールデンウィーク等の長期休日前の最後の営業日等は株の売却数が増える傾向があるが、このような行事日程を含むものである。また、この参照用行事日程情報としては、配当権利落ち日や、様々な記念日、株主優待がもらえる日等も含む。更にこの参照用行事日程情報としては、オリンピックや国体、祭り、万博、ワールドカップのようなスポーツイベントの開催日等、予め行事として日程が決まっているあらゆるものを含むものである。この行事日程情報は、年月日で表されるが、これに対してそれぞれの行事内容が紐付けられてなるものであってもよい。これらの参照用行事日程情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよいし、ユーザ側、システム側において更新入力がなされるものであってもよい。

図４の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用行事日程情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用行事日程情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用市況情報と参照用行事日程情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用行事日程情報がこの連関度を介して左側に配列し、各銘柄の株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用行事日程情報に対して、各銘柄の株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用行事日程情報が、いかなる各銘柄の株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用行事日程情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況データに加え、実際に社会全体、又は各企業において起こった様々なイベントに応じて、後の時点における各銘柄の株価の増減データは異なるものとなる。このため、これらの参照用市況情報と参照用行事日程情報の組み合わせで、最適な銘柄の株価の増減データを探索していくこととなる。

図４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用行事日程情報、並びにその場合の各銘柄の株価の増減データの何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用行事日程情報Ｐ１６である場合に、その各銘柄の株価の増減データを過去のデータから分析する。各銘柄の株価の増減データが増減データＡ１（銘柄〇×社 ７５％アップ）の事例が多い場合には、この増減データＡ１につながる連関度をより高く設定し、増減データＡ２（銘柄〇×社 ５０％ダウン）の事例が多く、増減データＡ１の事例が少ない場合には、増減データＡ２につながる連関度を高くし、増減データＡ１につながる連関度を低く設定する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図４に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用行事日程情報Ｐ１４の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用行事日程情報Ｐ１５、Ｐ１７の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから株取引情報表示のための増減データの探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに株取引を行う時期における市況に関する市況情報を取得するとともに、新たに株取引を行う時期に予定されている行事の日程に関する行事日程情報を取得する。この行事日程情報は、上述した参照用行事日程情報に対応するものである。

このようにして新たに取得した市況情報、行事日程情報に基づいて、最適な各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、行事日程情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。
図５は、上述した参照用市況情報と、参照用ファンダメンタル情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用ファンダメンタル情報及びファンダメンタル情報は、株取引を行う上でいわゆるファンダメンタル分析を行う上での各銘柄の財務指標、経営指標等であり、例えば自己資本比率、流動比率、手元流動性、キャッシュフロー、ＥＰＳの経年変化、売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標である。これ以外に、通常の財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書等も参照用ファンダメンタル情報及びファンダメンタル情報に含まれる。更にこの参照用ファンダメンタル情報及びファンダメンタル情報には、会社四季報に掲載されている情報、株主構成、資本金、資本剰余金等の情報も含まれる。この参照用ファンダメンタル情報及びファンダメンタル情報は、上述した各指標やデータの変化傾向で構成されていてもよい。例えば、一の時点における売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標と、その後の時点における売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標の差異、増減を参照用ファンダメンタル情報及びファンダメンタル情報としてもよい。

図５の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用ファンダメンタル情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用ファンダメンタル情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用市況情報と参照用ファンダメンタル情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に株価チャートにおいて不利なシグナルが現れていても、その銘柄のファンダメンタルな財務状況が良ければそれほど大きなリスクと捉えられることなく、株価の落ち込みもあまり大きくならない場合があるが、このようなケースも含めてこの図５に示す連関度を通じて判断する。参照用市況情報と参照用ファンダメンタル情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用ファンダメンタル情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用ファンダメンタル情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用ファンダメンタル情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況情報に加え、実際のファンダメンタル情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用市況情報と参照用ファンダメンタル情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用ファンダメンタル情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

図５に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用ファンダメンタル情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用ファンダメンタル情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況情報に加え、株取引を行う時期における各銘柄のファンダメンタル情報を取得する。

このようにして新たに取得した市況情報、ファンダメンタル情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、ファンダメンタル情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図６は、上述した参照用市況情報と、参照用関連銘柄市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用関連銘柄市況情報及び関連銘柄市況情報は、株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報で構成されている。他の関連銘柄とは、その取引候補銘柄が仮に自動車メーカーであれば、ライバルとなる他の自動車メーカーであってもよいし、自動車メーカーに部品を供給する部品メーカーであってもよい。他の関連銘柄は、同一業界の中のライバル企業のみならず、他の業界であっても取引候補銘柄と互いに協調してエコシステムを構築する企業も含まれる。この関連銘柄は、システム内において取引候補銘柄に対して予め設定されていてもよいし、ユーザ側において自在に設定してもよい。またこの関連銘柄は、インターネットによるアクセス傾向等を分析し、ある一の銘柄にアクセスする場合に、同様にアクセスする頻度の高い他の銘柄を関連銘柄として設定するようにしてもよい。

市況情報の詳細は、上述と同様である。このため、参照用関連銘柄市況情報及び関連銘柄市況情報は、関連銘柄における時系列的なチャートや折れ線グラフ、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報で構成される。

図６の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用関連銘柄市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用関連銘柄市況情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各取引候補銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から取引候補銘柄の株価の増減を予測するものである。

参照用市況情報と参照用関連銘柄市況情報との各組み合わせ（中間ノード）は、この出力解としての、各取引候補銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利な株価チャートのシグナルが発生し、関連銘柄の値動き下落傾向にあれば、取引候補銘柄の株価の下落可能性もより確度が高いものと判断することができる。このようなケースも含めてこの図６に示す連関度を通じて判断する。参照用市況情報と参照用関連銘柄市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用関連銘柄市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用関連銘柄市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用関連銘柄市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。市況情報に加え、実際の関連銘柄の値動きがいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用市況情報と参照用関連銘柄市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用関連銘柄市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

図６に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用関連銘柄市況情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用関連銘柄市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況情報に加え、株取引を行う時期における各銘柄の関連銘柄市況情報を取得する。

このようにして新たに取得した市況情報、関連銘柄市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、関連銘柄市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図７は、上述した参照用市況情報と、参照用テキスト情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用テキスト情報とは、ユーザや個人投資家、投資期間により各種情報サイトへ書き込まれたあらゆるテキストデータを含む。この参照用テキスト情報は、株の増減に関する自らの予想に関する書き込み、各銘柄の業績に関する書き込み、各銘柄に関して自ら知りえる情報の書き込みの何れも含む。つまり、参照用テキスト情報は、各銘柄に関して、株価に影響を及ぼす可能性があるあらゆるテキスト情報を含むものである。参照用テキスト情報は、単に各銘柄の株価が上がるか、下がるか、変わらないか、に関する予想そのものであってもよい。この参照用テキスト情報としては、日経平均株価全体に関する意見、或いは特定のセグメント、業種に関する意見、更には個々の銘柄に関する意見の何れも含まれる。また参照用テキスト情報としては、インターネット上に掲載される一般人によるコメントや上昇又は下落の予想を取り込んでくるものであってもよい。

このような参照用テキスト情報及びテキスト情報は、形態素解析され、構文解析、意味解析がなされたものであってもよい。同様にイベント情報についてもテキストデータで取り込んだ上で、これを形態素解析、構文解析、意味解析を行い、上述した参照用イベント情報に紐づけるようにしてもよい。

図７の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用テキスト情報Ｐ２６〜２９であるものとする。このような入力データとしての、参照用市況情報に対して、参照用テキスト情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用市況情報と参照用テキスト情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用テキスト情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用テキスト情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用テキスト情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用テキスト情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。株価の変動が、市況データに加え、実際の各種情報サイトへの書き込みに関するテキスト情報の内容と相関がみられる場合がある。このため、これらの参照用市況情報と参照用テキスト情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

図７の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用テキスト情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用テキスト情報Ｐ２８である場合に、その増減データを過去のデータから分析する。例えば中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図７に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用テキスト情報Ｐ２６の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用テキスト情報Ｐ２７、Ｐ２９の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した市況データに加え、新たに株取引を行う時期に発表された専門家の意見が反映されたテキスト情報を取得する。テキスト情報は、例えば、新聞記事において専門家の意見が示されたものがあれば、そのデータを直接取り込むようにしてもよい。

このようにして新たに取得した市況情報、テキスト情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、テキスト情報がＰ２９である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図８は、上述した参照用第１市況情報と、参照用第２市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用第１市況情報、参照用第２市況情報は、上述した参照用市況情報と同様である。但し、この参照用第１市況情報、参照用第２市況情報は互いに異なる種類の市況情報で構成される。例えば参照用第１市況情報が株価のチャートであれば、参照用第２市況情報は、これとは異なる種類のＭＡＣＤで構成されている。例えば、例えば参照用第１市況情報が株価のチャートであれば、参照用第２市況情報は、これとは異なる種類のＭＡＣＤで構成されている。例えば、例えば参照用第１市況情報が株価の移動平均線であれば、参照用第２市況情報は、これとは異なる種類の出来高で構成されている。

図８の例では、入力データとして例えば参照用第１市況情報Ｐ０１〜Ｐ０３、参照用第２市況情報Ｐ３０〜３３であるものとする。このような入力データとしての、参照用第１市況情報に対して、参照用第２市況情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用第１市況情報と参照用第２市況情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用第１市況情報と参照用第２市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用第１市況情報と参照用第２市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用第１市況情報と参照用第２市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用第１市況情報と参照用第２市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。株価の変動が、移動平均線に加え、ＭＡＣＤや出来高、ボリンジャーバンド等の２種類以上の市況情報との間で相関がみられる場合がある。このため、これらの参照用第１市況情報と参照用第２市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

図８の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用第１市況情報と参照用第２市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用第１市況情報Ｐ０１で、参照用第２市況情報Ｐ３２である場合に、その増減データを過去のデータから分析する。例えば参照用第１市況情報Ｐ０１で、参照用第２市況情報Ｐ３２がリンクする中間ノード６１ａの例では、増減データＡ１と増減データＡ２の出力にリンクしているが、以前の事例から増減データＡ１につながるｗ１３の連関度を７点に、増減データＡ２につながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図８に示す連関度の例で、ノード６１ｂは、参照用第１市況情報Ｐ０１に対して、参照用第２市況情報Ｐ３０の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用第１市況情報Ｐ０２に対して、参照用第２市況情報Ｐ３１、Ｐ３３の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した第１市況情報、第２市況情報を取得する。この第１市況情報は、参照用第１市況情報と同種であり、例えば参照用第１市況情報が移動平均線であれば、この第１市況情報も同種となる。第２市況情報は、参照用第２市況情報と同種であり、例えば参照用第２市況情報がＭＡＣＤであれば、この第１市況情報も同様となる。

このようにして新たに取得した第１市況情報、第２市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した第１市況情報がＰ０２と同一かこれに類似するものである場合であって、第２市況情報がＰ３３である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、上述した連関度は、参照用第１市況情報、参照用第２市況情報の２種類の組み合わせ間で上述した連関度を構成する場合を例にとり説明をしたが、これに限定されるものではなく、３種類以上の参照用市況情報の組み合わせ間で上述した連関度が構成されていてもよい。

図９は、上述した参照用市況情報と、参照用行事日程情報に加えて、更に参照用ファンダメンタル情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

かかる場合において、連関度は、図９に示すように、参照用市況情報と、参照用行事日程情報と、参照用ファンダメンタル情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

例えば、図９において、ノード６１ｃは、参照用市況情報Ｐ０２が連関度ｗ３で、参照用行事日程Ｐ１５が連関度ｗ７で、参照用ファンダメンタル情報Ｐ１９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用市況情報Ｐ０３が連関度ｗ５で、参照用行事日程Ｐ１５が連関度ｗ８で、参照用ファンダメンタル情報Ｐ１８が連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに取得した市況情報と、行事日程と、ファンダメンタル情報とに基づいて、探索解を判別する。

この探索解を判別する上で予め取得した図９に示す連関度を参照する。例えば、取得した市況情報が参照用市況情報Ｐ０２に同一又は類似で、取得した行事日程が参照用行事日程Ｐ１５に対応し、更に取得したファンダメンタル情報が参照用ファンダメンタル情報Ｐ１９に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、増減データＡ２が連関度ｗ１７で、また増減データＡ４が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。

このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用市況情報に加え、参照用行事日程、参照用ファンダメンタル情報等、上述した各参照用情報の何れか２以上で組み合わせが構成されたものであっても適用可能である。

