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。
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。