JPH05342191A - 経済時系列データ予測及び解析システム - Google Patents
経済時系列データ予測及び解析システムInfo
- Publication number
- JPH05342191A JPH05342191A JP14749792A JP14749792A JPH05342191A JP H05342191 A JPH05342191 A JP H05342191A JP 14749792 A JP14749792 A JP 14749792A JP 14749792 A JP14749792 A JP 14749792A JP H05342191 A JPH05342191 A JP H05342191A
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time series
- economic
- prediction
- economic time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 40
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 10
- 230000001364 causal effect Effects 0.000 description 8
- 210000004205 output neuron Anatomy 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/925—Business
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
(57)【要約】
【目的】 過去の変動パタンと将来の変動との間の因果
関係や、入力データの変動との出力の因果関係も求めら
れる経済時系列データ予測及び解析システムをニューラ
ルネットワークを用いて構成する。 【構成】 各経済時系列データの期間の異なる移動平均
をとり、それぞれの予測しようとする時点の直前におけ
るn次階差をとったもの、及び予測対象の経済時系列デ
ータからトレンドを除去した系列の予測しようとする直
前の数点からなる部分のパタンを分類した結果とを入力
とし、予測対称の各経済時系列データの次の時点での変
化を出力とする予測ニューラルネットワーク8を含む構
成である。因果関係の解析は、学習データに対するニュ
ーラルネットワーク8の中間層802のニューロンの出
力値の並びの主成分を求め、各主成分得点の変化に対し
て有意な説明変量を求めることによって行われる。
関係や、入力データの変動との出力の因果関係も求めら
れる経済時系列データ予測及び解析システムをニューラ
ルネットワークを用いて構成する。 【構成】 各経済時系列データの期間の異なる移動平均
をとり、それぞれの予測しようとする時点の直前におけ
るn次階差をとったもの、及び予測対象の経済時系列デ
ータからトレンドを除去した系列の予測しようとする直
前の数点からなる部分のパタンを分類した結果とを入力
とし、予測対称の各経済時系列データの次の時点での変
化を出力とする予測ニューラルネットワーク8を含む構
成である。因果関係の解析は、学習データに対するニュ
ーラルネットワーク8の中間層802のニューロンの出
力値の並びの主成分を求め、各主成分得点の変化に対し
て有意な説明変量を求めることによって行われる。
Description
【0001】
【産業上の利用分野】本発明は、ニューラルネットワー
クを用いて株価、債権価格、為替ルート等の経済時系列
データの予測や分析を行う経済時系列データ予測及び解
析システムに関するものである。
クを用いて株価、債権価格、為替ルート等の経済時系列
データの予測や分析を行う経済時系列データ予測及び解
析システムに関するものである。
【0002】
【従来の技術】図2は、例えば“Stock Mark
et Prediction System with
Modular Neural Network
s”,byT.Kimoto and K.Asaka
wa,in Proceedings of Inte
national Joint Conference
on Neural Networks,June 1
990に記述されている株価予測及び分析を行う経済時
系列データ予測及び解析システムの構成を示す図であ
る。この経済時系列データ予測及び解析システムは、T
OPIXと呼ばれる売買可能な日本の株価指数の変化を
予測し、その変動の原因を解析するものである。
et Prediction System with
Modular Neural Network
s”,byT.Kimoto and K.Asaka
wa,in Proceedings of Inte
national Joint Conference
on Neural Networks,June 1
990に記述されている株価予測及び分析を行う経済時
系列データ予測及び解析システムの構成を示す図であ
る。この経済時系列データ予測及び解析システムは、T
OPIXと呼ばれる売買可能な日本の株価指数の変化を
予測し、その変動の原因を解析するものである。
【0003】図2において、経済時系列データ予測及び
解析システムは、予測システム3と解析システム4とを
備えている。そして、予測システム3は、前処理モジュ
ール21と、前処理モジュール21に接続されている複
数のニューラルネットワーク8と、複数のニューラルネ
ットワーク8の出力の加重平均をとる統合モジュール2
2とから構成されている。
解析システムは、予測システム3と解析システム4とを
備えている。そして、予測システム3は、前処理モジュ
ール21と、前処理モジュール21に接続されている複
数のニューラルネットワーク8と、複数のニューラルネ
ットワーク8の出力の加重平均をとる統合モジュール2
2とから構成されている。
【0004】前処理モジュール21は、株価指数の過去
の時系列入力データ1と、その他の時系列入力データ2
を受けとり、対数関数や誤差関数の適用及び正規化など
の処理を行う。その他の時系列データ2としては。出来
高、金利、外国為替レート、ニューヨークダウ平均等が
含まれている。
の時系列入力データ1と、その他の時系列入力データ2
を受けとり、対数関数や誤差関数の適用及び正規化など
の処理を行う。その他の時系列データ2としては。出来
高、金利、外国為替レート、ニューヨークダウ平均等が
含まれている。
【0005】前処理モジュール21に接続されているニ
ューラルネットワーク8は、入力層801、中間80
2、及び出力ニューロン803から構成される。そし
て、統合モジュール22は、これらのニューラルネット
ワーク8の出力ニューロン803からの出力の加重平均
をとる。
ューラルネットワーク8は、入力層801、中間80
2、及び出力ニューロン803から構成される。そし
て、統合モジュール22は、これらのニューラルネット
ワーク8の出力ニューロン803からの出力の加重平均
をとる。
【0006】なお、時系列データ2には出来高、金利、
外国為替レート、ニューヨークダウ平均等が含まれてい
る。
外国為替レート、ニューヨークダウ平均等が含まれてい
る。
【0007】予測システム3においては、過去の実際の
データである時系列入力データ1、2と、それに対する
望ましい出力値13とを学習データとしてニューラルネ
ットワークに与えてニューラルネットワーク8を学習さ
せる。この学習を行うことによって、未知の入力1、2
に対応する予測をすることが可能になる。
データである時系列入力データ1、2と、それに対する
望ましい出力値13とを学習データとしてニューラルネ
ットワークに与えてニューラルネットワーク8を学習さ
せる。この学習を行うことによって、未知の入力1、2
に対応する予測をすることが可能になる。
【0008】すなわち、学習後のニューラルネットワー
クに現在までの時系列データ入力1、2を供給すること
により、未来の時系列データの変化を予測させることが
可能である。本従来例においては、出力値13は、現在
以後の一定期間の重みつき平均増加率の指標である。つ
まり、この値は、今後株価が上がるなら正の値に、下が
るなら負の値である。
クに現在までの時系列データ入力1、2を供給すること
により、未来の時系列データの変化を予測させることが
可能である。本従来例においては、出力値13は、現在
以後の一定期間の重みつき平均増加率の指標である。つ
まり、この値は、今後株価が上がるなら正の値に、下が
るなら負の値である。
【0009】時刻tにおけるTOPIXの増加率はTO
PIX(t)/TOPIX(t−1)で表されるが、増
加率の平均をとるために、通常は自然対数をとった値に
して用いる。この値γt は、次式で与えられる。
PIX(t)/TOPIX(t−1)で表されるが、増
加率の平均をとるために、通常は自然対数をとった値に
して用いる。この値γt は、次式で与えられる。
【0010】 γt =ln(TOPIX(t)/TOPIX(t−1)) …(1) 但し、TOPIX(t)は週tにおける株価指標であ
る。
る。
【0011】出力値13の望ましい値(将来の予想され
るリタン)γN (t)は、上述したように、上記増加率
γt の一定期間の重みつき平均値であり、週tにおける
リタンγN (t)は次式で定義される。
るリタン)γN (t)は、上述したように、上記増加率
γt の一定期間の重みつき平均値であり、週tにおける
リタンγN (t)は次式で定義される。
【0012】 γN (t)=Σφi γt+i (i=1〜N) …(2) ここで、φは各期間に対する重み付け係数であり0.5
から1の間の数である。すなわち、遠い将来ほど重みが
小さくなるようにして平均値が求められる。
から1の間の数である。すなわち、遠い将来ほど重みが
小さくなるようにして平均値が求められる。
【0013】また、上述した文献においては、学習済み
のニューラルネットワークを用いて時系列入力データ
1、2と出力値13の因果関係を求める手法について説
明がなされている。ここで述べられている手法では、ま
ず中間層802のニューロン数を小さく(例えば5個)
してニューラルネットワークの学習が行われる。次に、
学習データ23に対する中間層の出力10のベクトル値
のクラスタ分析を行い、類似する中間層の出力10を持
つ学習データ23の集合を求める。本文ではこの集合を
クラスタと呼ぶ。
のニューラルネットワークを用いて時系列入力データ
1、2と出力値13の因果関係を求める手法について説
明がなされている。ここで述べられている手法では、ま
ず中間層802のニューロン数を小さく(例えば5個)
してニューラルネットワークの学習が行われる。次に、
学習データ23に対する中間層の出力10のベクトル値
のクラスタ分析を行い、類似する中間層の出力10を持
つ学習データ23の集合を求める。本文ではこの集合を
クラスタと呼ぶ。
【0014】このクラスタ分析は、解析システム4によ
って行われる。中間層802のニューロン数は一般に大
きいほど予測制度は高くなるが、このクラスタ分析にお
いては中間層802のニューロン数が分類しようとする
クラスタの数程度あると解析が容易である。クラスタの
