機械学習で株価予想 実践編

2020/02/01 追記
[コード付き]誰も知らない関連銘柄を、機械学習を使って素早く見つける
こちらに最新の結果を載せました!


このブログって、もともとは技術の話題を避けるつもりでいたのに、やっぱり技術の話題で盛り上がってしまった。まあ、技術屋のブログなんて、そんなものなのかもね。
全体を通じて検証したいポイントは大きく二つ。

  1. 機械学習で株価は予想できるのか
    • 特にそれは、プログラミングの素養がもともとあるとはいえ、今から入門書を買い漁るようなレベルの自分のような街のWEB屋おじさんでも可能なのか
  2. 予測で出た結果に従って株を買い続けるとどうなるのか

そのなかでこの記事で検証したいのは一番目の「機械学習で株価は予想できるのか」です。
検証してみた結果、だめならだめでいいわけで、いい結果が出るならこんな夢のある話はないわけですよね。
それも、なんか高度な予測ができる環境や人材がそろっていなくても、街のWEB屋おじさんレベルの人が手持ちのノートパソコンでできるのであればそれすなわち誰でもできるようになるということで、みんなもさっさとプログラミングの入門書を買いに行った方がいい。

Python + Jupyter notebook という開発環境がすごいのは、ブラウザさえ動けば開発ができちゃうわけで、もし開発に使えるノートブックを持ってないなら3万円くらいのChromebookを買ったら開発ができるようになるってことですよね。
20数年前、朝は3時から起きて鉄筋工として働きながら、夜中3時まで父から借りたノートパソコンでプログラミングの勉強をして、参考書も買えないからわからないところがあったら本屋に立ち読みしに行って忘れないようにつぶやきながら家に帰ってプログラミングを繰り返し、寝不足で今日こそ現場で事故って死ぬかもと思いながらもゲーム作りをして、一人暮らしをしてて貧乏で電話回線が家にないから公衆電話にノートPCをつないでデータをアップロードして公開して、まだ世間に「インターネット」も「ノートPC」という言葉も浸透していなくて、はたから見ると作業着で頭金髪の兄ちゃんが夜な夜な怪しいことをしているようにしかみえずに幾度も警察に職質されて、いくら説明しても理解されなかったあのころの自分に教えてあげたい。その苦労の延長線上に、技術者の自分には夢が詰まっていると。

それではさっそくコードを書いていきましょう。
特に断りがない限り、anaconda3を使い、すべてのソースコードの前にはこのimport文が実行されているものとします。さらにコードはJupyter notebook上で実行しているものとしています。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
# Jupyter notebook用
from IPython.display import display, HTML, Image
%matplotlib inline

前回も書いたように、機械学習させるロジックはびっくりするほど簡潔にしています。突然の大高騰や大暴落を予測させるようなものではありません。また、機械学習しても予測しにくいデーターとか銘柄を、ばっさり切り捨てています。人間には予想しにくいデーターを機械学習で予測させるというよりは、「誰がどう見ても予想できる銘柄を、大量にある銘柄の中から機械が見つけてくる」というのを目的としているからです。
「そんな予測なんて実戦で使えるわけないのでは」という疑問は、テーマの二つ目である「予測で出た結果に従って株を買い続けるとどうなるのか」に掛かってきますよね。そのへんは日を改めて「シミュレーション編」とか「実際に売り買いしてみた編」とかを作って検証結果を発表していくとして、まずは注目を「機械学習で株価は予想できるのか」に絞って考えていきたいと思います。
なお、技術説明の中で、同じ意味のものでも「学習用データー」「教師用データー」「問題集」と表記がゆれたまま記述している箇所がいくつもあります。そういうレベルのブログであることをあらかじめ考慮に入れて読んでもらえれば幸いです。

学習させてみよう

まずは株価は上がるか下がるかを機械学習で予測できればゴールなので、「株価はいくら上がるか(下がるか)」までは予測できなくていいので、上がったか下がったかだけを学習させやすいように説明用にデーターを作っていきます。実際には本物の株価データーを使って学習させていくのですが、今ここで学習過程を説明するためにここでは仮のデーターを作っていきます。

train_X = np.array([1.0, 1.1, 1.2, 1.3, 1.4])
train_y = np.array([1])
plt.plot([1, 2, 3, 4, 5], train_X)


ウム!