また、出力データとしては、各銘柄の株価の増減データ以外に、図１０に示すように、実際の株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言を直接表示するようにしてもよい。この助言は売買を助言する銘柄を指定する以外に具体的な株数までも助言するようにしてもよい。かかる助言は、上述した増減データに基づいて生成するようにしてもよい。かかる場合には、将来的に株価が高くなるのであれば買うべき旨を助言し、将来的に株価が低くなるのであれば売るべき旨を助言するようにしてもよい。また、助言の中には、株取引のリターンの可能性以外に、リスクについても表示するようにしてもよい。このとき、入力データと学習させるデータとしては、増減データの代わりに直接この助言内容をデータセットに含めて学習させるようにしてもよいことは勿論である。

また、本発明は、株取引を自動的に行う自動株取引プログラムとして具現化されるものであってもよい。かかる場合には、増減データを上述した手順に基づいて探索した後、その増減データに基づいて株価の各銘柄を自動的に売買する。かかる場合には、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行う。かかる場合には、各銘柄の増減データが探索された結果、ある銘柄の株価が上昇する旨が判定された場合には、その銘柄の株を自動的に購入する処理を行う。一方、ある銘柄の株価が下落する旨が判定された場合には、その銘柄の株を自動的に売却するか、空売りをする処理を行う。

第２実施形態
以下、第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する株取引情報表示システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第２実施形態では、例えば図１１に示すように、参照用イベント情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用イベント情報、イベント情報、株価の増減データは、上述した第１実施形態と同様である。

参照用イベント情報と、株価の増減データのデータセットを通じて、参照用イベント情報において生じた様々なイベントの後の時点においてどのように株価が増減したかが分かる。つまりイベントに対する株価の増減結果がデータセットとなっている。このため、参照用イベント情報と株価の増減データのデータセットを集めておくことにより、過去どのようなイベントになった後の時点で、株価がどのように増減したかを知ることが可能となる。

図１１の例では、入力データとして例えば参照用イベント情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用イベント情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。

参照用イベント情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用イベント情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用イベント情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用イベント情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用イベント情報から最も確からしいる株価の増減データを選択する上での的確性を示すものである。図１１の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図１１に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用イベント情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図１１に示す連関度を作り上げておく。

例えば、ある参照用イベント情報が、インフルエンザが大流行するというイベントであったとする。このとき、マスクを生産、販売する企業の銘柄の株価がその後の時点において７０％アップしたものが多かったものとする。このような場合には、当該銘柄の株価３７％アップの連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。

参照用イベント情報は、テキストマイニングを通じて文章が形態素解析され、構文解析、意味解析がなされたものであってもよい。同様にイベント情報についてもテキストデータで取り込んだ上で、これを形態素解析、構文解析、意味解析を行い、上述した参照用イベント情報に紐づけるようにしてもよい。

また、この図１１に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図１２に示すように、入力データとして参照用イベント情報が入力され、出力データとして各銘柄の株価の増減データが出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期におけるイベント情報を取得する。このイベント情報は、上述した参照用イベント情報と同種のデータで構成される。

新たに取得するイベント情報は、上述した情報取得部９により入力される。情報取得部９は、チャートや値動きのデータ等を電子データとして取得するようにしてもよい。

このようにして新たに取得したイベント情報に基づいて、実際にそのイベント情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得したイベント情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得するイベント情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

また第２実施形態においても、第１実施形態と同様に、、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行うようにしてもよい。かかる場合には、各銘柄の増減データが探索された結果、ある銘柄の株価が上昇する旨が判定された場合には、その銘柄の株を自動的に購入する処理を行う。一方、ある銘柄の株価が下落する旨が判定された場合には、その銘柄の株を自動的に売却するか、空売りをする処理を行う。

図１３は、上述した参照用イベント情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用外部環境情報及び外部環境情報は、上述した第１実施形態と同様である。

図１３の例では、入力データとして例えば参照用イベント情報Ｐ０１〜Ｐ０３、参照用外部環境情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用イベント情報に対して、参照用外部環境情報が組み合わさったものが、図１３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用イベント情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用イベント情報と参照用外部環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用イベント情報と参照用外部環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用イベント情報と参照用外部環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用イベント情報と参照用外部環境情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。イベント情報に加え、実際の外部環境がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用イベント情報と参照用外部環境情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図１３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用イベント情報と参照用外部環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１３に示す連関度を作り上げておく。

図１３に示す連関度の例で、ノード６１ｂは、参照用イベント情報Ｐ０１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用イベント情報Ｐ０２に対して、参照用外部環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述したイベント情報に加え、新たに株取引を行う時期における外部環境が反映された外部環境情報を取得する。外部環境情報は、例えば、雇用統計情報であればそのデータを直接取り込むようにしてもよい。他の統計データであれば、そのデータを直接取得するようにしてもよい。

このようにして新たに取得したイベント情報、外部環境情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図１３（表１）に示す連関度を参照する。例えば、新たに取得したイベント情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、上述した参照用外部環境情報の代替として、参照用専門家意見情報との間で上述した連関度を構成するようにしてもよい。ここでいう参照用専門家意見情報は、上述した第１実施形態と同様である。

このような参照用専門家意見情報を図１３に示す参照用外部環境情報の代替に置き換えて、参照用イベント情報との間の組み合わせノード６１を介して各銘柄の株価の増減データと連関度を形成しておく。そして、実際に各銘柄の株価の増減を予想したい場合には、現状におけるイベント情報と、外部環境情報を取得し、これらの組み合わせの連関度に基づいて各銘柄の株価の増減データを探索することになる。

なお、上述した参照用外部環境情報の代替として、参照用自然環境情報との間で上述した連関度を構成するようにしてもよい。ここでいう参照用自然環境情報は、上述した第１実施形態と同様である。

このような参照用自然環境情報を図１３に示す参照用外部環境情報の代替に置き換えて、参照用イベント情報との間の組み合わせノード６１を介して各銘柄の株価の増減データと連関度を形成しておく。そして、実際に各銘柄の株価の増減を予想したい場合には、現状におけるイベント情報と、自然環境情報を取得し、これらの組み合わせの連関度に基づいて各銘柄の株価の増減データを探索することになる。

図１４は、上述した参照用イベント情報と、参照用ファンダメンタル情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用ファンダメンタル情報及びファンダメンタル情報は、株取引を行う上でいわゆるファンダメンタル分析を行う上での各銘柄の財務指標、経営指標等であり、例えば自己資本比率、流動比率、手元流動性、キャッシュフロー、ＥＰＳの経年変化、売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標である。これ以外に、通常の財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書等も参照用ファンダメンタル情報及びファンダメンタル情報に含まれる。更にこの参照用ファンダメンタル情報及びファンダメンタル情報には、会社四季報に掲載されている情報、株主構成、資本金、資本剰余金等の情報も含まれる。この参照用ファンダメンタル情報及びファンダメンタル情報は、上述した各指標やデータの変化傾向で構成されていてもよい。例えば、一の時点における売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標と、その後の時点における売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標の差異、増減を参照用ファンダメンタル情報及びファンダメンタル情報としてもよい。

図１４の例では、入力データとして例えば参照用イベント情報Ｐ０１〜Ｐ０３、参照用ファンダメンタル情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用イベント情報に対して、参照用ファンダメンタル情報が組み合わさったものが、図１４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用イベント情報と参照用ファンダメンタル情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なイベントが発生しても、その銘柄のファンダメンタルな財務状況が良ければそれほど大きなリスクと捉えられることなく、株価の落ち込みもあまり大きくならない場合があるが、このようなケースも含めてこの図１４に示す連関度を通じて判断する。参照用イベント情報と参照用ファンダメンタル情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用イベント情報と参照用ファンダメンタル情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用イベント情報と参照用ファンダメンタル情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用イベント情報と参照用ファンダメンタル情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。イベント情報に加え、実際のファンダメンタル情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用イベント情報と参照用ファンダメンタル情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図１４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用イベント情報と参照用ファンダメンタル情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１４に示す連関度を作り上げておく。

図１４に示す連関度の例で、ノード６１ｂは、参照用イベント情報Ｐ０１に対して、参照用ファンダメンタル情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用イベント情報Ｐ０２に対して、参照用ファンダメンタル情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述したイベント情報に加え、株取引を行う時期における各銘柄のファンダメンタル情報を取得する。

このようにして新たに取得したイベント情報、ファンダメンタル情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図１４（表１）に示す連関度を参照する。例えば、新たに取得したイベント情報がＰ０２と同一かこれに類似するものである場合であって、ファンダメンタル情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、この参照用ファンダメンタル情報及びファンダメンタル情報は、参照用イベント情報との間で連関度を形成する場合に限定されるものではなく、第１実施形態に示す参照用市況情報との間で連関度を形成してもよい。

かかる場合には、参照用市況情報と、その参照用市況情報の取得時期における各銘柄の参照用ファンダメンタル情報とを有する組み合わせと、上記各銘柄の株価の増減データとの３段階以上の連関度を取得しておく。その次に、新たに株取引を行う時期における各銘柄のファンダメンタル情報と、新たに株取引を行う取引候補銘柄の市況情報を取得する。次に、取得したファンダメンタル情報に応じた参照用ファンダメンタル情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて表示する。

図１５は、上述した参照用イベント情報と、参照用関連銘柄市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用関連銘柄市況情報及び関連銘柄市況情報は、株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報で構成されている。他の関連銘柄とは、その取引候補銘柄が仮に自動車メーカーであれば、ライバルとなる他の自動車メーカーであってもよいし、自動車メーカーに部品を供給する部品メーカーであってもよい。他の関連銘柄は、同一業界の中のライバル企業のみならず、他の業界であっても取引候補銘柄と互いに協調してエコシステムを構築する企業も含まれる。この関連銘柄は、システム内において取引候補銘柄に対して予め設定されていてもよいし、ユーザ側において自在に設定してもよい。またこの関連銘柄は、インターネットによるアクセス傾向等を分析し、ある一の銘柄にアクセスする場合に、同様にアクセスする頻度の高い他の銘柄を関連銘柄として設定するようにしてもよい。

市況情報の詳細は、上述した第１実施形態と同様である。このため、参照用関連銘柄市況情報及び関連銘柄市況情報は、関連銘柄における時系列的なチャートや折れ線グラフ、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報で構成される。

図１５の例では、入力データとして例えば参照用イベント情報Ｐ０１〜Ｐ０３、参照用関連銘柄市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用イベント情報に対して、参照用関連銘柄市況情報が組み合わさったものが、図１５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各取引候補銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から取引候補銘柄の株価の増減を予測するものである。

参照用イベント情報と参照用関連銘柄市況情報との各組み合わせ（中間ノード）は、この出力解としての、各取引候補銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なイベントが発生し、関連銘柄の値動き下落傾向にあれば、取引候補銘柄の株価の下落可能性もより確度が高いものと判断することができる。このようなケースも含めてこの図１５に示す連関度を通じて判断する。参照用イベント情報と参照用関連銘柄市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用イベント情報と参照用関連銘柄市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用イベント情報と参照用関連銘柄市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用イベント情報と参照用関連銘柄市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。イベント情報に加え、実際の関連銘柄の値動きがいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用イベント情報と参照用関連銘柄市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図１５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用イベント情報と参照用関連銘柄市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１５に示す連関度を作り上げておく。

図１５に示す連関度の例で、ノード６１ｂは、参照用イベント情報Ｐ０１に対して、参照用関連銘柄市況情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用イベント情報Ｐ０２に対して、参照用関連銘柄市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述したイベント情報に加え、株取引を行う時期における各銘柄の関連銘柄市況情報を取得する。

このようにして新たに取得したイベント情報、関連銘柄市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図１５（表１）に示す連関度を参照する。例えば、新たに取得したイベント情報がＰ０２と同一かこれに類似するものである場合であって、関連銘柄市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、この参照用関連銘柄市況情報及び関連銘柄市況情報は、参照用イベント情報との間で連関度を形成する場合に限定されるものではなく、第１実施形態に示す参照用市況情報との間で連関度を形成してもよい。

かかる場合には、参照用市況情報と、取引候補銘柄に対して予め関連付けられた他の関連銘柄のその参照用市況情報の取得時期における市況情報からなる参照用関連銘柄市況情報とを有する組み合わせと、上記取引候補銘柄の株価の増減データとの３段階以上の連関度を形成しておく。その次に、新たに株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報からなる関連銘柄市況情報と、新たに株取引を行う取引候補銘柄の市況情報を取得する。次に、取得した関連銘柄市況情報に応じた参照用関連銘柄市況情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記取引候補銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて上記各銘柄の株価の増減データを表示するようにしてもよい。