個数は一般に数個程度なので、上述した文献においては
クラスタの個数に合わせるため中間層802のニューロ
ン数を小さくしている。
って行われる。中間層802のニューロン数は一般に大
きいほど予測制度は高くなるが、このクラスタ分析にお
いては中間層802のニューロン数が分類しようとする
クラスタの数程度あると解析が容易である。クラスタの
個数は一般に数個程度なので、上述した文献においては
クラスタの個数に合わせるため中間層802のニューロ
ン数を小さくしている。
【0015】各クラスタに属する学習データの日付を株
式指標の時系列データ上で調べることにより、クラスタ
に対応する相場の種類(上昇相場、停滞相場、下降相
場)を決定することができる。更に、各クラスタに属す
る入力データ(学習データ)の頻度分布を調べることに
より、各クラスタに対応する相場の発生要因を調べるこ
とができる。すなわち、所定分布の入力データ(学習デ
ータ)があるクラスタに属する入力データ(学習デー
タ)だけを調べ、その内容が偏っているとき、その付近
の値がクラスタに対応する相場の発生原因の一つになっ
ていると考えられる。
式指標の時系列データ上で調べることにより、クラスタ
に対応する相場の種類(上昇相場、停滞相場、下降相
場)を決定することができる。更に、各クラスタに属す
る入力データ(学習データ)の頻度分布を調べることに
より、各クラスタに対応する相場の発生要因を調べるこ
とができる。すなわち、所定分布の入力データ(学習デ
ータ)があるクラスタに属する入力データ(学習デー
タ)だけを調べ、その内容が偏っているとき、その付近
の値がクラスタに対応する相場の発生原因の一つになっ
ていると考えられる。
【0016】
【発明が解決しようとする課題】従来の経済時系列デー
タ予測及び解析システムは、以上のように構成されてい
るので、中間層のニューロン数は、分類すべきクラスタ
の数程度存在することが望ましい。しかしながら、実際
にどの程度のクラスタ分類を行うべきかはあらかじめ知
ることができないので、カット&トライによる実験的な
手法で、中間層のニューロン数が決定されていた。
タ予測及び解析システムは、以上のように構成されてい
るので、中間層のニューロン数は、分類すべきクラスタ
の数程度存在することが望ましい。しかしながら、実際
にどの程度のクラスタ分類を行うべきかはあらかじめ知
ることができないので、カット&トライによる実験的な
手法で、中間層のニューロン数が決定されていた。
【0017】また、テクニカル分析のように、過去の変
動パタンと将来の変動との間の因果関係や、入力データ
の変動と出力の因果関係は求められないという問題点が
あった。テクニカル分析とは、ファンダメンタル分析と
ならんで古典的な経済分析の手法の一つであり、過去の
相場の動きをチャートなどによって捉え、その動きによ
って今後の相場の動きを把握しようとする方法である。
この方法は従来の統計的手法に基づく手法であり、入力
データの変動と出力との因果関係を求めることが可能で
ある。
動パタンと将来の変動との間の因果関係や、入力データ
の変動と出力の因果関係は求められないという問題点が
あった。テクニカル分析とは、ファンダメンタル分析と
ならんで古典的な経済分析の手法の一つであり、過去の
相場の動きをチャートなどによって捉え、その動きによ
って今後の相場の動きを把握しようとする方法である。
この方法は従来の統計的手法に基づく手法であり、入力
データの変動と出力との因果関係を求めることが可能で
ある。
【0018】この発明は、上記のような課題を解消する
ためになされたもので、中間層ニューロンの数が、分類
すべきクラスタの数より多いニューラルネットワークを
用いた予測及び解析システムを得ることを目的とする。
ためになされたもので、中間層ニューロンの数が、分類
すべきクラスタの数より多いニューラルネットワークを
用いた予測及び解析システムを得ることを目的とする。
【0019】また、テクニカル分析に見られるような過
去の変動パタンと将来の変動との間の因果関係や、入力
データの変動との出力の因果関係をも求められる経済時
系列データ予測及び解析システムを得ることを目的とす
る。
去の変動パタンと将来の変動との間の因果関係や、入力
データの変動との出力の因果関係をも求められる経済時
系列データ予測及び解析システムを得ることを目的とす
る。
【0020】
【課題を解決するための手段】この発明に係る経済時系
列データ予測及び解析システムは、各経済時系列データ
の期間の異なる移動平均をとり、この移動平均値の予測
しようとする時点の直前におけるn次階差(nは1以上
の整数)を入力とし、かつ予測対称の経済時系列データ
からトレンドを除去した系列の予測しようとする直前の
数点からなる部分のパタンを分類した結果を入力とし、
予測対象の各経済時系列データの予測しようとする時点
での変化を出力とするニューラルネットワークを構成要
素として含むことを特徴とするものである。
列データ予測及び解析システムは、各経済時系列データ
の期間の異なる移動平均をとり、この移動平均値の予測
しようとする時点の直前におけるn次階差(nは1以上
の整数)を入力とし、かつ予測対称の経済時系列データ
からトレンドを除去した系列の予測しようとする直前の
数点からなる部分のパタンを分類した結果を入力とし、
予測対象の各経済時系列データの予測しようとする時点
での変化を出力とするニューラルネットワークを構成要
素として含むことを特徴とするものである。
【0021】また、この発明に係る経済時系列データ予
測及び解析システムは、学習データに対する予測用ニュ
ーラルネットワークの中間層のニューロンの出力値の並
びの主成分を求め、各主成分の変化に対して有意な上記
ニューラルネットワークの入力値、及び/または同一経
済時系列データの互いに異なる期間長の移動平均値の
差、及び/または互いに異なる経済時系列データの同一
期間長の移動平均値の差を求めるように構成したことを
特徴とするものである。
測及び解析システムは、学習データに対する予測用ニュ
ーラルネットワークの中間層のニューロンの出力値の並
びの主成分を求め、各主成分の変化に対して有意な上記
ニューラルネットワークの入力値、及び/または同一経
済時系列データの互いに異なる期間長の移動平均値の
差、及び/または互いに異なる経済時系列データの同一
期間長の移動平均値の差を求めるように構成したことを
特徴とするものである。
【0022】
【作用】この発明における経済時系列データ予測及び解
析システムにおいて、予測は予測対象の経済時系列デー
タに対する前処理結果及び分類結果、及び予測対称以外
の各経済時系列データに対する前処理結果とをニューラ
ルネットワークに入力し、その出力を後処理することに
よって行われる。
析システムにおいて、予測は予測対象の経済時系列デー
タに対する前処理結果及び分類結果、及び予測対称以外
の各経済時系列データに対する前処理結果とをニューラ
ルネットワークに入力し、その出力を後処理することに
よって行われる。
【0023】また、因果関係の解析結果は、説明変量と
出力値との関係という形で求められる。説明変量とは出
力値(経済時系列データ)の変化の要因となる変量であ
り、本文においては予測用ニューラルネットワークへの
入力、及び同一経済時系列データの互いに異なる期間長
の移動平均値の差、及び別個の経済時系列データの同一
期間長による移動平均値の差、である。本発明による解
析においては、まず学習データに対する予測用ニューラ
ルネットワークの中間層のニューロンの出力値の並びの
主成分が求められる。
出力値との関係という形で求められる。説明変量とは出
力値(経済時系列データ)の変化の要因となる変量であ
り、本文においては予測用ニューラルネットワークへの
入力、及び同一経済時系列データの互いに異なる期間長
の移動平均値の差、及び別個の経済時系列データの同一
期間長による移動平均値の差、である。本発明による解
析においては、まず学習データに対する予測用ニューラ
ルネットワークの中間層のニューロンの出力値の並びの
主成分が求められる。
【0024】主成分とは、多数の変量の変化を少数の変
量で表そうとしたときのその少量の変量をいう。直観的
には、多数の変量をベクトルと考え、少量の変量を単位
ベクトルと見なし、多数の変量をこの少量の単位ベクト
ルの一次結合によって表そうとする場合、この少量のベ
クトルを主成分と呼ぶ。また、一次結合のそれぞれの係
数を主成分得点と呼ぶ。一般に、多数の変量の間に何ら
かの相関があれば、より少量の主成分の組み合わせ(一
次結合)によって上記多数の変量ベクトルの分布を近似
することが可能である。
量で表そうとしたときのその少量の変量をいう。直観的
には、多数の変量をベクトルと考え、少量の変量を単位
ベクトルと見なし、多数の変量をこの少量の単位ベクト
ルの一次結合によって表そうとする場合、この少量のベ
クトルを主成分と呼ぶ。また、一次結合のそれぞれの係
数を主成分得点と呼ぶ。一般に、多数の変量の間に何ら
かの相関があれば、より少量の主成分の組み合わせ(一
次結合)によって上記多数の変量ベクトルの分布を近似
することが可能である。
【0025】次にこのようにして求められた各主成分得
点の変化に対して有意な説明変量をが求められる。これ
は、クラスタリングや、入力の分布と各主成分得点の分
布の相関関係が明確か否かを評価することにより達成さ
れる。各主成分の影響度は、主成分の係数べクトルと中
間層から出力ニューロンの結合重みと、を出力ニューロ
ン側から見た重みの内積に、主成分得点の変化幅を掛け
たものになる。
点の変化に対して有意な説明変量をが求められる。これ
は、クラスタリングや、入力の分布と各主成分得点の分
布の相関関係が明確か否かを評価することにより達成さ
れる。各主成分の影響度は、主成分の係数べクトルと中
間層から出力ニューロンの結合重みと、を出力ニューロ
ン側から見た重みの内積に、主成分得点の変化幅を掛け
たものになる。
【0026】
【実施例】以下、この発明の一実施例を図に基づいて説
明する。
明する。
【0027】図1は、本発明に係る経済時系列データ予
測及び解析システムを示す構成図である。図1におい
て、経済時系列データ予測及び解析システムは、予測シ
ステム3及び解析システム4を有している。予測システ
ム3は、予測対象時系列データの前処理モジュール5、
パタン分類器7及び予測ニューラルネットワーク8とか
ら構成されている。解析システム4は、主成分分析モジ
ュール41及び解析モジュール42とから構成されてい
る。
測及び解析システムを示す構成図である。図1におい
て、経済時系列データ予測及び解析システムは、予測シ
ステム3及び解析システム4を有している。予測システ
ム3は、予測対象時系列データの前処理モジュール5、
パタン分類器7及び予測ニューラルネットワーク8とか
ら構成されている。解析システム4は、主成分分析モジ
ュール41及び解析モジュール42とから構成されてい
る。
【0028】前処理モジュール5は、時系列入力データ
1を処理して各種階差14とトレンド除去後の変動パタ
ン15を生成し、それらを予測ニューラルネットワーク
8に供給する。なお、時系列入力データ1は、予測対象
各経済時系列データであるTOPIX時系列データ、時
