株式市場の構造を可視化する

はじめに

この実験では、歴史的な相場の変動から株式市場の構造を抽出するために、いくつかの教師なし学習手法を使用します。日次の相場価格の変動を使って、他の相場に条件付きで相関する相場を見つけます。次に、クラスタリングを使って同じような挙動をする相場をグループ化します。最後に、多様体手法を使って2次元のキャンバス上に異なるシンボルを配置し、2次元埋め込みを取得します。

VMのヒント

VMの起動が完了したら、左上隅をクリックしてノートブックタブに切り替え、Jupyter Notebookを使って練習します。

Jupyter Notebookが読み込み終わるまで数秒待つことがあります。Jupyter Notebookの制限により、操作の検証は自動化できません。

学習中に問題がある場合は、Labbyにお問い合わせください。セッション後にフィードバックを提供してください。すぐに問題を解決いたします。

Skills Graph

インターネットからデータを取得する

データは2003年から2008年までのものです。これは比較的穏やかな期間であり、data.nasdaq.comやalphavantage.coのようなAPIから取得できます。

グラフ構造の学習

他の相場に条件付きで相関する相場を見つけるために、疎な逆共分散推定を使用します。具体的には、疎な逆共分散はグラフを与えます。これは接続のリストです。各シンボルに対して、それに接続されているシンボルは、その変動を説明するのに役立つシンボルです。

アフィニティ伝播を用たクラスタリング

同じような挙動をする相場をグループ化するために、クラスタリングを使用します。ここでは、等サイズのクラスタを強制しないアフィニティ伝播を使用します。また、この方法はデータから自動的にクラスタの数を選ぶことができます。

2次元空間への埋め込み

可視化の目的で、2次元のキャンバス上に異なるシンボルを配置する必要があります。このために、多様体手法を使用して2次元埋め込みを取得します。

可視化

3つのモデルの出力を2次元グラフに組み合わせます。このグラフでは、ノードが株価を表し、エッジがクラスタラベルで、ノードの色を定義するために使用されます。疎共分散モデルは、エッジの強さを表示するために使用され、2次元埋め込みは、平面内のノードの位置を決定するために使用されます。

まとめ

この実験では、非監督学習手法を使用して、歴史的な相場の変動から株式市場の構造を抽出しました。データの取得方法、グラフ構造の学習方法、アフィニティ伝播を用たクラスタリング、2次元空間への埋め込み、そして最後に、2次元グラフで3つのモデルの出力を可視化する方法を学びました。