図１６は、上述した参照用イベント情報と、参照用統計情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用統計情報及び統計情報は、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのＧＤＰ、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。

図１６の例では、入力データとして例えば参照用イベント情報Ｐ０１〜Ｐ０３、参照用統計情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用イベント情報に対して、参照用統計情報が組み合わさったものが、図１６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から銘柄の株価の増減を予測するものである。

参照用イベント情報と参照用統計情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なイベントが発生する一方、上述した統計情報が上向きであれば、取引候補銘柄の株価もそれほど大きく下落しないものと判断することができる。このようなケースも含めてこの図１６に示す連関度を通じて判断する。参照用イベント情報と参照用統計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用イベント情報と参照用統計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用イベント情報と参照用統計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用イベント情報と参照用統計情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。イベント情報に加え、実際の家計、不動産、経済の各統計情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用イベント情報と参照用統計情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図１６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用イベント情報と参照用統計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１６に示す連関度を作り上げておく。

図１６に示す連関度の例で、ノード６１ｂは、参照用イベント情報Ｐ０１に対して、参照用統計情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用イベント情報Ｐ０２に対して、参照用統計情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述したイベント情報に加え、株取引を行う時期における各銘柄の統計情報を取得する。この取得する統計情報の種類は、参照用統計情報に対応したものであることが望ましく、例えば参照用統計情報が不動産に関する統計であれば、新たに取得する統計情報も同様に不動産に関する統計とすることが望ましい。

このようにして新たに取得したイベント情報、統計情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図１６（表１）に示す連関度を参照する。例えば、新たに取得したイベント情報がＰ０２と同一かこれに類似するものである場合であって、統計情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また第２実施形態においても、図９に示すように、入力パラメータの種類を３種類以上にわたり組み合わせてもよく、かかる場合には、参照用イベント情報に加え、参照用外部環境情報、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか２以上で組み合わせの連関度が構成されたものであっても適用可能である。また、これ以外に、参照用イベント情報に加え、参照用外部環境情報、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上と他のパラメータとの組み合わせの連関度が構成されているものであってもよい。即ち、参照用イベント情報に加え、参照用外部環境情報、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報とを有する組み合わせの連関度が構成されていてもよい。

更には、第１実施形態における入力パラメータの何れか１以上と、第２実施形態における入力パラメータの何れか１以上との組み合わせの連関度が構成されるものであってもよい。

なお、本発明は、上述した実施の形態に限定されるものでは無い。例えば図１７に示すように、各銘柄の株価の増減データの代わりに、参照用イベント情報に対して各為替の増減データを関連付けて学習させておくことで連関度を設定するようにしてもよい。各為替の増減データは、例えば日本円−米ドル、日本円−人民元、英ポンド−米ドル等の各為替について、どの程度の増減があるかを示すものである。

この図１７に示す例において、各為替の増減データを探索する方法は、上述した図１１の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映されたイベント情報を取得したとき、この図１７に示す参照用イベント情報と、そのイベントが発生した後の時点における各為替の増減データとの３段階以上の連関度を利用する。そして、取得したイベント情報に応じた参照用イベント情報と各為替の増減データとの３段階以上の連関度のより高いものを優先させて上記各為替の増減データを表示する。

図１８は、上述した参照用イベント情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する各為替の増減データとの３段階以上の連関度が設定されている例を示している。この図１８に示す例において、各為替の増減データを探索する方法は、上述した図１２の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映されたイベント情報と、外部環境が反映された外部環境情報を取得したとき、この図１８に示す参照用イベント情報と、参照用外部環境情報との組み合わせに対する各為替の増減データの連関度を使用する。そして、取得したイベント情報に応じた参照用イベント情報と、取得した外部環境情報に応じた参照用外部環境情報との組み合わせに対する各為替の増減データとの３段階以上の連関度のより高いものを優先させて各為替の増減データを表示する。

参照用イベント情報に加え、この参照用外部環境情報の代替として、上述した参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上との組み合わせの連関度を各為替の増減データとの間で作っておくようにしてもよい。これにより、イベント情報に加え、この外部環境情報の代替として、上述した専門家意見情報、自然環境情報、ファンダメンタル情報、関連銘柄市況情報、統計情報が入力された場合に、この連関度を利用することで同様に為替の増減を探索、予測することが可能となる。

為替の増減を探索、予測する場合においても同様に、システム側が自ら為替の売買を行うようにしてもよい。かかる場合には、各為替の増減データが探索された結果、ある為替（通貨の組み合わせ）において一方の通貨が上昇する旨が判定された場合には、その為替の通貨を自動的に購入する処理を行う。一方、ある通貨の組み合わせにおいて一方の通貨が下落する旨が判定された場合には、その通貨を自動的に売却するか、空売りをする処理を行うようにしてもよい。

第３実施形態
以下、第３実施形態について説明をする。この第３実施形態を実行する上では、第１実施形態において使用する株取引情報表示システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第３実施形態では、例えば図１９に示すように、外部環境情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用外部環境情報、外部環境情報、株価の増減データは、上述した第１実施形態と同様である。

予め取得した過去の外部環境が反映された参照用外部環境情報と、その参照用外部環境の取得後の時点における各銘柄の株価の増減データとのデータセットを通じて、参照用外部環境情報の取得後の時点においてどのように株価が増減したかが分かる。つまりイベントに対する株価の増減結果がデータセットとなっている。このため、参照用外部環境情報と株価の増減データのデータセットを集めておくことにより、過去どのような外部環境になった後の時点で、株価がどのように増減したかを知ることが可能となる。

図１９の例では、入力データとして例えば参照用外部環境情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用外部環境情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。

参照用外部環境情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用外部環境情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用外部環境情報から最も確からしい株価の増減データを選択する上での的確性を示すものである。図１９の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図１９に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用外部環境情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図１９に示す連関度を作り上げておく。

例えば、ある参照用外部環境情報が、消費者物価指数〇〇ポイントダウンというイベントであったとする。このとき、小売りを主たる事業とする企業の銘柄の株価がその後の時点において２０％ダウンしたものが多かったものとする。このような場合には、当該銘柄の株価２０％ダウンの連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。

参照用外部環境情報は、テキストデータで提供されるニュースである場合には、テキストマイニングを通じて文章が形態素解析され、構文解析、意味解析がなされたものであってもよい。同様に外部環境情報についてもテキストデータで取り込んだ上で、これを形態素解析、構文解析、意味解析を行い、上述した参照用外部環境情報に紐づけるようにしてもよい。

また、この図１９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図２０に示すように、入力データとして参照用外部環境情報が入力され、出力データとして各銘柄の株価の増減データが出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期における外部環境情報を取得する。この外部環境情報は、上述した参照用外部環境情報と同種のデータで構成される。

新たに取得する外部環境情報は、上述した情報取得部９により入力される。

このようにして新たに取得した外部環境情報に基づいて、実際にその外部環境情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図１９（表１）に示す連関度を参照する。例えば、新たに取得した外部環境情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する外部環境情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

また第３実施形態においても、第１、２実施形態と同様に、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行うようにしてもよい。かかる場合には、各銘柄の増減データが探索された結果、ある銘柄の株価が上昇する旨が判定された場合には、その銘柄の株を自動的に購入する処理を行う。一方、ある銘柄の株価が下落する旨が判定された場合には、その銘柄の株を自動的に売却するか、空売りをする処理を行う。

図２１は、上述した参照用外部環境情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用専門家意見情報及び専門家意見情報は、上述した第１実施形態と同様である。

図２１の例では、入力データとして例えば参照用外部環境情報Ｐ０１〜Ｐ０３、参照用専門家意見情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外部環境情報に対して、参照用専門家意見情報が組み合わさったものが、図２１に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用外部環境情報と参照用専門家意見情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用外部環境情報と参照用専門家意見情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報と参照用専門家意見情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報と参照用専門家意見情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用外部環境情報と参照用専門家意見情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。外部環境情報に加え、実際の専門家の意見がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用外部環境情報と参照用専門家意見情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図２１に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用外部環境情報と参照用専門家意見情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２１に示す連関度を作り上げておく。

図２１に示す連関度の例で、ノード６１ｂは、参照用外部環境情報Ｐ０１に対して、参照用専門家意見情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用外部環境情報Ｐ０２に対して、参照用専門家意見情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した外部環境情報に加え、新たに株取引を行う時期における専門家の意見が反映された専門家意見情報を取得する。専門家意見情報は、例えば、専門家のコメントをテキストデータで取得し、これを形態素解析、構文解析、意味解析を通じて、その意見情報を抽出するようにしてもよい。参照用専門家意見情報を抽出する場合も同様である。

このようにして新たに取得した外部環境情報、専門家意見情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図２１（表１）に示す連関度を参照する。例えば、新たに取得した外部環境情報がＰ０２と同一かこれに類似するものである場合であって、専門家意見情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、上述した参照用専門家意見情報の代替として、参照用自然環境情報との間で上述した連関度を構成するようにしてもよい。ここでいう参照用自然環境情報は、上述した第１実施形態と同様である。

このような参照用自然環境情報を図２１に示す参照用外部環境情報の代替に置き換えて、参照用外部環境情報との間の組み合わせノード６１を介して各銘柄の株価の増減データと連関度を形成しておく。そして、実際に各銘柄の株価の増減を予想したい場合には、現状における外部環境情報と、自然環境情報を取得し、これらの組み合わせの連関度に基づいて各銘柄の株価の増減データを探索することになる。

図２２は、上述した参照用外部環境情報と、参照用ファンダメンタル情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用ファンダメンタル情報及びファンダメンタル情報は、株取引を行う上でいわゆるファンダメンタル分析を行う上での各銘柄の財務指標、経営指標等であり、例えば自己資本比率、流動比率、手元流動性、キャッシュフロー、ＥＰＳの経年変化、売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標である。これ以外に、通常の財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書等も参照用ファンダメンタル情報及びファンダメンタル情報に含まれる。更にこの参照用ファンダメンタル情報及びファンダメンタル情報には、会社四季報に掲載されている情報、株主構成、資本金、資本剰余金等の情報も含まれる。

図２２の例では、入力データとして例えば参照用外部環境情報Ｐ０１〜Ｐ０３、その参照用外部環境情報の取得時期における各銘柄の参照用ファンダメンタル情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外部環境情報に対して、参照用ファンダメンタル情報が組み合わさったものが、図２２に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用外部環境情報と参照用ファンダメンタル情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利な外部環境情報が発生しても、その銘柄のファンダメンタルな財務状況が良ければそれほど大きなリスクと捉えられることなく、株価の落ち込みもあまり大きくならない場合があるが、このようなケースも含めてこの図２２に示す連関度を通じて判断する。参照用外部環境情報と参照用ファンダメンタル情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報と参照用ファンダメンタル情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報と参照用ファンダメンタル情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用外部環境情報と参照用ファンダメンタル情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。外部環境情報に加え、実際のファンダメンタル情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用外部環境情報と参照用ファンダメンタル情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図２２に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用外部環境情報と参照用ファンダメンタル情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２２に示す連関度を作り上げておく。

図２２に示す連関度の例で、ノード６１ｂは、参照用外部環境情報Ｐ０１に対して、参照用ファンダメンタル情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用外部環境情報Ｐ０２に対して、参照用ファンダメンタル情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した外部環境情報に加え、株取引を行う時期における各銘柄のファンダメンタル情報を取得する。

このようにして新たに取得した外部環境情報、ファンダメンタル情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図２２（表１）に示す連関度を参照する。例えば、新たに取得した外部環境情報がＰ０２と同一かこれに類似するものである場合であって、ファンダメンタル情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図２３は、上述した参照用外部環境情報と、参照用関連銘柄市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用関連銘柄市況情報及び関連銘柄市況情報は、株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報で構成されている。他の関連銘柄とは、その取引候補銘柄が仮に自動車メーカーであれば、ライバルとなる他の自動車メーカーであってもよいし、自動車メーカーに部品を供給する部品メーカーであってもよい。他の関連銘柄は、同一業界の中のライバル企業のみならず、他の業界であっても取引候補銘柄と互いに協調してエコシステムを構築する企業も含まれる。この関連銘柄は、システム内において取引候補銘柄に対して予め設定されていてもよいし、ユーザ側において自在に設定してもよい。またこの関連銘柄は、インターネットによるアクセス傾向等を分析し、ある一の銘柄にアクセスする場合に、同様にアクセスする頻度の高い他の銘柄を関連銘柄として設定するようにしてもよい。

市況情報の詳細は、上述した第１実施形態と同様である。このため、参照用関連銘柄市況情報及び関連銘柄市況情報は、関連銘柄における時系列的なチャートや折れ線グラフ、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報で構成される。