系列入力データ2は、その他の時系列データであり、本
実施例では出来高、国債利回り最長物金利、公定歩合3
ヵ月物金利、民間最終消費支出、建設工事受注、ドバイ
原油価格、円ドルレート、全国市街地価格指数、経常利
益、実質賃金指数、マネーサプライ平均残高、鉱工業出
荷指数、貿易収支、ニューヨークダウ平均、及び卸売物
価指数である。
1を処理して各種階差14とトレンド除去後の変動パタ
ン15を生成し、それらを予測ニューラルネットワーク
8に供給する。なお、時系列入力データ1は、予測対象
各経済時系列データであるTOPIX時系列データ、時
系列入力データ2は、その他の時系列データであり、本
実施例では出来高、国債利回り最長物金利、公定歩合3
ヵ月物金利、民間最終消費支出、建設工事受注、ドバイ
原油価格、円ドルレート、全国市街地価格指数、経常利
益、実質賃金指数、マネーサプライ平均残高、鉱工業出
荷指数、貿易収支、ニューヨークダウ平均、及び卸売物
価指数である。
【0029】予測対象時系列データの前処理モジュール
5の処理内容を説明する。まず、1ヵ月、3ヵ月、6ヵ
月範囲の移動平均値を求める。Nヵ月範囲の移動平均値
は、次のように求められる。
5の処理内容を説明する。まず、1ヵ月、3ヵ月、6ヵ
月範囲の移動平均値を求める。Nヵ月範囲の移動平均値
は、次のように求められる。
【0030】 ajN (t)=Σφi xt-1 (i=0…Nー1) …(3) ここで、φi は重み付け係数である。このφi は次式に
よって作成される。
よって作成される。
【0031】 φi =Φi /ΣΦi (i=0…Nー1) …(4) ΦN-1 =0.1 …(5) すなわち、重み付け係数φi はその総和が1となるよう
に正規化された重み付け係数である。また、jは時系列
データの種別を表す。j=0は予測対象時系列データ、
j=1,2,3...は予測対象でない時系列データで
ある。Nヵ月範囲の移動平均値から、最終値Xj
0 N (t)、一次階差Xj1 N (t)、二次階差Xj2
N (t)、が次のように求められる。
に正規化された重み付け係数である。また、jは時系列
データの種別を表す。j=0は予測対象時系列データ、
j=1,2,3...は予測対象でない時系列データで
ある。Nヵ月範囲の移動平均値から、最終値Xj
0 N (t)、一次階差Xj1 N (t)、二次階差Xj2
N (t)、が次のように求められる。
【0032】 Xj0 N (t)=ajN (t) …(6) Xj1 N (t)=ajN (t)−ajN (t−1) …(7) Xj2 N (t)=ajN (t)−2ajN (t−1)+aON (t−1) …(8) 予測対象時系列データのトレンド除去後の変動パタン1
5は、8ヵ月分のパタンから6ヵ月範囲の移動平均値を
除去し、正規化することにより得られる。まず、もとの
時系列データから6ヵ月範囲の移動平均値を減算し、ト
レンドを除去する。 p0i (t)=x0(t)−XO
0 3 (t) …(9) このようにして求めたトレンド除去後のp0i (t)を
8ヵ月分に渡って正規化することにより、トレンド除去
後のパタンP0i (t) (i=1,2,…,8)は次
のように求められる。
5は、8ヵ月分のパタンから6ヵ月範囲の移動平均値を
除去し、正規化することにより得られる。まず、もとの
時系列データから6ヵ月範囲の移動平均値を減算し、ト
レンドを除去する。 p0i (t)=x0(t)−XO
0 3 (t) …(9) このようにして求めたトレンド除去後のp0i (t)を
8ヵ月分に渡って正規化することにより、トレンド除去
後のパタンP0i (t) (i=1,2,…,8)は次
のように求められる。
【0033】 P0i (t)=p0i (t)/[Σ{p0i (t)}2 ]1/2 (i=1,2,…,8) …(10) 一方、パタン分類器7は、自己組織化マップと呼ばれる
ニューラルネットワークにより実現されており、全ての
学習データを用いてあらかじめ結合重みを決めておく。
自己組織化マップのアルゴリズムは“The Self
−Organizing Map”,by Teuvo
Kohonen,in Proceedings o
f the IEEE,Vol.78 No.9 Se
p.1990に述べられている、本システムでは16個
のニューロンを4×4のメッシュ状に並べたトポロジー
を用い、学習係数α(t)には次式を用いる。
ニューラルネットワークにより実現されており、全ての
学習データを用いてあらかじめ結合重みを決めておく。
自己組織化マップのアルゴリズムは“The Self
−Organizing Map”,by Teuvo
Kohonen,in Proceedings o
f the IEEE,Vol.78 No.9 Se
p.1990に述べられている、本システムでは16個
のニューロンを4×4のメッシュ状に並べたトポロジー
を用い、学習係数α(t)には次式を用いる。
【0034】 α(i)=0.5/(1+(i−1)*0.1) …(11) 但し、iは1を初期値として、全学習データを提示し終
わるたびに1増加する。i=10000となるまで学習
を行った。分類器の出力は変動パタン15に対する16
個のニューロン出力を並べたものである。
わるたびに1増加する。i=10000となるまで学習
を行った。分類器の出力は変動パタン15に対する16
個のニューロン出力を並べたものである。
【0035】予測対象経済時系列データ以外の時系列入
力データ2に対する前処理モジュール5は、予測対象経
済時系列データ1に対する前処理モジュール5と同一の
機能を有しており、移動平均処理及び階差を求める処理
を行う。この結果前処理及び分類を終えたデータは予測
ニューラルネットワーク8に入力される。予測ニューラ
ルネットワーク8は入力層801、中間層802、出力
ニューロン803より構成される階層型ニューラルネッ
トワークであり、予測ニューラルネットワーク8の学習
アルゴリズムは“Learning Internal
Representation by Error
Propagation”,by D.E.Rumel
hart,G.E.Hinton,and R.J.W
illiams,in Parallel Distr
ibuted Processing,The MIT
Press(1986)による。学習係数には0.
1、慣性項の係数には0.9を用いた。学習に用いる教
師データとしては予想前月tと予想対象月t+1のTO
PIX値から以下のように求めたものを用いた。
力データ2に対する前処理モジュール5は、予測対象経
済時系列データ1に対する前処理モジュール5と同一の
機能を有しており、移動平均処理及び階差を求める処理
を行う。この結果前処理及び分類を終えたデータは予測
ニューラルネットワーク8に入力される。予測ニューラ
ルネットワーク8は入力層801、中間層802、出力
ニューロン803より構成される階層型ニューラルネッ
トワークであり、予測ニューラルネットワーク8の学習
アルゴリズムは“Learning Internal
Representation by Error
Propagation”,by D.E.Rumel
hart,G.E.Hinton,and R.J.W
illiams,in Parallel Distr
ibuted Processing,The MIT
Press(1986)による。学習係数には0.
1、慣性項の係数には0.9を用いた。学習に用いる教
師データとしては予想前月tと予想対象月t+1のTO
PIX値から以下のように求めたものを用いた。
【0036】 ln(x0(t+1)/x0(t)/2.0 …(12) 後処理9はこれを変化率 (x0(t+1)−x0(t))/x0(t) …(13) に変換する。即ち、後処理9の入力をx、出力をyとす
ると y=e2x−1 …(14) となる。
ると y=e2x−1 …(14) となる。
【0037】解析システム4の動作を説明する。解析モ
ジュール42では中間層802の出力を媒介にして入力
値から算出される説明変量と出力値13の相関関係を求
める。説明変量は、入力値及び同一経済時系列データの
異なる期間長の移動平均値の差、及び異なる種類の経済
時系列データの同一期間長の移動平均値の差である。解
析は以下のように行う。
ジュール42では中間層802の出力を媒介にして入力
値から算出される説明変量と出力値13の相関関係を求
める。説明変量は、入力値及び同一経済時系列データの
異なる期間長の移動平均値の差、及び異なる種類の経済
時系列データの同一期間長の移動平均値の差である。解
析は以下のように行う。
【0038】全ての学習データに対して予測ニューラル
ネットワーク8の中間層802の全ニューロンの出力値
10が、主成分分析モジュール41に供給され、主成分
分析モジュール41は、これらの出力値10を基にして
主成分を算出する。解析モジュール42は、まず全学習
データに対して各主成分得点の頻度分布を求め、さら
に、最大値、最小値、最小値から下位10%の個数の学
習データが含まれる区間、最大値から上位10%の個数
のデータが含まれる区間を求める。
ネットワーク8の中間層802の全ニューロンの出力値
10が、主成分分析モジュール41に供給され、主成分
分析モジュール41は、これらの出力値10を基にして
主成分を算出する。解析モジュール42は、まず全学習
データに対して各主成分得点の頻度分布を求め、さら
に、最大値、最小値、最小値から下位10%の個数の学
習データが含まれる区間、最大値から上位10%の個数
のデータが含まれる区間を求める。
【0039】次に、主成分に対してそれぞれ下位10%
に含まれる学習データのグループと上位10%に含まれ
るデータのグループに着目し、それぞれのグループ内で
の説明変数の平均値と標準偏差を求める。上位10%と
下位10%の平均値の差が大きく、その差の絶対値に対
する標準偏差の小さいほど説明変数と主成分得点の相関
関係が強いとみなす。一方、主成分得点Pi の予測対象
経済時系列データの変化率への影響はEi は次式で求め
られる。
に含まれる学習データのグループと上位10%に含まれ
るデータのグループに着目し、それぞれのグループ内で
の説明変数の平均値と標準偏差を求める。上位10%と
下位10%の平均値の差が大きく、その差の絶対値に対
する標準偏差の小さいほど説明変数と主成分得点の相関
関係が強いとみなす。一方、主成分得点Pi の予測対象
経済時系列データの変化率への影響はEi は次式で求め
られる。
【0040】 Ei =exp((maxi −mini )ΣPijWj )−1 …(15) ここで、mini 、maxi は第1主成分得点の最小
値、最大値、Pijは第i主成分の第j成分であり、Wj
は第jニューロンから出力ニューロンへの結合重み10
である。このような相関関係の求め方は、説明変量と主
成分得点の関係が単調であるという仮定に基づいたもの
である。したがって、必ずしも統計学的に正しいもので
はないが、経験的には多くの場合上記のような相関関係
の求め方で十分であることが知られている。また、主成
分得点と予測対象経済時系列データの変化の関係は、出
力ニューロンが1個で出力ニューロンへの結合が1層だ