これは今なにしているかというと、機械学習に学習させるデーターを作っています。
株価はいくら上がるか下がるかは予想しなくていいので、上がったか下がったかだけ学習させればいいので、そのようにデーターを作りました。
どういうことかというと、

train_X = np.array([1.0, 1.1, 1.2, 1.3, 1.4])

この部分。これは最初の株価と比べて1日後に1.1倍、2日後に1.2倍、4日後には1.4倍になったというデーターを作っています。
仮に最初が1000円だとしたら次の日は1100円、次の次の日は1200円、と増えていってる計算ですね。
最初が980円だと、次の日はその1.1倍で1078円、1.2倍で1176円と推移していきますね。そういうのが計算しやすいように、何円であるかは関係なくして、1から始めて何倍、何倍と動いているかだけをデーターにしているのです。
それに対し、次の部分、

train_y = np.array([1])

これは、6日後には株価が上がったのか下がったのか、上がっていれば1、下がっていれば0を答えとして教えています。
なんども言いますが、今回の予想ではいくら上がったかを予想しなくていいので、上がったか下がったかだけの結果を教えています。
こうやって、問題と答えの二つの変数を作って機械学習に教えてやります。
機械には5日間分のデーターだけと、6日目の答えだけを与えるわけですね。こうすることによって、今日を含む過去5日間の値動きのデーターだけを与えると6日目つまり明日の結果が予想できるようになるのです。
作った問題集を機械学習に教えてやります。

clf = DecisionTreeClassifier()
clf = clf.fit(train_X.reshape(1, -1), train_y)

これでパイソン君は問題と答えを覚えました。それではさっそく本番で予測してもらいます。

test_X = np.array([1.5, 1.6, 1.7, 1.8, 1.9])

5日間、こういう動き方をする株価だったら、6日後には株価は上がっているのでしょうか?それとも下がっているのでしょうか?

clf.predict(test_X.reshape(1, -1))

予測してもらう時にはこうします。結果は。

array([1])

と表示されました。
上がるか下がるかを1か0かで教えたので、予想結果も上がると予想するなら1、下がると予想するなら0と教えてくれるようになります。
結果は1。上がります!機械学習、賢い!
なんとなくわかってきましたでしょうか。どんどんやってみます。

train_X = np.array([1.0, 0.9, 0.8, 0.7, 0.6])
train_y = np.array([0])
plt.plot([1, 2, 3, 4, 5], train_X)


1.0, 0.9, 0.8, 0.7, 0.6と、5日間かけて下がり続けた結果、6日後にも株価が下がったパターン。これを学習させたうえで、
2.0, 1.9, 1.8, 1.7, 1.6と5日間動けば6日後にはどうなるのか。

clf = clf.fit(train_X.reshape(1, -1), train_y)
test_X = np.array([2.0, 1.9, 1.8, 1.7, 1.6])
clf.predict(test_X.reshape(1, -1))
array([0])

下がる!やばい!賢すぎる!!!!
おもしろい!!!どんどんいこう!!!

train_X = np.array([1.0, 0.5, 1.0, 0.5, 1.0])
train_y = np.array([0]) # 下がって上がると次は下がる
plt.plot([1, 2, 3, 4, 5], train_X)
clf = clf.fit(train_X.reshape(1, -1), train_y)
train_X = np.array([0.5, 1.0, 0.5, 1.0, 0.5])
train_y = np.array([1]) # 上がって下がると次は上がる
plt.plot([1, 2, 3, 4, 5], train_X)
clf = clf.fit(train_X.reshape(1, -1), train_y)


学習させた結果!!

# 上がって下がると次はどうなるのか!?
test_X = np.array([0.7, 1.1, 0.7, 1.1, 0.7])
clf.predict(test_X.reshape(1, -1))
array([1])

よくできたすごいぞおおおおおおおぉぉぉぉぉ!!!!

というわけで実際に作った、過去の株価から教師データーを作るソースコードがこちら。

# リターンインデックス
def get_ret_index(close):
    # データーが昇順(日付が過去が上になって最新が一番下)になっている前提
    returns = pd.Series(close).pct_change() # 騰落率を求める
    ret_index = (1 + returns).cumprod() # 累積積を求める
    ret_index.iloc[0] = 1 # 最初の値を 1.0 にする
    return ret_index
# 学習データーの作成
def train_data(arr, step):
    train_X = []
    train_y = []
    for i in range(0, len(arr) - step):
        end = i + step
        data = arr.iloc[i:end]
        close = data['adj_close']
        feature = get_ret_index(close)
        if close.iloc[-1] < arr['adj_close'].iloc[end]: # その翌日、株価は上がったか?
            # 上がっていれば1
            res = 1
        else:
            # 下がっていれば0
            res = 0
        train_X.append(feature.values)
        train_y.append(res)
    return np.array(train_X), np.array(train_y)

ももももうこれ株買いに行けるんちゃちゃちゃちゃうか?