図２３の例では、入力データとして例えば参照用外部環境情報Ｐ０１〜Ｐ０３、参照用関連銘柄市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外部環境情報に対して、参照用関連銘柄市況情報が組み合わさったものが、図２３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各取引候補銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から取引候補銘柄の株価の増減を予測するものである。

参照用外部環境情報と参照用関連銘柄市況情報との各組み合わせ（中間ノード）は、この出力解としての、各取引候補銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なイベントが発生し、関連銘柄の値動き下落傾向にあれば、取引候補銘柄の株価の下落可能性もより確度が高いものと判断することができる。このようなケースも含めてこの図２３に示す連関度を通じて判断する。参照用外部環境情報と参照用関連銘柄市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報と参照用関連銘柄市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報と参照用関連銘柄市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用外部環境情報と参照用関連銘柄市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。外部環境情報に加え、実際の関連銘柄の値動きがいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用外部環境情報と参照用関連銘柄市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図２３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用外部環境情報と参照用関連銘柄市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２３に示す連関度を作り上げておく。

図２３に示す連関度の例で、ノード６１ｂは、参照用外部環境情報Ｐ０１に対して、参照用関連銘柄市況情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用外部環境情報Ｐ０２に対して、参照用関連銘柄市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した外部環境情報に加え、株取引を行う時期における取引候補銘柄の関連銘柄市況情報を取得する。

このようにして新たに取得した外部環境情報、関連銘柄市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図２３（表１）に示す連関度を参照する。例えば、新たに取得した外部環境情報がＰ０２と同一かこれに類似するものである場合であって、関連銘柄市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図２４は、上述した参照用外部環境情報と、参照用統計情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用統計情報及び統計情報は、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのＧＤＰ、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。

図２４の例では、入力データとして例えば参照用外部環境情報Ｐ０１〜Ｐ０３、参照用統計情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外部環境情報に対して、参照用統計情報が組み合わさったものが、図２４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から銘柄の株価の増減を予測するものである。

参照用外部環境情報と参照用統計情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なイベントが発生する一方、上述した統計情報が上向きであれば、取引候補銘柄の株価もそれほど大きく下落しないものと判断することができる。このようなケースも含めてこの図２４に示す連関度を通じて判断する。参照用外部環境情報と参照用統計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用外部環境情報と参照用統計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外部環境情報と参照用統計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用外部環境情報と参照用統計情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。外部環境情報に加え、実際の家計、不動産、経済の各統計情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用外部環境情報と参照用統計情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図２４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用外部環境情報と参照用統計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２４に示す連関度を作り上げておく。

図２４に示す連関度の例で、ノード６１ｂは、参照用外部環境情報Ｐ０１に対して、参照用統計情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用外部環境情報Ｐ０２に対して、参照用統計情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した外部環境情報に加え、株取引を行う時期における各銘柄の統計情報を取得する。この取得する統計情報の種類は、参照用統計情報に対応したものであることが望ましく、例えば参照用統計情報が不動産に関する統計であれば、新たに取得する統計情報も同様に不動産に関する統計とすることが望ましい。

このようにして新たに取得した外部環境情報、統計情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図２４（表１）に示す連関度を参照する。例えば、新たに取得した外部環境情報がＰ０２と同一かこれに類似するものである場合であって、統計情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また第３実施形態においても、図９に示すように、入力パラメータの種類を３種類以上にわたり組み合わせてもよく、かかる場合には、参照用外部環境情報に加え、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか２以上で組み合わせの連関度が構成されたものであっても適用可能である。また、これ以外に、参照用外部環境情報に加え、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上と他のパラメータとの組み合わせの連関度が構成されているものであってもよい。即ち、参照用外部環境情報に加え、参照用専門家意見情報、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報とを有する組み合わせの連関度が構成されていてもよい。

更には、第３実施形態における入力パラメータの何れか１以上と、第１実施形態における入力パラメータの何れか１以上、又は第２実施形態における入力パラメータの何れか１以上との組み合わせの連関度が構成されるものであってもよい。また、第３実施形態における入力パラメータの何れか１以上と、第１実施形態における入力パラメータの何れか１以上と、第２実施形態における入力パラメータの何れか１以上との組み合わせの連関度が構成されるものであってもよい。

なお、本発明は、上述した実施の形態に限定されるものでは無い。例えば図２５に示すように、各銘柄の株価の増減データの代わりに、参照用外部環境情報に対して各為替の増減データを関連付けて学習させておくことで連関度を設定するようにしてもよい。各為替の増減データは、例えば日本円−米ドル、日本円−人民元、英ポンド−米ドル等の各為替について、どの程度の増減があるかを示すものである。

この図２５に示す例において、各為替の増減データを探索する方法は、上述した図１９の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された外部環境情報を取得したとき、この図２５に示す参照用外部環境情報と、そのイベントが発生した後の時点における各為替の増減データとの３段階以上の連関度を利用する。そして、取得した外部環境情報に応じた参照用外部環境情報と各為替の増減データとの３段階以上の連関度のより高いものを優先させて上記各為替の増減データを表示する。

図２６は、上述した参照用外部環境情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する各為替の増減データとの３段階以上の連関度が設定されている例を示している。この図２６に示す例において、各為替の増減データを探索する方法は、上述した図２１の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された外部環境情報と、専門家の意見が反映された専門家意見情報を取得したとき、この図２６に示す参照用外部環境情報と、参照用専門家意見情報との組み合わせに対する各為替の増減データの連関度を使用する。そして、取得した外部環境情報に応じた参照用外部環境情報と、取得した専門家意見情報に応じた参照用専門家意見情報との組み合わせに対する各為替の増減データとの３段階以上の連関度のより高いものを優先させて各為替の増減データを表示する。

参照用外部環境情報に加え、この参照用専門家意見情報の代替として、上述した参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上との組み合わせの連関度を各為替の増減データとの間で作っておくようにしてもよい。これにより、外部環境情報に加え、この専門家意見情報の代替として、上述した自然環境情報、ファンダメンタル情報、関連銘柄市況情報、統計情報が入力された場合に、この連関度を利用することで同様に為替の増減を探索、予測することが可能となる。

為替の増減を探索、予測する場合においても同様に、システム側が自ら為替の売買を行うようにしてもよい。かかる場合には、各為替の増減データが探索された結果、ある為替（通貨の組み合わせ）において一方の通貨が上昇する旨が判定された場合には、その為替の通貨を自動的に購入する処理を行う。一方、ある通貨の組み合わせにおいて一方の通貨が下落する旨が判定された場合には、その通貨を自動的に売却するか、空売りをする処理を行うようにしてもよい。

第４実施形態
以下、第４実施形態について説明をする。この第４実施形態を実行する上では、第１実施形態において使用する株取引情報表示システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第４実施形態では、例えば図２７に示すように、専門家意見情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用専門家意見情報、専門家意見情報、株価の増減データは、上述した第１実施形態と同様である。

予め取得した参照用専門家意見情報と、その参照用外部環境の取得後の時点における各銘柄の株価の増減データとのデータセットを通じて、参照用専門家意見情報の取得後の時点においてどのように株価が増減したかが分かる。つまり専門家の意見やコメントに対する株価の増減結果がデータセットとなっている。このため、参照用専門家意見情報と株価の増減データのデータセットを集めておくことにより、過去において各銘柄に対して専門家の意見が述べられた後の時点で、株価がどのように増減したかを知ることが可能となる。

図２７の例では、入力データとして例えば参照用専門家意見情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用専門家意見情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。

参照用専門家意見情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用専門家意見情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用専門家意見情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用専門家意見情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用専門家意見情報から最も確からしい株価の増減データを選択する上での的確性を示すものである。図１９の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図２７に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用専門家意見情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図２７に示す連関度を作り上げておく。

例えば、ある参照用専門家意見情報が、ある銘柄について、上昇する旨のコメントを発表したものとする。このとき、当該銘柄の株価がその後の時点において２０％ダウンしたものが多かったものとする。このような場合には、当該銘柄の株価２０％ダウンの連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。

参照用専門家意見情報は、テキストデータで提供されるコメントである場合には、テキストマイニングを通じて文章が形態素解析され、構文解析、意味解析がなされたものであってもよい。同様に専門家意見情報についてもテキストデータで取り込んだ上で、これを形態素解析、構文解析、意味解析を行い、上述した参照用専門家意見情報に紐づけるようにしてもよい。また単に上昇、停滞、下降の判定を専門家が行った場合には、それをそのまま取り込むようにしてもよい。

また、この図２７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図２８に示すように、入力データとして参照用専門家意見情報が入力され、出力データとして各銘柄の株価の増減データが出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期における専門家意見情報を取得する。この専門家意見情報は、上述した参照用専門家意見情報と同種のデータで構成される。

新たに取得する専門家意見情報は、上述した情報取得部９により入力される。

このようにして新たに取得した専門家意見情報に基づいて、実際にその専門家意見情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図２７（表１）に示す連関度を参照する。例えば、新たに取得した専門家意見情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する専門家意見情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

また第４実施形態においても、第１〜３実施形態と同様に、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行うようにしてもよい。かかる場合には、各銘柄の増減データが探索された結果、ある銘柄の株価が上昇する旨が判定された場合には、その銘柄の株を自動的に購入する処理を行う。一方、ある銘柄の株価が下落する旨が判定された場合には、その銘柄の株を自動的に売却するか、空売りをする処理を行う。

図２９は、上述した参照用専門家意見情報と、参照用自然環境情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用自然環境情報及び自然環境情報は、上述した第１実施形態と同様である。

図２９の例では、入力データとして例えば参照用専門家意見情報Ｐ０１〜Ｐ０３、参照用自然環境情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用専門家意見情報に対して、その参照用専門家意見情報の取得時期における参照用自然環境情報が組み合わさったものが、図２９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用専門家意見情報と参照用自然環境情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用専門家意見情報と参照用自然環境情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用専門家意見情報と参照用自然環境情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用専門家意見情報と参照用自然環境情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用専門家意見情報と参照用自然環境情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。専門家意見情報に加え、実際の自然環境がいかなる状態にあるのかに応じて、株価は変化する場合がある。このため、これらの参照用専門家意見情報と参照用専門家意見情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図２９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用専門家意見情報と参照用自然環境情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２９に示す連関度を作り上げておく。

図２９に示す連関度の例で、ノード６１ｂは、参照用専門家意見情報Ｐ０１に対して、参照用自然環境情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用専門家意見情報Ｐ０２に対して、参照用自然環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した専門家意見情報に加え、新たに株取引を行う時期における自然環境の情報が反映された自然環境情報を取得する。

このようにして新たに取得した専門家意見情報、自然環境情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図２９（表１）に示す連関度を参照する。例えば、新たに取得した専門家意見情報がＰ０２と同一かこれに類似するものである場合であって、自然環境情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図３０は、上述した参照用専門家意見情報と、参照用ファンダメンタル情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用ファンダメンタル情報及びファンダメンタル情報は、株取引を行う上でいわゆるファンダメンタル分析を行う上での各銘柄の財務指標、経営指標等であり、例えば自己資本比率、流動比率、手元流動性、キャッシュフロー、ＥＰＳの経年変化、売上高比率、ＲＯＥ、ＲＯＡ、ＰＥＲ、ＰＢＲ、ＢＰＳ等の各指標である。これ以外に、通常の財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書等も参照用ファンダメンタル情報及びファンダメンタル情報に含まれる。更にこの参照用ファンダメンタル情報及びファンダメンタル情報には、会社四季報に掲載されている情報、株主構成、資本金、資本剰余金等の情報も含まれる。

図３０の例では、入力データとして例えば参照用専門家意見情報Ｐ０１〜Ｐ０３、その参照用専門家意見情報の取得時期における各銘柄の参照用ファンダメンタル情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用専門家意見情報に対して、参照用ファンダメンタル情報が組み合わさったものが、図３０に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。

参照用専門家意見情報と参照用ファンダメンタル情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利な専門家意見情報が発生しても、その銘柄のファンダメンタルな財務状況が良ければそれほど大きなリスクと捉えられることなく、株価の落ち込みもあまり大きくならない場合があるが、このようなケースも含めてこの図３０に示す連関度を通じて判断する。参照用専門家意見情報と参照用ファンダメンタル情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用専門家意見情報と参照用ファンダメンタル情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用専門家意見情報と参照用ファンダメンタル情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用専門家意見情報と参照用ファンダメンタル情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。専門家意見情報に加え、実際のファンダメンタル情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用専門家意見情報と参照用ファンダメンタル情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図３０に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用専門家意見情報と参照用ファンダメンタル情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３０に示す連関度を作り上げておく。