けであるから単調であることが保証される。
値、最大値、Pijは第i主成分の第j成分であり、Wj
は第jニューロンから出力ニューロンへの結合重み10
である。このような相関関係の求め方は、説明変量と主
成分得点の関係が単調であるという仮定に基づいたもの
である。したがって、必ずしも統計学的に正しいもので
はないが、経験的には多くの場合上記のような相関関係
の求め方で十分であることが知られている。また、主成
分得点と予測対象経済時系列データの変化の関係は、出
力ニューロンが1個で出力ニューロンへの結合が1層だ
けであるから単調であることが保証される。
【0041】
【発明の効果】以上述べたように、従来例では、中間層
のニューロンが多いと冗長なニューロンができるため、
解析が困難であったのに対し、本発明によれば、中間層
のニューロン数が多数あっても予測対象経済時系列デー
タの変動の原因を解析することができる。したがって、
従来の手法では実際に予測に用いるニューラルネットワ
ークと解析に用いられるニューラルネットワークとは、
別個のものを用いる必要があったが、本発明では同一の
ニューラルネットワークを用いることが可能である。
のニューロンが多いと冗長なニューロンができるため、
解析が困難であったのに対し、本発明によれば、中間層
のニューロン数が多数あっても予測対象経済時系列デー
タの変動の原因を解析することができる。したがって、
従来の手法では実際に予測に用いるニューラルネットワ
ークと解析に用いられるニューラルネットワークとは、
別個のものを用いる必要があったが、本発明では同一の
ニューラルネットワークを用いることが可能である。
【0042】また、従来技術では、各経済時系列データ
を単に対数変換や正規化などを行って、ニューラルネッ
トワークに入力していたため、これらの入力値の大小と
予測対象経済時系列データの変化の関連しか解析できな
かった。これに対し、本発明による経済時系列データ解
析システムの場合においては、入力データには各種経済
時系列データの変動を表す差分データが含まれているの
で、入力経済時系列データの変動(増加、減少、極大、
極小等)と予測対象経済時系列データの変動との間の関
係を解析できる。
を単に対数変換や正規化などを行って、ニューラルネッ
トワークに入力していたため、これらの入力値の大小と
予測対象経済時系列データの変化の関連しか解析できな
かった。これに対し、本発明による経済時系列データ解
析システムの場合においては、入力データには各種経済
時系列データの変動を表す差分データが含まれているの
で、入力経済時系列データの変動(増加、減少、極大、
極小等)と予測対象経済時系列データの変動との間の関
係を解析できる。
【0043】また、入力データの中には予測対象経済時
系列データのパタン分類結果が含まれているので、この
パタンと予測対象経済時系列データとの因果関係、すな
わちテクニカル分析的な説明を得ることが可能である。
系列データのパタン分類結果が含まれているので、この
パタンと予測対象経済時系列データとの因果関係、すな
わちテクニカル分析的な説明を得ることが可能である。
【0044】また、従来より金融関係の解析において
は、異なる期間における移動平均値のグラフが交差する
点が解析上重要な意味を有する場合が多い。さらに、あ
る種の経済時系列データ間の大小関係が重要な意味を有
する場合もある。本発明においては、同一経済時系列デ
ータの異なる期間長における移動平均値の差、及び異な
る経済時系列データの同一期間長における移動平均値の
差を説明変量としてニューラルネットワークに供給した
ので、これらの情報を加味した解析が可能である。
は、異なる期間における移動平均値のグラフが交差する
点が解析上重要な意味を有する場合が多い。さらに、あ
る種の経済時系列データ間の大小関係が重要な意味を有
する場合もある。本発明においては、同一経済時系列デ
ータの異なる期間長における移動平均値の差、及び異な
る経済時系列データの同一期間長における移動平均値の
差を説明変量としてニューラルネットワークに供給した
ので、これらの情報を加味した解析が可能である。
【図面の簡単な説明】
【図1】この発明の一実施例によるニューラルネットワ
ーク応用経済時系列データ予測及び解析システムを示す
構成図である。
ーク応用経済時系列データ予測及び解析システムを示す
構成図である。
【図2】従来のニューラルネットワーク応用経済時系列
データ予測及び解析システムを示す構成図である。
データ予測及び解析システムを示す構成図である。
1、2 時系列入力データ 3 予測システム 4 解析システム 5 前処理モジュール 7 パタン分類器 8 予測ニューラルネットワーク 41 主成分分析モジュール 42 解析モジュール
Claims (2)
- 【請求項1】各経済時系列データの期間の異なる移動平
均値を算出する移動平均算出手段と、 予測しようとする時点の直前の時点における前記移動平
均値のn次階差値(nは1以上の整数)を算出する階差
値算出手段と、 前記各経済時系列データからトレンドを除去し、無トレ
ンド経済時系列データを算出するトレンド除去手段と、 予測しようとする時点以前の所定の部分における前記無
トレンド経済時系列データのパタンを分類するパタン分
類手段と、 前記各経済時系列データと前記階差値と前記パタン分類
手段による分類結果とを入力し、予測対象である経済時
系列データの予測しようとする時点における変化を出力
とするニューラルネットワークと、を含むことを特徴と
する経済時系列データ予測システム。 - 【請求項2】各経済時系列データの期間の異なる移動平
均値を算出する移動平均算出手段と、 予測しようとする時点の直前の時点における前記移動平
均値のn次階差値(nは1以上の整数)を算出する階差
値算出手段と、 前記各経済時系列データと前記階差値とを入力し、予測
対象である経済時系列データの予測しようとする時点に
おける変化を出力する予測用ニューラルネットワーク
と、 学習データに対する前記予測用ニューラルネットワーク
の中間層のニューロンの出力値の並びの主成分を算出す
る主成分算出手段と、 前記主成分の変化に対して有意な上記予測用ニューラル
ネットワークの入力値、及び/または同一経済時系列デ
ータの互いに異なる期間長による移動平均値の差、及び
/または互いに異なる経済時系列データの同一期間長に
よる移動平均値の差を求める解析手段と、を含むことを
特徴とする経済時系列データ解析システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP14749792A JPH05342191A (ja) | 1992-06-08 | 1992-06-08 | 経済時系列データ予測及び解析システム |
US08/053,143 US5444819A (en) | 1992-06-08 | 1993-04-27 | Economic phenomenon predicting and analyzing system using neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP14749792A JPH05342191A (ja) | 1992-06-08 | 1992-06-08 | 経済時系列データ予測及び解析システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05342191A true JPH05342191A (ja) | 1993-12-24 |
Family
ID=15431722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP14749792A Pending JPH05342191A (ja) | 1992-06-08 | 1992-06-08 | 経済時系列データ予測及び解析システム |
Country Status (2)
Country | Link |
---|---|
US (1) | US5444819A (ja) |
JP (1) | JPH05342191A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07319954A (ja) * | 1994-05-20 | 1995-12-08 | Nec Corp | 時系列データ照合装置 |
JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
WO2010067566A1 (ja) * | 2008-12-12 | 2010-06-17 | 日本電気株式会社 | 時系列データ分析装置、時系列データ分析方法、及びコンピュータ読み取り可能な記録媒体 |
JP2016006587A (ja) * | 2014-06-20 | 2016-01-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 解析装置、解析方法及びプログラム |
JP2018106477A (ja) * | 2016-12-27 | 2018-07-05 | 清水建設株式会社 | 最尤解探索装置、最尤解探索方法、プログラム及び最尤解探索システム |
JP2019046453A (ja) * | 2017-09-06 | 2019-03-22 | 富士通株式会社 | ニューラルネットワークの中間情報分析装置、最適化装置及び特徴可視化装置 |
JP2020035103A (ja) * | 2018-08-28 | 2020-03-05 | 富士通株式会社 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
JP2021117818A (ja) * | 2020-01-28 | 2021-08-10 | 株式会社電通 | 予測装置、予測方法、及び予測プログラム |
WO2023199413A1 (ja) * | 2022-04-12 | 2023-10-19 | 富士通株式会社 | 機械学習プログラム、機械学習方法および情報処理装置 |
Families Citing this family (119)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4416317B4 (de) * | 1993-05-17 | 2004-10-21 | Siemens Ag | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses |
CA2135857A1 (en) * | 1994-01-03 | 1995-07-04 | Shay-Ping Thomas Wang | Neural network utilizing logarithmic function and method of using same |
US6018722A (en) * | 1994-04-18 | 2000-01-25 | Aexpert Advisory, Inc. | S.E.C. registered individual account investment advisor expert system |