待て。落ち着け。

  • 過去のデーターが大量にある。 ←ここまではいいです。
  • 過去のデーターを使って、教師データーという問題集を大量に作れる。 ←ここまでもいいです。
  • 問題集を大量に作れるので、機械にたくさん学習させられる。 ←「はい!ブー!過学習知らないのかよ!ばーかばーか」って山田君に言われたけど放っておこう。
  • 学習した結果が正しいか、誰がわかるの? ←ファッ!?

どういうこと?結果に従って、株を買えばいいんじゃないの?と思ったんですが、もし学習した結果が正しくなかったらお金を失いますよね。どうしましょう。
ここから途中のソースコードを保存していないので一気にいきますが、学習用問題データーとは別に検証用テストデーターを作らないといけないですよね。
株価なんていう複雑な動きをするデーターに、本物そっくりなテストデーターなんて作れるもんなんでしょうか?
ここで先人たちは、本物のデーターから無作為にテストデーターを抽出しておいて、学習用データーとはわけておくという引くくらい賢い解決策を講じています。そんな賢いこと思いつく人……機械学習なんていらんくらい頭いいやん……。
というわけで、例えば過去のデーターの2/3を学習用データーに使って、残りの1/3のデーターを使いテストして正解率を出せば、機械学習が最適に学習できたかわかるというわけですね。何遍も言うけど賢すぎて引く。

こんな賢いやりかたですが、まだデメリットがあります。
それは、できるだけデーターは学習用につかうほうもテスト用に使う方も大量に用意したい。せっかく用意したデーターを、学習用にもテスト用にも減らしたくない!っていうんです。用意したデーターをぜんぶ学習用に使いたいし、でもテストもしたいと言うんですね。えーい!わがままな!お前は2歳児か!!
これにはさすがに「そんなわがままいう子、お母さんしりません!勝手にしなさい!」と言いたかったところなんですが、なんと方法があるっていうです。用意したデーターを全部学習用にも使えてテストもできるっていう、機械学習開発者のわがままを全て満たしてくれる方法が。
それが交差検証法っていって、交差検証法のなかでもいくつかやり方があるんですが、今回やるのは学習用データーを何分割かして(例えば5分割)、ひとつをテスト用データーにつかい残りを教師用データーとしてもちいながら、テスト用データーを変えながら5回繰り返す、というやり方です。
図で説明するとわかりやすいんですが、わざわざ説明図を書くのも面倒なので、もうそのままソースコードのせます。ライブラリにそのものの機能が提供されているのでそれを使えば実際に使いながら試せたりします。

scores = cross_val_score(clf, train_X, train_y, cv=5)
mean = scores.mean()

meanで学習結果の正解率まで求められる。なんだろう、ツールの頭が良すぎて相対的に自分の頭の悪さが浮き彫りになってくるように思えて、アンニュイな気分になる。

そろそろ山田君の声にも耳を傾けた方がいい

山田君って何て言ってたっけ。てか山田君って誰?

山田君「ばーかばーか」

ああー!あのときの。
私がバカってのは事実なんだから別にいいんじゃない?いい気分はしないけど。

山田君「過学習知らないのかよ!ばーかばーか」

過学習…だと…!?
ああ、うん、過学習ね。えっと、うん。
オライリー社から出ている実践 機械学習システムでも一番最初に触れるのが、この未学習と過学習のジレンマでして、未学習つまり学習させなさすぎても正しい答えは得られないし、過学習つまり詰め込みすぎてもガチガチに頭が固くなってしまって未知のデーターに対して柔軟に答えを得られなくなるんですね。人間と同じで、ここが機械学習の面白いところです。
ではどうすればいいかというと、学習量を変えて総当たりで結果を求めて、一番正解率が高かった学習量を採用すればいいのではないかと考えて、次のようなコードを書きました。