図３０に示す連関度の例で、ノード６１ｂは、参照用専門家意見情報Ｐ０１に対して、参照用ファンダメンタル情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用専門家意見情報Ｐ０２に対して、参照用ファンダメンタル情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した専門家意見情報に加え、株取引を行う時期における各銘柄のファンダメンタル情報を取得する。

このようにして新たに取得した専門家意見情報、ファンダメンタル情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図３０（表１）に示す連関度を参照する。例えば、新たに取得した専門家意見情報がＰ０２と同一かこれに類似するものである場合であって、ファンダメンタル情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図３１は、上述した参照用専門家意見情報と、参照用関連銘柄市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用関連銘柄市況情報及び関連銘柄市況情報は、株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報で構成されている。他の関連銘柄とは、その取引候補銘柄が仮に自動車メーカーであれば、ライバルとなる他の自動車メーカーであってもよいし、自動車メーカーに部品を供給する部品メーカーであってもよい。他の関連銘柄は、同一業界の中のライバル企業のみならず、他の業界であっても取引候補銘柄と互いに協調してエコシステムを構築する企業も含まれる。この関連銘柄は、システム内において取引候補銘柄に対して予め設定されていてもよいし、ユーザ側において自在に設定してもよい。またこの関連銘柄は、インターネットによるアクセス傾向等を分析し、ある一の銘柄にアクセスする場合に、同様にアクセスする頻度の高い他の銘柄を関連銘柄として設定するようにしてもよい。

市況情報の詳細は、上述した第１実施形態と同様である。このため、参照用関連銘柄市況情報及び関連銘柄市況情報は、関連銘柄における時系列的なチャートや折れ線グラフ、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報で構成される。

図３１の例では、入力データとして例えば参照用専門家意見情報Ｐ０１〜Ｐ０３、参照用関連銘柄市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用専門家意見情報に対して、参照用関連銘柄市況情報が組み合わさったものが、図３１に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各取引候補銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から取引候補銘柄の株価の増減を予測するものである。

参照用専門家意見情報と参照用関連銘柄市況情報との各組み合わせ（中間ノード）は、この出力解としての、各取引候補銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なコメントが専門家から述べられ、関連銘柄の値動き下落傾向にあれば、取引候補銘柄の株価の下落可能性もより確度が高いものと判断することができる。このようなケースも含めてこの図３１に示す連関度を通じて判断する。参照用専門家意見情報と参照用関連銘柄市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用専門家意見情報と参照用関連銘柄市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用専門家意見情報と参照用関連銘柄市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用専門家意見情報と参照用関連銘柄市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。専門家意見情報に加え、実際の関連銘柄の値動きがいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用専門家意見情報と参照用関連銘柄市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図３１に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用専門家意見情報と参照用関連銘柄市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３１に示す連関度を作り上げておく。

図３１に示す連関度の例で、ノード６１ｂは、参照用専門家意見情報Ｐ０１に対して、参照用関連銘柄市況情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用専門家意見情報Ｐ０２に対して、参照用関連銘柄市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した専門家意見情報に加え、株取引を行う時期における取引候補銘柄の関連銘柄市況情報を取得する。

このようにして新たに取得した専門家意見情報、関連銘柄市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図３１（表１）に示す連関度を参照する。例えば、新たに取得した専門家意見情報がＰ０２と同一かこれに類似するものである場合であって、関連銘柄市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図３２は、上述した参照用専門家意見情報と、参照用統計情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用統計情報及び統計情報は、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのＧＤＰ、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。

図３２の例では、入力データとして例えば参照用専門家意見情報Ｐ０１〜Ｐ０３、参照用統計情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用専門家意見情報に対して、参照用統計情報が組み合わさったものが、図３２に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から銘柄の株価の増減を予測するものである。

参照用専門家意見情報と参照用統計情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄において、非常に不利なコメントが専門家から述べられる一方、上述した統計情報が上向きであれば、取引候補銘柄の株価もそれほど大きく下落しないものと判断することができる。このようなケースも含めてこの図３２に示す連関度を通じて判断する。参照用専門家意見情報と参照用統計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用専門家意見情報と参照用統計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用専門家意見情報と参照用統計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用専門家意見情報と参照用統計情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。専門家意見情報に加え、実際の家計、不動産、経済の各統計情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用専門家意見情報と参照用統計情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図３２に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用専門家意見情報と参照用統計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３２に示す連関度を作り上げておく。

図３２に示す連関度の例で、ノード６１ｂは、参照用専門家意見情報Ｐ０１に対して、参照用統計情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用専門家意見情報Ｐ０２に対して、参照用統計情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した専門家意見情報に加え、株取引を行う時期における各銘柄の統計情報を取得する。この取得する統計情報の種類は、参照用統計情報に対応したものであることが望ましく、例えば参照用統計情報が不動産に関する統計であれば、新たに取得する統計情報も同様に不動産に関する統計とすることが望ましい。

このようにして新たに取得した専門家意見情報、統計情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図３２（表１）に示す連関度を参照する。例えば、新たに取得した専門家意見情報がＰ０２と同一かこれに類似するものである場合であって、統計情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また第４実施形態においても、図９に示すように、入力パラメータの種類を３種類以上にわたり組み合わせてもよく、かかる場合には、参照用専門家意見情報に加え、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか２以上で組み合わせの連関度が構成されたものであっても適用可能である。また、これ以外に、参照用専門家意見情報に加え、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上と他のパラメータとの組み合わせの連関度が構成されているものであってもよい。即ち、参照用専門家意見情報に加え、参照用自然環境情報、参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報とを有する組み合わせの連関度が構成されていてもよい。

更には、第４実施形態における入力パラメータの何れか１以上と、第１実施形態〜第３実施形態における入力パラメータの何れか１以上との組み合わせの連関度が構成されるものであってもよい。

なお、本発明は、上述した実施の形態に限定されるものでは無い。例えば図３３に示すように、各銘柄の株価の増減データの代わりに、参照用専門家意見情報に対して各為替の増減データを関連付けて学習させておくことで連関度を設定するようにしてもよい。各為替の増減データは、例えば日本円−米ドル、日本円−人民元、英ポンド−米ドル等の各為替について、どの程度の増減があるかを示すものである。

この図３３に示す例において、各為替の増減データを探索する方法は、上述した図２７の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された専門家意見情報を取得したとき、この図３３に示す参照用専門家意見情報と、そのイベントが発生した後の時点における各為替の増減データとの３段階以上の連関度を利用する。そして、取得した専門家意見情報に応じた参照用専門家意見情報と各為替の増減データとの３段階以上の連関度のより高いものを優先させて上記各為替の増減データを表示する。

図３４は、上述した参照用専門家意見情報と参照用自然環境情報との組み合わせと、当該組み合わせに対する各為替の増減データとの３段階以上の連関度が設定されている例を示している。この図３４に示す例において、各為替の増減データを探索する方法は、上述した図２９の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された専門家意見情報と、自然環境情報を取得したとき、この図３４に示す参照用専門家意見情報と、参照用自然環境情報との組み合わせに対する各為替の増減データの連関度を使用する。そして、取得した専門家意見情報に応じた参照用専門家意見情報と、取得した自然環境情報に応じた参照用自然環境情報との組み合わせに対する各為替の増減データとの３段階以上の連関度のより高いものを優先させて各為替の増減データを表示する。

参照用専門家意見情報に加え、この参照用自然環境情報の代替として、上述した参照用ファンダメンタル情報、参照用関連銘柄市況情報、参照用統計情報の何れか１以上との組み合わせの連関度を各為替の増減データとの間で作っておくようにしてもよい。これにより、専門家意見情報に加え、この自然環境情報の代替として、上述したファンダメンタル情報、関連銘柄市況情報、統計情報が入力された場合に、この連関度を利用することで同様に為替の増減を探索、予測することが可能となる。

為替の増減を探索、予測する場合においても同様に、システム側が自ら為替の売買を行うようにしてもよい。かかる場合には、各為替の増減データが探索された結果、ある為替（通貨の組み合わせ）において一方の通貨が上昇する旨が判定された場合には、その為替の通貨を自動的に購入する処理を行う。一方、ある通貨の組み合わせにおいて一方の通貨が下落する旨が判定された場合には、その通貨を自動的に売却するか、空売りをする処理を行うようにしてもよい。

第５実施形態
以下、第５実施形態について説明をする。この第５実施形態を実行する上では、第１実施形態において使用する株取引情報表示システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第５実施形態では、例えば図３５に示すように、自然環境情報と、各銘柄の株価の増減データとの３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用自然環境情報、自然環境情報、株価の増減データは、上述した第１実施形態と同様である。

予め取得した参照用自然環境情報と、その参照用外部環境の取得後の時点における各銘柄の株価の増減データとのデータセットを通じて、参照用自然環境情報の取得後の時点においてどのように株価が増減したかが分かる。つまり専門家の意見やコメントに対する株価の増減結果がデータセットとなっている。このため、参照用自然環境情報と株価の増減データのデータセットを集めておくことにより、過去において各銘柄に対して専門家の意見が述べられた後の時点で、株価がどのように増減したかを知ることが可能となる。

図３５の例では、入力データとして例えば参照用自然環境情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用自然環境情報は、出力に連結している。この出力においては、出力解としての、株価の増減データが表示されている。

参照用自然環境情報は、この出力解としての、株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。参照用自然環境情報がこの連関度を介して左側に配列し、各株価の増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用自然環境情報に対して、何れの株価の増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用自然環境情報が、いかなる株価の増減データに紐付けられる可能性が高いかを示す指標であり、参照用自然環境情報から最も確からしい株価の増減データを選択する上での的確性を示すものである。図３５の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての株価の増減データと互いに関連度合いが低いことを示している。

探索装置２は、このような図３５に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用自然環境情報と、その場合の株価の増減データの何れが採用されたか、過去のデータを蓄積しておき、これらを分析、解析することで図３５に示す連関度を作り上げておく。

例えば、ある参照用自然環境情報が、猛暑であった年の８月の気温データであるものとする。このときビールのような猛暑日に売れる製品を販売するような銘柄の株価がその後の時点において２０％アップしたものが多かったものとする。このような場合には、当該銘柄の株価２０％アップの連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。

また、この図３５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図３６に示すように、入力データとして参照用自然環境情報が入力され、出力データとして各銘柄の株価の増減データが出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに顧客に対して株取引の銘柄に関する助言を行う上で、上述した学習済みデータを利用して株価の増減を予測することとなる。かかる場合には、実際に新たに株取引を行う時期における自然環境情報を取得する。この自然環境情報は、上述した参照用自然環境情報と同種のデータで構成される。

新たに取得する自然環境情報は、上述した情報取得部９により入力される。

このようにして新たに取得した自然環境情報に基づいて、実際にその自然環境情報に対して、起こりえる可能性の高い、将来の株価（即ち、将来の株価の増減データ）を予測する。かかる場合には、予め取得した図３５（表１）に示す連関度を参照する。例えば、新たに取得した自然環境情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して増減データＡ２がｗ１５、増減データＡ３が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い増減データＡ２を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ３を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する自然環境情報から、将来起こりえる各銘柄の株価の状況を、株価の増減データを通じて探索し、ユーザ（コンサルタント）に表示することができる。この探索結果を見ることにより、ユーザ（コンサルタント）は、探索された株価の増減データに基づいて、売買すべき銘柄の指針を得ることができる。株価の増減データの探索結果を見せるだけでもユーザに対して有益な助言を与えることができる。ちなみに、この助言を構成する上では、単に探索された株価の増減データのみを表示する以外に、この増減データに基づいて、具体的にどの銘柄の株をどの程度購入し、或いは売却すべきかまでを表示することで助言を構成するようにしてもよい。

なお、第５実施形態においては、図３７に示すように、去の各銘柄の取引時における家計、不動産に関する統計的な情報からなる参照用統計情報と、その参照用統計情報の取得後の時点における各銘柄の株価の増減データとの３段階以上の連関度を形成しておくようにしてもよい。

そして、新たに株取引を行う時期における家計、不動産の何れかに関する統計情報を取得し、この連関度を参照して、取得した統計情報に応じた参照用統計情報と各銘柄の株価の増減データとの３段階以上の連関度のより高いものを優先させて各銘柄の株価の増減データを表示するようにしてもよい。

参照用統計情報及び統計情報は、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのＧＤＰ、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。