US5758257A (en) | 1994-11-29 | 1998-05-26 | Herz; Frederick | System and method for scheduling broadcast of and access to video programs and other data using customer profiles |
US5630159A (en) * | 1994-12-29 | 1997-05-13 | Motorola, Inc. | Method and apparatus for personal attribute selection having delay management method and apparatus for preference establishment when preferences in a donor device are unavailable |
US5745383A (en) * | 1996-02-15 | 1998-04-28 | Barber; Timothy P. | Method and apparatus for efficient threshold inference |
JPH1063634A (ja) * | 1996-04-05 | 1998-03-06 | Nec Corp | 時系列予測・分類のための方法及び装置 |
US6253186B1 (en) * | 1996-08-14 | 2001-06-26 | Blue Cross Blue Shield Of South Carolina | Method and apparatus for detecting fraud |
DE19649633A1 (de) * | 1996-12-02 | 1998-06-04 | Abb Patent Gmbh | Verfahren zur Analyse und Darstellung von transienten Prozeßvorgängen |
US6985867B1 (en) * | 1997-01-29 | 2006-01-10 | Sandia Corporation | Method of predicting a change in an economy |
US6119103A (en) * | 1997-05-27 | 2000-09-12 | Visa International Service Association | Financial risk prediction systems and methods therefor |
US6018723A (en) | 1997-05-27 | 2000-01-25 | Visa International Service Association | Method and apparatus for pattern generation |
US6173276B1 (en) * | 1997-08-21 | 2001-01-09 | Scicomp, Inc. | System and method for financial instrument modeling and valuation |
US6594643B1 (en) | 1997-11-14 | 2003-07-15 | Charles C. Freeny, Jr. | Automatic stock trading system |
US6493691B1 (en) | 1998-08-07 | 2002-12-10 | Siemens Ag | Assembly of interconnected computing elements, method for computer-assisted determination of a dynamics which is the base of a dynamic process, and method for computer-assisted training of an assembly of interconnected elements |
US6564195B1 (en) * | 1999-07-22 | 2003-05-13 | Cerebrus Solutions Limited | Data classifier output interpretation |
US7328182B1 (en) | 1999-09-23 | 2008-02-05 | Pixon, Llc | System and method for prediction of behavior in financial systems |
US7058197B1 (en) | 1999-11-04 | 2006-06-06 | Board Of Trustees Of The University Of Illinois | Multi-variable model for identifying crop response zones in a field |
EP1107157A3 (en) * | 1999-12-01 | 2001-11-28 | International Business Machines Corporation | System and method for performing predictive analysis |
EP1252566B1 (de) * | 2000-01-31 | 2003-09-17 | Siemens Aktiengesellschaft | Anordnung miteinander verbundener rechenelemente und verfahren zur rechnergestützten ermittlung eines zweiten zustands eines systems in einem ersten zustandsraum aus einem ersten zustand des systems in dem ersten zustandsraum |
US20030018550A1 (en) * | 2000-02-22 | 2003-01-23 | Rotman Frank Lewis | Methods and systems for providing transaction data |
US6999943B1 (en) | 2000-03-10 | 2006-02-14 | Doublecredit.Com, Inc. | Routing methods and systems for increasing payment transaction volume and profitability |
US7562042B2 (en) * | 2000-04-07 | 2009-07-14 | Massachusetts Institute Of Technology | Data processor for implementing forecasting algorithms |
US7742959B2 (en) * | 2000-05-01 | 2010-06-22 | Mueller Ulrich A | Filtering of high frequency time series data |
AU2001265031A1 (en) | 2000-05-25 | 2001-12-03 | Tradescape Technologies, L.L.C. | Solutions server |
US7194434B2 (en) * | 2000-06-15 | 2007-03-20 | Sergio Piccioli | Method for predictive determination of financial investment performance |
US7379909B1 (en) | 2000-10-04 | 2008-05-27 | Tradestation Technologies, Inc. | System, method and apparatus for monitoring and execution of entry and exit orders |
US20080059279A1 (en) * | 2000-11-17 | 2008-03-06 | Goldschneider James D | Network-based business process for improving performance of businesses |
US6594622B2 (en) * | 2000-11-29 | 2003-07-15 | International Business Machines Corporation | System and method for extracting symbols from numeric time series for forecasting extreme events |
US8458059B2 (en) * | 2000-12-13 | 2013-06-04 | Capguard.Com, Inc. | Apparatus and method for assessing market conditions |
US20020129342A1 (en) * | 2001-03-07 | 2002-09-12 | David Kil | Data mining apparatus and method with user interface based ground-truth tool and user algorithms |
US20020169735A1 (en) * | 2001-03-07 | 2002-11-14 | David Kil | Automatic mapping from data to preprocessing algorithms |
US8140415B2 (en) | 2001-03-20 | 2012-03-20 | Goldman Sachs & Co. | Automated global risk management |
US8069105B2 (en) * | 2001-03-20 | 2011-11-29 | Goldman Sachs & Co. | Hedge fund risk management |
US8209246B2 (en) | 2001-03-20 | 2012-06-26 | Goldman, Sachs & Co. | Proprietary risk management clearinghouse |
US7958027B2 (en) * | 2001-03-20 | 2011-06-07 | Goldman, Sachs & Co. | Systems and methods for managing risk associated with a geo-political area |
US7904361B2 (en) * | 2001-03-20 | 2011-03-08 | Goldman Sachs & Co. | Risk management customer registry |