def get_params(ccode, last_date, db):
    '''
    決定木に最適なパラメーターを総当たりで取得します。
    '''
    _top_mean = 0
    _data_length = 0
    _step = 0
    _min_samples_leaf = 0
    _max_depth = 0
    for data_length in range(30, 40, 10):
        for step in range(4, 12):
            for min_samples_leaf in range(1, 7):
                for max_depth in range(2, 8):
                    clf, train_X, train_y = lean(ccode, last_date, db, data_length, step, min_samples_leaf, max_depth)
                    scores = cross_val_score(clf, train_X, train_y, cv=5)
                    mean = scores.mean()
                    del clf
                    if _top_mean < mean:
                        _top_mean = mean
                        _data_length = data_length
                        _step = step
                        _min_samples_leaf = min_samples_leaf
                        _max_depth = max_depth
#     print("{}%, length:{}, step:{}, leaf: {}, depth: {}".format(int(_top_mean * 100), _data_length, _step, _min_samples_leaf, _max_depth))
    return _top_mean, _data_length, _step, _min_samples_leaf, _max_depth

盛大にネストしてますがそこはご容赦を。
例えば、上のほうに書いてある解説では5日分の問題データーを作っていますが、ここを7日分にすればどうでしょう?10日分では?過去300日のデーターをつかって5日分の量で予想させるのと、100日のデーターを使って7日分の量で予想させるのと、どちらが正解率が高いでしょうか?仮に答えが求まったとしても、ある銘柄だけに使えるパラメーターであって、他の銘柄にも使えるでしょうか?そういったものを全て総当たりで調べています。

こんな感じでシステムでは予想をしていくわけですが、このシステムでミソなのは、調べた結果、この機械学習で予想しにくい銘柄はばっさり切り捨てていることです。
今回は、予想しにくい銘柄の予想精度をあげることが目的ではなく、これだけたくさんある銘柄の中から予想しやすい銘柄を見つけ出していくことが目的だからです。
次に湧き上がる疑問が、「こんなに簡単な予想結果で、果たして本当に実用になるのだろうか」ですね。それは冒頭で書いたように「予測で出た結果に従って株を買い続けるとどうなるのか」というポイントになりますので、次回以降からしっかりシミュレーションしていけばいいわけです。
シミュレーションしてみて、だめならだめで別の方法試せばいいわけで。

いかがでしたでしょうか?
次回からは実際にシミュレーションの方法を書いていきます。自分の手法は全てオープンにしましたしソースコードまで公開したので、何かしらの参考にされて実際にもう自分で開発を進めている方ももしかしたらいるかもしれません。もし参考になりそうだと思うなら、ぜひ試してみてください。もしかしたらこれを読んだ方の中からは「こんなさんざん既出な方法、みんな試してると思うし少なくとも俺は試してるし実際役に立たなかったよ」という方もいるかもしれません。そういう情報が集まって、自分の中の機械学習の技術が全体的に高まるのであれば、これほど技術者冥利に尽きることはありません。
こうして話題になることが、若くて貧しくて愚かだったあの頃、今日こそ現場で死ぬかもと思いながらも技術に夢を持ち続けて現場仕事とプログラミングを覚えていたあの頃の自分へのプレゼントになることでしょう。
株価もおもしろいけど機械学習で小説もかいてみたいよね、ってことで自然言語処理の入門書なんかも読んでたりします。

WEB屋の自分が機械学習株価予想プログラムを開発した結果

2020/02/01 追記
[コード付き]誰も知らない関連銘柄を、機械学習を使って素早く見つける
こちらに最新の結果を載せました!


気づいたんですけど、私みたいな貧乏人はショッピングモールでおしゃれなゴミをせっせと買い漁るんですが、お金持ちの人って株を買うらしいんですよね。
考えてみれば貧乏人が欲しがるものって、百均のちょっとしたものから家や車やバイクやゲーム機など、買ったらお金が減るものばかりなんです。
それに比べて、お金持ちが買うものって、株や投資用の土地や、リスクこそあるものの貧乏人が欲しがらないわりに買ったらお金が増える可能性のあるものばかりなんですよねー。
これは悔しい!休日になるたびにせっせとショッピングモールにお金を運んでゴミを買い漁ってる自分を見てお金持ちはきっと笑っているに違いない!いやお金持ちには自分のような人間は視界にすら入らないのか、これはさっそく株を買わないと!と思って調べてみたんですが、正直よくわからなかったので、もうこうなったらコンピューターにまかせてしまおう!と思ったのがきっかけです。どうせコンピューター無かったら死ぬんだし。
続きを読む WEB屋の自分が機械学習株価予想プログラムを開発した結果