また第５実施形態においても、第１〜３実施形態と同様に、株の購買行動（例えば、〇×社買え、×〇社保持）等に関する助言に基づいて、システム側が自ら株の売買を行うようにしてもよい。かかる場合には、各銘柄の増減データが探索された結果、ある銘柄の株価が上昇する旨が判定された場合には、その銘柄の株を自動的に購入する処理を行う。一方、ある銘柄の株価が下落する旨が判定された場合には、その銘柄の株を自動的に売却するか、空売りをする処理を行う。

図３８は、上述した参照用自然環境情報と、参照用関連銘柄市況情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

参照用関連銘柄市況情報及び関連銘柄市況情報は、株取引を行う取引候補銘柄に対して予め関連付けられた他の関連銘柄の市況情報で構成されている。他の関連銘柄とは、その取引候補銘柄が仮に自動車メーカーであれば、ライバルとなる他の自動車メーカーであってもよいし、自動車メーカーに部品を供給する部品メーカーであってもよい。他の関連銘柄は、同一業界の中のライバル企業のみならず、他の業界であっても取引候補銘柄と互いに協調してエコシステムを構築する企業も含まれる。この関連銘柄は、システム内において取引候補銘柄に対して予め設定されていてもよいし、ユーザ側において自在に設定してもよい。またこの関連銘柄は、インターネットによるアクセス傾向等を分析し、ある一の銘柄にアクセスする場合に、同様にアクセスする頻度の高い他の銘柄を関連銘柄として設定するようにしてもよい。

市況情報の詳細は、上述した第１実施形態と同様である。このため、参照用関連銘柄市況情報及び関連銘柄市況情報は、関連銘柄における時系列的なチャートや折れ線グラフ、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報で構成される。

図３８の例では、入力データとして例えば参照用自然環境情報Ｐ０１〜Ｐ０３、参照用関連銘柄市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用自然環境情報に対して、参照用関連銘柄市況情報が組み合わさったものが、図３８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各取引候補銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から取引候補銘柄の株価の増減を予測するものである。

参照用自然環境情報と参照用関連銘柄市況情報との各組み合わせ（中間ノード）は、この出力解としての、各取引候補銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄が猛暑になれば売れるビールメーカーである場合に、自然環境情報に示されてるものが冷夏の気温データであり、関連銘柄の値動き下落傾向にあれば、取引候補銘柄の株価の下落可能性もより確度が高いものと判断することができる。このようなケースも含めてこの図３８に示す連関度を通じて判断する。参照用自然環境情報と参照用関連銘柄市況情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用自然環境情報と参照用関連銘柄市況情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用自然環境情報と参照用関連銘柄市況情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用自然環境情報と参照用関連銘柄市況情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。自然環境情報に加え、実際の関連銘柄の値動きがいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用自然環境情報と参照用関連銘柄市況情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図３８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用自然環境情報と参照用関連銘柄市況情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３８に示す連関度を作り上げておく。

図３８に示す連関度の例で、ノード６１ｂは、参照用自然環境情報Ｐ０１に対して、参照用関連銘柄市況情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用自然環境情報Ｐ０２に対して、参照用関連銘柄市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した自然環境情報に加え、株取引を行う時期における取引候補銘柄の関連銘柄市況情報を取得する。

このようにして新たに取得した自然環境情報、関連銘柄市況情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図３８（表１）に示す連関度を参照する。例えば、新たに取得した自然環境情報がＰ０２と同一かこれに類似するものである場合であって、関連銘柄市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、この図３８における参照用自然環境情報を、上述した参照用統計情報に置き換えてもよい。つまり、参照用統計情報と、参照用関連銘柄市況情報と組み合わせに対して、各銘柄の株価の増減データが上述した連関度をもって関連付けられている。新たに統計情報と関連銘柄市況情報を取得した場合に、当該連関度を参照することにより、各銘柄の株価の増減データを探索する。

図３９は、上述した参照用自然環境情報と、参照用統計情報との組み合わせと、当該組み合わせに対する各銘柄の株価の増減データとの３段階以上の連関度が設定されている例を示している。

図３９の例では、入力データとして例えば参照用自然環境情報Ｐ０１〜Ｐ０３、参照用統計情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用自然環境情報に対して、参照用統計情報が組み合わさったものが、図３９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、各銘柄の株価の増減データが表示されている。つまり関連銘柄の市況から銘柄の株価の増減を予測するものである。

参照用自然環境情報と参照用統計情報との各組み合わせ（中間ノード）は、この出力解としての、各銘柄の株価の増減データに対して３段階以上の連関度を通じて互いに連関しあっている。ある銘柄にとってその自然環境情報が芳しいものでなくても、上述した統計情報が上向きであれば、取引候補銘柄の株価もそれほど大きく下落しないものと判断することができる。このようなケースも含めてこの図３９に示す連関度を通じて判断する。参照用自然環境情報と参照用統計情報がこの連関度を介して左側に配列し、増減データが連関度を介して右側に配列している。連関度は、左側に配列された参照用自然環境情報と参照用統計情報に対して、増減データと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用自然環境情報と参照用統計情報が、いかなる増減データに紐付けられる可能性が高いかを示す指標であり、参照用自然環境情報と参照用統計情報から最も確からしい各銘柄の株価の増減データを選択する上での的確性を示すものである。自然環境情報に加え、実際の家計、不動産の各統計情報がいかなる状態にあるのかに応じて、株価は変化する。このため、これらの参照用自然環境情報と参照用統計情報の組み合わせで、最適な各銘柄の株価の増減データを探索していくこととなる。

探索装置２は、このような図３９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用自然環境情報と参照用統計情報、並びにその場合の増減データが何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３９に示す連関度を作り上げておく。

図３９に示す連関度の例で、ノード６１ｂは、参照用自然環境情報Ｐ０１に対して、参照用統計情報Ｐ１８の組み合わせのノードであり、増減データＡ３の連関度がｗ１５、増減データＡ５の連関度がｗ１６となっている。ノード６１ｃは、参照用自然環境情報Ｐ０２に対して、参照用統計情報Ｐ１９、Ｐ２１の組み合わせのノードであり、増減データＡ２の連関度がｗ１７、増減データＡ４の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した自然環境情報に加え、株取引を行う時期における各銘柄の統計情報を取得する。この取得する統計情報の種類は、参照用統計情報に対応したものであることが望ましく、例えば参照用統計情報が不動産に関する統計であれば、新たに取得する統計情報も同様に不動産に関する統計とすることが望ましい。

このようにして新たに取得した自然環境情報、統計情報に基づいて、最適な助言を構成するべく、各銘柄の株価の増減データを探索する。かかる場合には、予め取得した図３９（表１）に示す連関度を参照する。例えば、新たに取得した自然環境情報がＰ０２と同一かこれに類似するものである場合であって、統計情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、増減データＡ３がｗ１９、増減データＡ４が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い増減データＡ３を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる増減データＡ４を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また第５実施形態においても、図９に示すように、入力パラメータの種類を３種類以上にわたり組み合わせてもよく、かかる場合には、参照用自然環境情報に加え、参照用関連銘柄市況情報、参照用統計情報の何れか２以上で組み合わせの連関度が構成されたものであっても適用可能である。また、これ以外に、参照用自然環境情報に加え、参照用関連銘柄市況情報、参照用統計情報の何れか１以上と他のパラメータとの組み合わせの連関度が構成されているものであってもよい。また参照用統計情報に加え、参照用統計情報と他のパラメータとの組み合わせの連関度が構成されているものであってもよい。

更には、第５実施形態における入力パラメータの何れか１以上と、第１実施形態〜第４実施形態における入力パラメータの何れか１以上との組み合わせの連関度が構成されるものであってもよい。そして、その組み合わせの連関度の入力パラメータに応じた情報が入力された場合に、その当該連関度を介して上述と同様に解探索をするようにしてもよい。

なお、本発明は、上述した実施の形態に限定されるものでは無い。例えば図４０に示すように、各銘柄の株価の増減データの代わりに、参照用自然環境情報に対して各為替の増減データを関連付けて学習させておくことで連関度を設定するようにしてもよい。各為替の増減データは、例えば日本円−米ドル、日本円−人民元、英ポンド−米ドル等の各為替について、どの程度の増減があるかを示すものである。

この図４０に示す例において、各為替の増減データを探索する方法は、上述した図３５の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された自然環境情報を取得したとき、この図４０に示す参照用自然環境情報と、そのイベントが発生した後の時点における各為替の増減データとの３段階以上の連関度を利用する。そして、取得した自然環境情報に応じた参照用自然環境情報と各為替の増減データとの３段階以上の連関度のより高いものを優先させて上記各為替の増減データを表示する。

同様に図４１に示すように、参照用統計情報に対して各為替の増減データを関連付けて学習させておくことで連関度を設定するようにしてもよい。この図４２に示す例において、各為替の増減データを探索する方法は、上述した図３７の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された統計情報を取得したとき、この図４１に示す参照用統計情報と、そのイベントが発生した後の時点における各為替の増減データとの３段階以上の連関度を利用する。そして、取得した統計情報に応じた参照用統計情報と各為替の増減データとの３段階以上の連関度のより高いものを優先させて上記各為替の増減データを表示する。

図４２は、上述した参照用自然環境情報と参照用統計情報との組み合わせと、当該組み合わせに対する各為替の増減データとの３段階以上の連関度が設定されている例を示している。この図４２に示す例において、各為替の増減データを探索する方法は、上述した図３９の説明において出力解を各銘柄の株価の増減データから各為替の増減データに置き換えて説明することにより、以下での説明を省略する。

新たに為替取引を行う時期に発生したイベントが反映された自然環境情報と、統計情報を取得したとき、この図４２に示す参照用自然環境情報と、参照用統計情報との組み合わせに対する各為替の増減データの連関度を使用する。そして、取得した自然環境情報に応じた参照用自然環境情報と、取得した統計情報に応じた参照用統計情報との組み合わせに対する各為替の増減データとの３段階以上の連関度のより高いものを優先させて各為替の増減データを表示する。

参照用自然環境情報に加え、この参照用統計情報の代替として、上述した参照用関連銘柄市況情報との組み合わせの連関度を各為替の増減データとの間で作っておくようにしてもよい。これにより、自然環境情報に加え、この統計情報の代替として、上述した関連銘柄市況情報が入力された場合に、この連関度を利用することで同様に為替の増減を探索、予測することが可能となる。また、参照用統計情報と参照用関連銘柄市況情報との組み合わせの連関度を各為替の増減データとの間で作っておくようにしてもよい。これにより、統計情報に加え、上述した関連銘柄市況情報が入力された場合に、この連関度を利用することで同様に為替の増減を探索、予測することが可能となる。

為替の増減を探索、予測する場合においても同様に、システム側が自ら為替の売買を行うようにしてもよい。かかる場合には、各為替の増減データが探索された結果、ある為替（通貨の組み合わせ）において一方の通貨が上昇する旨が判定された場合には、その為替の通貨を自動的に購入する処理を行う。一方、ある通貨の組み合わせにおいて一方の通貨が下落する旨が判定された場合には、その通貨を自動的に売却するか、空売りをする処理を行うようにしてもよい。

第６実施形態
また、本発明では、第１実施形態〜第５実施形態における、市況情報、参照用市況情報について、チャートを売買シグナルのチャートパターンに当てはめてもよい。図４３、４４は、チャートの売買シグナルのチャートパターンの例を示している。例えば図４３（ａ）は、移動平均線を基準に株価が上下動を繰り返しているときに、株価が移動平均線まで落ちてきたときが買いのシグナルとなる。また、図４３（ｂ）は、もみ合い相場が長く続いた後、株価が上値抵抗線を上抜けたときが買いのシグナルとなる。図４３（ｃ）は、Ｗボトム型と言われており、株価が安値圏で2回安値を付けたときが買いのシグナルとなる。図４３（ｄ）は、逆三尊と言われており、株価が安値圏で３回安値を付け、そのうち真ん中が最も安くなるチャートパターンであり、これが現れると買いのシグナルとなる。図４４（ａ）は、株価が急騰した後、すぐに急落し、長い下ヒゲのローソク足または大陽線が出て反転した場合であり、これが出たときは買いのサインとなる。図４４（ｂ）は、三川明けの明星と言われており、底値圏での大陰線が出て、下マド開けてヒゲも実体も短い陽・陰線（コマ足）が現れ、上マド開けて大陽線の形が出た場合は、目先買いシグナルとなる。図４４（ｃ）は、三川明けがらすと言われ、黒三兵（三羽がらす）で突っ込んだ後の赤三兵でＶ型の転換を表し、買いのサインとなる。図４４（ｄ）は、三川宵の明星は、上昇局面で大陽線となり、上マド開けてヒゲも実体も短い陽・陰線（コマ足）が出て、下マド開けて大陰線が出る形で下降に転換するサインになり、売りシグナルとなる。