US20020138417A1 (en) * | 2001-03-20 | 2002-09-26 | David Lawrence | Risk management clearinghouse |
US7899722B1 (en) | 2001-03-20 | 2011-03-01 | Goldman Sachs & Co. | Correspondent bank registry |
US8121937B2 (en) | 2001-03-20 | 2012-02-21 | Goldman Sachs & Co. | Gaming industry risk management clearinghouse |
US8285615B2 (en) | 2001-03-20 | 2012-10-09 | Goldman, Sachs & Co. | Construction industry risk management clearinghouse |
US7548883B2 (en) * | 2001-03-20 | 2009-06-16 | Goldman Sachs & Co | Construction industry risk management clearinghouse |
AU2002305889A1 (en) * | 2001-06-08 | 2002-12-23 | Netuitive, Inc. | Automated analyzers for estimation systems |
US7853506B2 (en) * | 2001-09-17 | 2010-12-14 | Recognia Incorporated | Method for categorizing pivot points in technical analysis |
US6975996B2 (en) * | 2001-10-09 | 2005-12-13 | Goldman, Sachs & Co. | Electronic subpoena service |
EP1461754A4 (en) * | 2001-11-28 | 2005-11-09 | Goldman Sachs & Co | TRANSACTION MONITORING |
AU2002360691A1 (en) * | 2001-12-19 | 2003-07-09 | Netuitive Inc. | Method and system for analyzing and predicting the behavior of systems |
US6993204B1 (en) | 2002-01-04 | 2006-01-31 | Pixon Llc | High speed signal enhancement using pixons |
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US8005740B2 (en) | 2002-06-03 | 2011-08-23 | Research Affiliates, Llc | Using accounting data based indexing to create a portfolio of financial objects |
US8589276B2 (en) | 2002-06-03 | 2013-11-19 | Research Afiliates, LLC | Using accounting data based indexing to create a portfolio of financial objects |
EP1856590A4 (en) * | 2002-06-18 | 2007-11-21 | Phil Kongtcheu | METHODS, SYSTEMS AND COMPUTER PROGRAM PRODUCTS FOR ENABLING CREATION AND ACTION WITH DERIVATIVE TREATIES |
US20040133462A1 (en) * | 2002-09-05 | 2004-07-08 | Smith Claude D. | Computer system and method for producing integrated product forecasts |
WO2004047082A2 (en) * | 2002-11-14 | 2004-06-03 | Goldman, Sachs & Co. | Independent research consensus earnings estimates and methods of determining such |
US20060136232A1 (en) * | 2002-12-06 | 2006-06-22 | Hanno Scholtz | Selection method for distributing options to target points |
US7865415B2 (en) * | 2003-03-05 | 2011-01-04 | Morgan Stanley | Intelligent simulation analysis method and system |
DE10315897B4 (de) * | 2003-04-08 | 2005-03-10 | Karlsruhe Forschzent | Verfahren und Verwendung einer Vorrichtung zur Trennung von metallischen und halbleitenden Kohlenstoff-Nanoröhren |
US7333997B2 (en) | 2003-08-12 | 2008-02-19 | Viziant Corporation | Knowledge discovery method with utility functions and feedback loops |
US20050278362A1 (en) * | 2003-08-12 | 2005-12-15 | Maren Alianna J | Knowledge discovery system |
US20050080663A1 (en) * | 2003-10-08 | 2005-04-14 | Kef.Software Ag | Management tool |
US20050091147A1 (en) * | 2003-10-23 | 2005-04-28 | Ingargiola Rosario M. | Intelligent agents for predictive modeling |
US20050091146A1 (en) * | 2003-10-23 | 2005-04-28 | Robert Levinson | System and method for predicting stock prices |
US7966246B2 (en) * | 2003-10-23 | 2011-06-21 | Alphacet, Inc. | User interface for correlation of analysis systems |
WO2005045678A2 (en) * | 2003-10-27 | 2005-05-19 | Netuitive, Inc. | Computer performance estimation system configured to take expected events into consideration |
US7529703B2 (en) | 2003-11-18 | 2009-05-05 | Citigroup Global Markets, Inc. | Method and system for artificial neural networks to predict price movements in the financial markets |
US8214271B2 (en) * | 2004-02-04 | 2012-07-03 | Neuco, Inc. | System and method for assigning credit to process inputs |
US7752119B2 (en) * | 2004-06-14 | 2010-07-06 | Accenture Global Services Gmbh | Auction result prediction |
US8082207B2 (en) * | 2004-06-17 | 2011-12-20 | Certegy Check Services, Inc. | Scored negative file system and method |
US8442953B2 (en) | 2004-07-02 | 2013-05-14 | Goldman, Sachs & Co. | Method, system, apparatus, program code and means for determining a redundancy of information |
US8762191B2 (en) | 2004-07-02 | 2014-06-24 | Goldman, Sachs & Co. | Systems, methods, apparatus, and schema for storing, managing and retrieving information |
US8510300B2 (en) | 2004-07-02 | 2013-08-13 | Goldman, Sachs & Co. | Systems and methods for managing information associated with legal, compliance and regulatory risk |
US8996481B2 (en) | 2004-07-02 | 2015-03-31 | Goldman, Sach & Co. | Method, system, apparatus, program code and means for identifying and extracting information |
WO2006050245A2 (en) * | 2004-11-02 | 2006-05-11 | Eagleforce Associates | System and method for predictive analysis and predictive analysis markup language |
US7693766B2 (en) | 2004-12-21 | 2010-04-06 | Weather Risk Solutions Llc | Financial activity based on natural events |
US7783542B2 (en) | 2004-12-21 | 2010-08-24 | Weather Risk Solutions, Llc | Financial activity with graphical user interface based on natural peril events |