このようなシグナルは株取引における過去の経験則から生まれたものであるが、本発明においては、この市況情報、参照用市況情報をこれらの売買シグナルのチャートパターンの類型に当てはめるようにしてもよい。

この当てはめは、図４５に示すような機械学習により生成した判定モデルを利用してもよい。この判定モデルでは、上述した例からなる売買シグナルのチャートパターンの画像を教師データとして用いる。入力は、各株価のチャートとし、出力を売買シグナルの類型とする。チャートを取得した場合には、この機械学習より生成した判定モデルに基づいて当てはめを行い、いかなる売買シグナルの類型に当てはめるのかを判定する。

例えばチャートを入力した結果、出力として、三川明けがらす、三川宵の明星等の売買シグナルの類型に当てはまるのか否かを判定することができる。

本発明においては、参照用市況情報と各株価の増減データ間の連関度を通じて機械学習を行わせる場合において、この参照用市況情報を取得する際には、その市況を表す各株価のチャートを取得する。そして、取得したチャートを図４５に示す判定モデルを通じていかなる売買シグナルの類型に当てはまるのかを判定し、それぞれの参照用市況情報を売買シグナルの類型に当てはめていく。

その結果、この参照用市況情報は、類型化された売買シグナルで表されることになる。このような売買シグナルに対する、その後の時点で株価の増減傾向を学習させておくことにより、上述した連関度を形成しておく。この連関度は、上述した第１実施形態において説明した全ての連関度において同様に適用してもよい。

次に、実際に市況情報を取得し場合においても、その取得したチャートを図４５に示す判定モデルを通じていかなる売買シグナルの類型に当てはまるのかを判定し、それぞれの参照用市況情報を売買シグナルの類型に当てはめていく。その結果、この市況情報は、類型化された売買シグナルで表されることになる。このような市況情報の売買シグナルの類型は、参照用市況情報のいかなる売買シグナルの類型に当てはまるのかを、上述した連関度を通じて判断する。そして、市況情報の売買シグナルの類型に対応する参照用市況情報の売買シグナルの類型と各株価の増減データとの３段階以上の連関度を利用し、連関度のより高いものを優先させて上記各株価の増減データを表示する。

なお、図４５に示す出力に該当する売買シグナルの類型は既存の提案されている者に限定されるものでは無く、順次新たなシグナルの類型を更新するようにしてもよい。

例えば、参照用市況情報や市況情報の各チャートを分析しても、図４５に示す出力における既存の類型に当てはまらない場合、そのチャートの傾向を新たな類型として登録しておく。そして、この新たに登録した類型と、その後の時点における各株価の増減データとの間で連関度を形成しておく。その後、この新たに登録した類型と類似するチャートが入力された場合に、同様に各株価の増減データとの間で連関度を作ることで、この新たに登録した類型と各株価の増減データとの間で、連関度の重みづけｗが形成されることになる。

このような連関度を更新しておき、新たに市況情報が入力された場合であって、図４５の判定モデルより新たに登録されたシグナルの類型であることが判別された場合には、その新たに登録された類型からなる参照用市況情報を介して探索解を探索することが可能となる。

なお、この第６実施形態は、第１実施形態に加え、他の第１〜第５実施形態において市況情報、参照用市況情報を連関度において関連着けて利用するケースにおいても同様に適用することができる。

また本発明は、図４６に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて各銘柄の株価（為替）の増減データを判別するものである。この参照用情報Ｙが参照用市況情報であり、参照用情報Ｖが他の参照用イベント情報や、参照用自然環境情報等であるものとする。

このとき、図４６に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（各銘柄の株価の増減データ）と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（各銘柄の株価の増減データ）を探索するようにしてもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に株取引を行う上で最適な銘柄の探索や、為替取引を行う上で最適な為替の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいてより利益率が高く、リスクの低い株の銘柄を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。同様に、イベント情報に加え、この外部環境情報の代替として、上述した専門家意見情報、自然環境情報、ファンダメンタル情報、関連銘柄市況情報、統計情報を取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

第７実施形態
第７実施形態では、市況情報を介して、インサイダー取引を初めとする不正な株取引を検出する。この第７実施形態を実施する上で、上述した第１実施形態〜第６実施形態において説明した全ての構成の説明を引用する。

第７実施形態において、例えば図４７に示すように、参照用売買履歴情報と、不正可能性との３段階以上の連関度が予め設定されていることが前提となる。

参照用売買履歴情報とは、取引銘柄の市況に過去の取引者の売買履歴が紐付けられた情報である。図４８は、ある取引銘柄の株価の推移の例であるが、タイミングＴ１において、ある一の取引者により買いが入り、タイミングＴ２において当該一の取引者によりその株が売られたことを示している。参照用売買履歴情報は、このような各銘柄の株価の推移に、それぞれ取引者の買い注文、売り注文のそれぞれの時期Ｔ１、Ｔ２が紐付けられたもので構成されている。図４８は、ある取引者による買い注文、売り注文が株価の推移に紐付けられているが、このようなデータを各取引者ごとに取得し、収集する。またこのような参照用売買履歴情報は、一の銘柄のみならず、他の銘柄も同様に、各取引者による買い注文、売り注文の時期が紐付けられて構成されている。

不正可能性は、不正な株取引、つまり株価が上がることや下がることを裏から仕入れた情報に基づいて事前に取引を行う、いわゆるインサイダー取引の可能性を示すものである。

この不正可能性は、不正があるか否かの２段階で示されるものであってもよいし、システム側、又はユーザ側が設定した５段階や１０段階以上で評価したランキングで表現されるものであってもよい。或いは、単に物凄く怪しい、怪しい、やや怪しい、問題なし等で表現されたものであってもよい。

不正可能性は、金融や証券取引の専門家による以前の経験に基づいてその可能性を判断してもよいし、実際に過去、不正取引と判断された事例を抽出し、それについての実際の株価のチャート（株価の推移）に対する過去の取引者の売買履歴から判断するようにしてもよい。かかる場合には不正可能性を判断する複数人の検査者が不正可能性について、予め設定した各項目について複数段階で評価し、それらを統計的に分析して不正可能性の評価値としてもよい。析を通じて判断してもよい。

各参照用売買履歴情報に対して、それぞれ不正可能性を判断することにより、参照用売買履歴情報と不正可能性とのデータセットを作ることができ、これを集めることにより、上述した図４７に示すような連関度を形成することができる。

図４７の例では、入力データとして例えば参照用売買履歴情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用売買履歴情報Ｐ０１〜Ｐ０３は、出力としての不正可能性に連結している。この出力においては、出力解としての、不正可能性が表示されている。

参照用売買履歴情報は、この出力解としての不正可能性Ａ〜Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用売買履歴情報がこの連関度を介して左側に配列し、各不正可能性が連関度を介して右側に配列している。連関度は、左側に配列された参照用売買履歴情報に対して、何れの不正可能性と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売買履歴情報が、いかなる不正可能性に紐付けられる可能性が高いかを示す指標であり、参照用売買履歴情報から最も確からしい不正可能性を選択する上での的確性を示すものである。図４７の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての不正可能性と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての不正可能性と互いに関連度合いが低いことを示している。

判別装置２は、このような図４７に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用売買履歴情報と、その場合の不正可能性の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図４７に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売買履歴情報Ｐ０１である場合に、過去の不正可能性の評価を行った結果の各種データから分析する。参照用売買履歴情報Ｐ０１である場合に、不正可能性Ａの事例が多い場合には、この不正可能性の評価につながる連関度をより高く設定し、不正可能性Ｂ（例えば不正可能性２０％９の事例が多い場合には、この不正可能性の評価につながる連関度をより高く設定する。例えば参照用売買履歴情報Ｐ０１の例では、不正可能性Ａと、不正可能性Ｃにリンクしているが、以前の事例から不正可能性Ａにつながるｗ１３の連関度を７点に、不正可能性Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図４７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図４９に示すように、入力データとして参照用売買履歴情報が入力され、出力データとして不正可能性が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに不正可能性の判別を行う上で、上述した学習済みデータを利用して不正可能性を探索することとなる。かかる場合には、不正取引の判別対象者の株の売買履歴に関する売買履歴情報を新たに取得する。新たに取得する売買履歴情報は、上述した情報取得部９により入力される。この売買履歴情報は、参照用売買履歴情報に対応したものであり、図４８に示すように、取引銘柄の市況（株価の推移）に判別対象者による売買履歴が紐付けられて構成される。

なお、上述した学習データは、一の銘柄ののみで構成してもよいし、他の銘柄を含めて学習させてもよい。また、新たに不正検出をする対象者が行っている取引銘柄は、学習データを構成する取引銘柄が同一であること場合に限定されるものではなく、他の銘柄の学習データを利用してもよいし、他の複数の銘柄を含めた学習データを使用してもよい。

このようにして新たに取得した売買履歴情報に基づいて、不正可能性を判別する。かかる場合には、予め取得した図４７（表１）に示す連関度を参照する。例えば、新たに取得した売買履歴情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して不正可能性Ｂがｗ１５、不正可能性Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の高い不正可能性Ｂを優先して選択する。即ち、連関度が高いものほど選択の優先度を高くする。

このようにして、新たに取得する売買履歴情報から、最も好適な不正可能性を探索し、ユーザに表示することができる。この探索結果を見ることにより、監査者は、探索された不正可能性に基づいて不正取引の検出を行うことができ、違法行為の可能性を容易に推定することができる。

また、本発明においては、上述した参照用売買履歴情報について、過去の取引銘柄の市況として株価の時系列的推移を取得するとともに、過去の取引者の売買履歴を、予め類型化された株価の時系列的推移と売買履歴とのパターンに当てはめるようにしてもよい。

図５０は、株価の時系列的推移と売買履歴とのパターンの例を示している。図５０（ａ）に示すような株価の時系列的推移に対して、買いのタイミングと売りのタイミングが紐付けられてパターン化されている。このパターンでは、一旦底を付ける下値の前に株を購入し、その後いったん示すピークである上値の到達前に売り抜けているパターンである。また図５０（ｂ）は、同じ時系列的推移であっても、下値よりも後の時点で買いが入り、その後の上値のピーク後落ち込んだ段階で売ったケースである。

図５１（ａ）は、株価が上昇基調に乗る前の段階で買いが入り、その後上昇基調に乗ってピークに到達した辺りで売り抜けるケースである。図５１（ｂ）は、株価が上昇基調に乗った後の段階で買いが入り、その後のピークに到達して落ち込み始めたときに売るケースである。

いずれの場合も、このような時系列的推移に対する買いのタイミングと、売りのタイミングを類型化したパターンを予め作っておく。この時、上述したように、時系列的推移の特徴（ピーク位置、下値、上値）との関係を考慮し、これらに対する買いのタイミングや売りのタイミングのパターンを予め作っておくことが望ましい。

このパターンを形成する上では、図４４に示すようなチャートパターンを含め、これらに対する買いのタイミングや売りのタイミングを紐付けて構成してもよい。

過去の取引者の売買履歴が紐付けられた取引銘柄の市況を上述したパターンに当てはめる場合、図５１に示すような機械学習により生成した判定モデルを利用してもよい。この判定モデルでは、株の時系列的推移の画像を教師データとして用いるとともに、これらに紐付けられた買いタイミングと売りタイミング（売買履歴）の情報を取得する。入力は、株の時系列的推移、売買履歴とし、出力を類型化されたパターンとする。新たに株価の時系列的な変化傾向と売買履歴を取得した場合には、この機械学習より生成した判定モデルに基づいて当てはめを行い、いかなるパターンの類型に当てはめるのかを判定する。

その結果、この参照用売買履歴情報は、類型化されたパターンで表されることになる。このような変化傾向パターンに対する、不正可能性を学習させておくことにより、上述した連関度を形成しておく。

次に、実際に新たに判別対象の取引者から、取引銘柄の市況として株価の時系列的推移を取得するとともに、売買履歴（買いタイミング、売りタイミング）を取得した場合、これを、例えば図５２に示す判定モデルを通じていかなる類型に当てはまるのかを判定し、それぞれの参照用売買履歴情報をパターンの類型に当てはめていく。その結果、この売買履歴情報は、類型化されたパターンで表されることになる。このようなパターンの類型は、参照用売買履歴情報のいかなるパターンの類型に当てはまるのかを、上述した連関度を通じて判断する。そして、売買履歴情報のパターンの類型に対応する参照用売買履歴情報の変化傾向パターンの類型と各不正可能性との３段階以上の連関度を利用し、連関度のより高いものを優先させて、不正可能性を判定する。

例えば図５３の例では、参照用売買履歴情報と、参照用外部環境情報との組み合わせが形成されている場合を示している。ここで参照用外部環境情報は、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、その審査対象の企業の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよく、例えば、雇用統計におけるデータで区切ることで分類するようにしてもよい。また、パターン（例えば、ＧＤＰの伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。

このような参照用売買履歴情報に加えて、参照用外部環境情報を組み合わせて判断することで、不正可能性をより高精度に判別することができる。例えば、ある筋から、雇用統計の内容が今後大幅に悪化することを知っていた場合や、ある筋から今後賃料相場が大幅に低下することを知っていた場合、株価に影響を受ける銘柄があり、当該銘柄の売買履歴と照らし合わせることで不正取引か否かを高精度に判別することができる。このため、参照用売買履歴情報に加えて、参照用外部環境情報を組み合わせて上述した連関度を形成しておく。

図５３の例では、入力データとして例えば参照用売買履歴情報Ｐ０１〜Ｐ０３、参照用外部環境情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用外注情報に対して、参照用外部環境情報が組み合わさったものが、図５３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、不正可能性が表示されている。

参照用売買履歴情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、不正可能性に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売買履歴情報と参照用外部環境情報がこの連関度を介して左側に配列し、不正可能性が連関度を介して右側に配列している。連関度は、左側に配列された参照用売買履歴情報と参照用外部環境情報に対して、不正可能性と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売買履歴情報と参照用外部環境情報が、いかなる不正可能性に紐付けられる可能性が高いかを示す指標であり、参照用売買履歴情報と参照用外部環境情報から最も確からしい不正可能性を選択する上での的確性を示すものである。このため、これらの参照用売買履歴情報と参照用外部環境情報の組み合わせで、最適な不正可能性を探索していくこととなる。

図５３の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

判別装置２は、このような図５３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用売買履歴情報と参照用外部環境情報、並びにその場合の不正可能性が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５３に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。

図５３に示す連関度の例で、ノード６１ｂは、参照用売買履歴情報Ｐ０１に対して、参照用外部環境情報Ｐ１４の組み合わせのノードであり、不正可能性Ｃの連関度がｗ１５、不正可能性Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売買履歴情報Ｐ０２に対して、参照用外部環境情報Ｐ１５、Ｐ１７の組み合わせのノードであり、不正可能性Ｂの連関度がｗ１７、不正可能性Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから不正可能性を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に不正可能性を判別しようとする売買履歴情報、外部環境情報を入力又は選択する。

このようにして新たに取得した売買履歴情報、外部環境情報に基づいて、最適な不正可能性を探索する。かかる場合には、予め取得した図５３（表１）に示す連関度を参照する。例えば、新たに取得した売買履歴情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、不正可能性Ｃがｗ１９、不正可能性Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い不正可能性Ｃを最適解として選択する。

また図５４の例では、参照用売買履歴情報と、参照用売買株数情報との組み合わせが形成されている場合を示している。ここで参照用売買株数情報は、実際に参照用売買株数情報における株価の時系列的推移の時期における売買株数に関する情報である。換言すれば、参照用売買履歴情報は、図４８に示す横軸の期間を含む期間において取引された株の数量を示すものである。これは、実際に判別対象者による株の数量以外に他の取引者の売買株数に関する情報も含まれる。この参照用売買株数情報は、参照用売買履歴情報における株の時系列推移と紐付けられている。

このような参照用売買履歴情報に加えて、参照用売買株数情報を組み合わせて判断することで、不正可能性をより高精度に判別することができる。例えば、その判別対象の銘柄において他の一般の取引者による株の取引量が多くなる前に、その判別対象者による取引が行われていた場合、何らかの事情を知っている可能性もあり、不正取引の可能性が上がることとなる。このため、参照用売買履歴情報に加えて、参照用売買株数情報を組み合わせて上述した連関度を形成しておく。

図５４の例では、入力データとして例えば参照用売買履歴情報Ｐ０１〜Ｐ０３、参照用売買株数情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用外注情報に対して、参照用売買株数情報が組み合わさったものが、図５３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、不正可能性が表示されている。

参照用売買履歴情報と参照用売買株数情報との各組み合わせ（中間ノード）は、この出力解としての、不正可能性に対して３段階以上の連関度を通じて互いに連関しあっている。参照用売買履歴情報と参照用売買株数情報がこの連関度を介して左側に配列し、不正可能性が連関度を介して右側に配列している。連関度は、左側に配列された参照用売買履歴情報と参照用売買株数情報に対して、不正可能性と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売買履歴情報と参照用売買株数情報が、いかなる不正可能性に紐付けられる可能性が高いかを示す指標であり、参照用売買履歴情報と参照用売買株数情報から最も確からしい不正可能性を選択する上での的確性を示すものである。このため、これらの参照用売買履歴情報と参照用売買株数情報の組み合わせで、最適な不正可能性を探索していくこととなる。

図５４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

判別装置２は、このような図５４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用売買履歴情報と参照用売買株数情報、並びにその場合の不正可能性が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５４に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。

図５４に示す連関度の例で、ノード６１ｂは、参照用売買履歴情報Ｐ０１に対して、参照用売買株数情報Ｐ１４の組み合わせのノードであり、不正可能性Ｃの連関度がｗ１５、不正可能性Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用売買履歴情報Ｐ０２に対して、参照用売買株数情報Ｐ１５、Ｐ１７の組み合わせのノードであり、不正可能性Ｂの連関度がｗ１７、不正可能性Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから不正可能性を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に不正可能性を判別しようとする売買履歴情報、売買株数情報を入力又は選択する。

このようにして新たに取得した売買履歴情報、売買株数情報に基づいて、最適な不正可能性を探索する。かかる場合には、予め取得した図５４（表１）に示す連関度を参照する。例えば、新たに取得した売買履歴情報がＰ０２と同一かこれに類似するものである場合であって、売買株数情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、不正可能性Ｃがｗ１９、不正可能性Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のより高い不正可能性Ｃを最適解として選択する。

参照用売買履歴情報に加え、参照用外部環境情報の代替として、上述した参照用イベント情報との組み合わせの連関度を不正可能性との間で作っておくようにしてもよい。これにより、売買履歴情報に加え、この外部環境情報の代替として、上述したイベント情報が入力された場合に、この連関度を利用することで同様に不正可能性を探索、予測することが可能となる。

また参照用売買履歴情報に加え、参照用外部環境情報の代替として、上述した参照用関連銘柄市況情報との組み合わせの連関度を不正可能性との間で作っておくようにしてもよい。関連銘柄市況情報は、参照用売買履歴情報において学習させた銘柄と関連するものである。銘柄間の関連性については、事前にシステム側において設定されるものであってもよい。これにより、売買履歴情報に加え、この外部環境情報の代替として、上述した関連銘柄市況情報が入力された場合に、この連関度を利用することで同様に不正可能性を探索、予測することが可能となる。

参照用売買履歴情報に加え、参照用外部環境情報の代替として、第１実施形態〜第６実施形態において説明した他のいかなる参照用情報との組み合わせの連関度を不正可能性との間で作っておくようにしてもよい。これにより、売買履歴情報に加え、この外部環境情報の代替として、上述した参照用情報に対応する情報が入力された場合に、この連関度を利用することで同様に不正可能性を探索、予測することが可能となる。

更に本実施形態においては、判別対象者の属性に関する属性情報をするようにしてもよい。この属性情報とは、判別対象者が個人である場合、当該個人の年齢や健康状態、年収、生年月日、出身地、家庭環境、学歴、職務経歴、現在又は過去に勤務している企業の情報、その企業がいかなる会社の資本が入っているか、またその企業がいかなる会社に投資しているか、その企業の取引先、外注先に関する情報等である。また所属しているクラブや同好会の情報等も属性情報に含めてもよい。また判別対象者が法人の場合は、その企業の情報、その企業がいかなる会社の資本が入っているか、またその企業がいかなる会社に投資しているか、その企業の取引先、外注先に関する情報等である。

次に、取引銘柄と属性情報との関係が記憶されたデータベース３を参照する。このデータベース３には、各取引銘柄と、上記属性情報との関係の有無が記憶されている。例えば、取引銘柄が、属性情報に含まれる企業やその企業に資本を入れている会社に該当するか、または関連するか否かが、このデータベース３に記憶されている。このため、取引銘柄と属性情報の関係の有無は、このデータベース３を参照することで、判別することができる。その結果、取引銘柄と属性情報の関係が認められた場合、判別対象者からその取引銘柄に関して情報を知りえる環境にあると仮定し、不正可能性の判別結果に反映させる。かかる場合には、例えば、上述した連関度のうち、不正可能性の高いものにつながる連関度を高くするようにしてもよい。また算出された不正可能性を上げるように調整するようにしてもよい。かかる場合には、仮に不正可能性が８０％と判定された場合、取引銘柄と属性情報の関係が認められた場合には、更に１０％上げて不正可能性９０％としてもよい。

１ 株取引情報表示システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (8)

1. 不正な株取引を検出する不正株取引検出プログラムにおいて、
   取引銘柄の市況に判別対象者による売買履歴が紐付けられた売買履歴情報を取得する情報取得ステップと、
   予め取得した取引銘柄の市況に過去の取引者の売買履歴が紐付けられた各参照用売買履歴情報に対して２以上の不正可能性が３段階以上の連関度を以って関連付けられた学習済みデータを利用し、上記情報取得ステップにおいて取得した売買履歴情報に応じた参照用売買履歴情報に関連付けられている連関度のうちより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする不正株取引検出プログラム。
2. 上記情報取得ステップでは、取引銘柄の市況として株価の時系列的推移を取得するとともに、上記売買履歴を、予め類型化された株価の時系列的推移と売買履歴とのパターンに当てはめた売買履歴情報を取得し、
   上記判別ステップでは、過去の取引銘柄の市況として株価の時系列的推移を取得するとともに、過去の取引者の売買履歴を、予め類型化された株価の時系列的推移と売買履歴とのパターンに当てはめた参照用売買履歴情報と、不正可能性との３段階以上の上記連関度を利用し、上記情報取得ステップにおいて当てはめたパターンからなる上記売買履歴情報に応じたパターンの類型からなる参照用売買履歴情報に基づき、上記連関度のより高いものを優先させて、不正可能性を判別すること
   を特徴とする請求項１記載の不正株取引検出プログラム。
3. 上記情報取得ステップでは、上記取引銘柄に対して予め関連付けられた他の関連銘柄の市況に関する関連銘柄市況情報とを取得し、
   上記判別ステップでは、上記参照用売買履歴情報と、上記参照用売買履歴情報の時期における上記他の関連銘柄の市況に関する参照用関連銘柄市況情報とを有する組み合わせと、不正可能性との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した関連銘柄市況情報に応じた参照用関連銘柄市況情報に基づき、上記連関度のより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする請求項１又は２記載の不正株取引検出プログラム。
4. 上記情報取得ステップでは、外部環境に関する外部環境情報とを取得し、
   上記判別ステップでは、上記参照用売買履歴情報と、上記参照用売買履歴情報の時期における外部環境に関する参照用外部環境情報とを有する組み合わせと、不正可能性との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した外部環境情報に応じた参照用外部環境情報に基づき、上記連関度のより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする請求項１又は２記載の不正株取引検出プログラム。
5. 上記情報取得ステップでは、発生したイベントに関するイベント情報とを取得し、
   上記判別ステップでは、上記参照用売買履歴情報と、上記参照用売買履歴情報の時期に発生したイベントに関する参照用イベント情報とを有する組み合わせと、不正可能性との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得したイベント情報に応じた参照用イベント情報に基づき、上記連関度のより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする請求項１又は２記載の不正株取引検出プログラム。
6. 上記情報取得ステップでは、判別対象者による取引銘柄の売買株数に関する売買履歴情報とを取得し、
   上記判別ステップでは、上記参照用売買履歴情報と、上記参照用売買履歴情報の時期に行われた売買株数に関する参照用売買株数情報とを有する組み合わせと、不正可能性との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した売買株数情報に応じた参照用売買株数情報に基づき、上記連関度のより高いものを優先させて、不正可能性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする請求項１又は２記載の不正株取引検出プログラム。
7. 上記情報取得ステップでは、判別対象者の属性に関する属性情報とを取得し、
   上記判別ステップでは、取引銘柄と属性情報との関係が記憶されたデータベースを参照し、上記情報取得ステップにおいて取得された属性情報と取引銘柄との関係に基づき、不正可能性を判別すること
   を特徴とする請求項１〜６のうち何れか１項記載の不正株取引検出プログラム。
8. 上記判別ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
   を特徴とする請求項１〜７のうち何れか１項記載の不正株取引検出プログラム。

Images