US8266042B2 (en) | 2004-12-21 | 2012-09-11 | Weather Risk Solutions, Llc | Financial activity based on natural peril events |
US7584133B2 (en) | 2004-12-21 | 2009-09-01 | Weather Risk Solutions Llc | Financial activity based on tropical weather events |
US7783543B2 (en) | 2004-12-21 | 2010-08-24 | Weather Risk Solutions, Llc | Financial activity based on natural peril events |
US7783544B2 (en) | 2004-12-21 | 2010-08-24 | Weather Risk Solutions, Llc | Financial activity concerning tropical weather events |
US7584134B2 (en) | 2004-12-21 | 2009-09-01 | Weather Risk Solutions, Llc | Graphical user interface for financial activity concerning tropical weather events |
WO2006110853A2 (en) * | 2005-04-12 | 2006-10-19 | Maren Alianna J | System and method for evidence accumulation and hypothesis generation |
JP2009503657A (ja) * | 2005-07-22 | 2009-01-29 | エル ターラー、ステフエン | ニューラルネットワークによるレーティングシステム |
US20070156720A1 (en) * | 2005-08-31 | 2007-07-05 | Eagleforce Associates | System for hypothesis generation |
US7904759B2 (en) * | 2006-01-11 | 2011-03-08 | Amazon Technologies, Inc. | System and method for service availability management |
US8601112B1 (en) * | 2006-03-14 | 2013-12-03 | Amazon Technologies, Inc. | Method and system for collecting and analyzing time-series data |
US9037698B1 (en) | 2006-03-14 | 2015-05-19 | Amazon Technologies, Inc. | Method and system for collecting and analyzing time-series data |
US7979439B1 (en) * | 2006-03-14 | 2011-07-12 | Amazon Technologies, Inc. | Method and system for collecting and analyzing time-series data |
DE102007001026B4 (de) * | 2007-01-02 | 2008-09-04 | Siemens Ag | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
US8036971B2 (en) * | 2007-03-30 | 2011-10-11 | Palantir Technologies, Inc. | Generating dynamic date sets that represent market conditions |
US8484115B2 (en) | 2007-10-03 | 2013-07-09 | Palantir Technologies, Inc. | Object-oriented time series generator |
US20100070426A1 (en) | 2008-09-15 | 2010-03-18 | Palantir Technologies, Inc. | Object modeling for exploring large data sets |
US8984390B2 (en) | 2008-09-15 | 2015-03-17 | Palantir Technologies, Inc. | One-click sharing for screenshots and related documents |
US8442891B2 (en) * | 2009-12-07 | 2013-05-14 | Predictive Technologies Group, Llc | Intermarket analysis |
US8560420B2 (en) * | 2009-12-07 | 2013-10-15 | Predictive Technologies Group, Llc | Calculating predictive technical indicators |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
AU2012298732A1 (en) * | 2011-08-23 | 2014-02-27 | Research Affiliates, Llc | Using accounting data based indexing to create a portfolio of financial objects |
US8732574B2 (en) | 2011-08-25 | 2014-05-20 | Palantir Technologies, Inc. | System and method for parameterizing documents for automatic workflow generation |
US9348677B2 (en) | 2012-10-22 | 2016-05-24 | Palantir Technologies Inc. | System and method for batch evaluation programs |
US8909656B2 (en) | 2013-03-15 | 2014-12-09 | Palantir Technologies Inc. | Filter chains with associated multipath views for exploring large data sets |
US8930897B2 (en) | 2013-03-15 | 2015-01-06 | Palantir Technologies Inc. | Data integration tool |
US8903717B2 (en) | 2013-03-15 | 2014-12-02 | Palantir Technologies Inc. | Method and system for generating a parser and parsing complex data |
US8855999B1 (en) | 2013-03-15 | 2014-10-07 | Palantir Technologies Inc. | Method and system for generating a parser and parsing complex data |
US8868486B2 (en) | 2013-03-15 | 2014-10-21 | Palantir Technologies Inc. | Time-sensitive cube |
US8938686B1 (en) | 2013-10-03 | 2015-01-20 | Palantir Technologies Inc. | Systems and methods for analyzing performance of an entity |
US20150134564A1 (en) * | 2013-11-12 | 2015-05-14 | Bank Of America Corporation | Predicting economic conditions |
US9741048B2 (en) * | 2013-11-12 | 2017-08-22 | Bank Of America Corporation | Predicting economic conditions |
US20150134565A1 (en) * | 2013-11-12 | 2015-05-14 | Bank Of America Corporation | Predicting economic conditions |
US9639897B2 (en) * | 2013-11-12 | 2017-05-02 | Bank Of America Corporation | Predicting economic conditions |
US9105000B1 (en) | 2013-12-10 | 2015-08-11 | Palantir Technologies Inc. | Aggregating data from a plurality of data sources |
US8935201B1 (en) | 2014-03-18 | 2015-01-13 | Palantir Technologies Inc. | Determining and extracting changed data from a data source |
US11343156B2 (en) * | 2014-09-08 | 2022-05-24 | Pivotal Software, Inc. | Compute intensive stream processing with context data routing |
JP6673216B2 (ja) * | 2014-11-19 | 2020-03-25 | 日本電気株式会社 | 要因分析装置、要因分析方法とプログラム、及び、要因分析システム |
US11132701B2 (en) * | 2016-12-15 | 2021-09-28 | Emplifi Inc. | Method and user device for generating predicted survey participation data at the user device |
US11520077B2 (en) | 2018-12-11 | 2022-12-06 | Exxonmobil Upstream Research Company | Automated reservoir modeling using deep generative networks |
JP7120914B2 (ja) * | 2018-12-25 | 2022-08-17 | 株式会社日立製作所 | 生産実績データ分析装置 |
US20220121983A1 (en) * | 2020-10-20 | 2022-04-21 | Salesforce.Com, Inc. | Multi-scale unsupervised anomaly transform for time series data |
US11830056B2 (en) * | 2020-11-23 | 2023-11-28 | Microsoft Technology Licensing, Llc | Providing local recommendations based on images of consumable items |
US20230186331A1 (en) * | 2021-12-13 | 2023-06-15 | International Business Machines Corporation | Generalized demand estimation for automated forecasting systems |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0470954A (ja) * | 1990-07-04 | 1992-03-05 | Nec Corp | 株価予測装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5109475A (en) * | 1988-09-19 | 1992-04-28 | Hitachi, Ltd. | Method and a system for selection of time series data |
JP2940933B2 (ja) * | 1989-05-20 | 1999-08-25 | 株式会社リコー | パターン認識方式 |
US5140523A (en) * | 1989-09-05 | 1992-08-18 | Ktaadn, Inc. | Neural network for predicting lightning |
-
1992
- 1992-06-08 JP JP14749792A patent/JPH05342191A/ja active Pending
-
1993
- 1993-04-27 US US08/053,143 patent/US5444819A/en not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0470954A (ja) * | 1990-07-04 | 1992-03-05 | Nec Corp | 株価予測装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07319954A (ja) * | 1994-05-20 | 1995-12-08 | Nec Corp | 時系列データ照合装置 |
JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
US7720640B2 (en) | 2004-03-10 | 2010-05-18 | International Business Machines Corporation | Diagnostic data detection and control |
WO2010067566A1 (ja) * | 2008-12-12 | 2010-06-17 | 日本電気株式会社 | 時系列データ分析装置、時系列データ分析方法、及びコンピュータ読み取り可能な記録媒体 |
JP2016006587A (ja) * | 2014-06-20 | 2016-01-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 解析装置、解析方法及びプログラム |
JP2018106477A (ja) * | 2016-12-27 | 2018-07-05 | 清水建設株式会社 | 最尤解探索装置、最尤解探索方法、プログラム及び最尤解探索システム |
JP2019046453A (ja) * | 2017-09-06 | 2019-03-22 | 富士通株式会社 | ニューラルネットワークの中間情報分析装置、最適化装置及び特徴可視化装置 |
JP2020035103A (ja) * | 2018-08-28 | 2020-03-05 | 富士通株式会社 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
JP2021117818A (ja) * | 2020-01-28 | 2021-08-10 | 株式会社電通 | 予測装置、予測方法、及び予測プログラム |
WO2023199413A1 (ja) * | 2022-04-12 | 2023-10-19 | 富士通株式会社 | 機械学習プログラム、機械学習方法および情報処理装置 |
Also Published As
Publication number | Publication date |
---|---|
US5444819A (en) | 1995-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
Chen et al. | An intelligent pattern recognition model for supporting investment decisions in stock market | |
Chang et al. | Fuzzy Delphi and back-propagation model for sales forecasting in PCB industry | |
Ha et al. | Response models based on bagging neural networks | |
Maknickienė et al. | Application of neural network for forecasting of exchange rates and forex trading | |
JingTao et al. | Guidelines for financial forecasting with neural networks | |
Azadeh et al. | Performance assessment of electric power generations using an adaptive neural network algorithm | |
Zhang et al. | Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index | |
Azadeh et al. | An adaptive intelligent algorithm for forecasting long term gasoline demand estimation: The cases of USA, Canada, Japan, Kuwait and Iran | |
Aladag et al. | A high order seasonal fuzzy time series model and application to international tourism demand of Turkey | |
Azadeh et al. | An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant | |
Matviychuk et al. | Neuro-fuzzy model of country's investment potential assessment | |
Gharleghi et al. | Predicting exchange rates using a novel “cointegration based neuro-fuzzy system” | |
Akour et al. | Artificial intelligence and financial decisions: Empirical evidence from developing economies | |
Kuchansky et al. | Use of the fractal analysis of non-stationary time series in mobile foreign exchange trading for M-Learning | |
Davis et al. | Predicting direction shifts on Canadian–US exchange rates with artificial neural networks | |
Gritta et al. | A review of the history of air carrier bankruptcy forecasting and the application of various models to the US airline industry, 1980-2005 | |
Nam et al. | Predicting airline passenger volume | |
Gu et al. | Fuzzy time series forecasting based on information granule and neural network | |
Tchaban et al. | A comparison between single and combined backpropagation neural networks in the prediction of turnover | |
AmirAskari et al. | A modified fuzzy relational model approach to prediction of foreign exchange rates | |
Enke et al. | A new hybrid approach for forecasting interest rates | |
Cakar et al. | Neurotic Fuzzy-Data-Envelopment Analysis to Forecast Efficiency of Bank Branches | |
Emamverdi et al. | FORECASTING THE TOTAL INDEX OF TEHRAN STOCK EXCHANGE. | |
Okoye-Ubaka et al. | Neural network model for performance evaluation of Academic staff of tertiary institutions |