プロが、運用実績データを眺めながら、コース変更をすれば、良い結果がでると思いますが、初心者には難しいかもしれません。そこで、ＡＩ投資予測（ディープラーニングに代表される機械学習）にチャレンジしてみることにしました。うまくいけば、新しいロボアド（ダイナミック・ロボット・アドバイザー）ができることになるかもしれません。
一度、ディープラーニングに触れてみたいと思っていた中で、投資予測に関して、以前の仕事関係者からディープラーニングでは、予測精度があまり出なかったと聞いたため、戦々恐々でスタートしました。
当初、時系列データ分析で、各コースの基準価格を入力して将来の基準価格を予測させてみましたが、予測された基準価格から有望なコースを判定しようとすると、わずかな差に左右されるようでした。
そこで、文字認識のように8種類（コース）に分類される画像データ（2次元時系列データ）を入力し、8種類各々の確率を推定するモデルを考えました。なんとなく用途実績があり、曖昧な判定をこなす機械学習に向いている気がしました。上記画像データに相当するのは、今回では市場指数の時系列になります。教師データは、各コースの基準価格の騰落率実績に基づき、コースを選択します。
動的なコース選択予測を下記のような条件で検証を行ってみました。市場指数と各コースの運用成績の相関があるだろうとの仮定を立て、日経225、ダウ、ドル円、米国10年債を採用しましたが、教師データにHコースを除外しているため、Hコースに相関がありそうなナスダック指数は、外すことにしました。
①環境：anaconda環境下（python=3.7.7、tensorflow==1.15.3、keras=2.3.1）、
spyderを使用
②入力データ（25営業日分）：日経225、ダウ、ドル円、米国10年債
③教師データ：翌月11～翌々月11日までの最大騰落率のコースが「1」のデータ
（但し、Hコースは除外）
④モデル構成：隠し層が100あるシンプルなLSTM
⑤学習：日々の入力データに対するコース選択の教師データ
（設定当初から2020/1/29まで、約900セット）をepochs: 1800で学習
⑥評価：学習したモデルを使い、2020/1/30時点で翌月運用コースを予測
⑦翌月分を追加学習し、2020/28時点で翌月運用コースを予測
⑧同様に、2020/6/29時点まで翌月運用コースを予測
下記は、モデルのサマリーです。
。Layer (type) Output Shape Param #
=================================================================
input_2 (InputLayer) (None, 25, 4) 0
_________________________________________________________________
lstm_2 (LSTM) (None, 100) 42000
_________________________________________________________________
dense_2 (Dense) (None, 8) 808
=================================================================
Total params: 42,808
Trainable params: 42,808
Non-trainable params: 0
各々の予測したい時点より前のデータにより学習し、2020/1～2020/6までを予測した結果、上限理論値騰落率12.20%に対して、予測騰落率9.47%（年率換算16.23%）となり、77.62%の到達率を獲得できました。コロナショックを受けた期間ですが、良い成績を確保できています。ちなみにリスクは大きいが、リターンが大きいコースHの実績騰落率は、-3.99%ですので、13.46%も優れていることになります。
予測日 翌月最適 翌月予測 翌月最適 翌月予測 翌月理論 翌月コースH
コース コース コース コース 上限 崩落率
崩落率 崩落率 崩落率
2019/12/30 5 7 0.56% 0.54% 0.56% 0.52%
2020/1/30 1 1 -1.97% -2.00% -1.97% -16.10%
2020/2/28 5 7 -1.64% -2.55% -1.61% -17.21%
2020/3/30 7 7 0.45% -0.46% 1.00% -14.61%
2020/4/28 7 7 8.05% 7.15% 9.56% -6.05%
2020/5/29 1 1 8.00% 7.09% 9.50% -6.69%
2020/6/29 7 7 10.37% 9.47% 12.20% -3.99%
※翌月最適コースとは、月間騰落率実績がわかってから選択したコース（コースHを除く）
※翌月予測コースとは、学習したモデルで翌月を予測したコース
※翌月最適コース崩落率とは、翌月最適コースに基づく、2020/1運用開始日からの騰落率
※翌月予測コース崩落率とは、翌月予測コースに基づく、2020/1運用開始日からの騰落率
※翌月理論上限崩落率とは、コースA～Hの月間騰落率実績が高いコースを選んだ最大騰落率、
2020/1運用開始日からの騰落率
※翌月コースH崩落率とは、コースHを選択した場合、2020/1運用開始日からの騰落率
1か月程度で検証ができことは、tensorflow、kerasのおかげだと、実感しました。経験と試行錯誤は、必要なものの、データと検証方法さえあれば、用途は結構広げられる気がしました。
参考までに、下記は、lossとaccracyの推移で、2016/6～2019/12月末前日の学習の収束状況です。赤が評価データにたいする精度、青は、教師データに対する誤差に相当します。教師データが、「0」と「1」ですので、予測データが教師データをトレースできるまで、収束速度があまり速くありませんが、なんとか収束でき、コース予測精度は悪くありません。
次は、モデルが予想したコース番号（1がコースA、8がコースH）です。
下記は、学習後に求まった予測データに基づく騰落率結果になります。この場合、2020/2以降は、予測精度が落ちるため、解離がありますが、翌月の予測が重要ですので、問題になりません。
モデル構造は、教科書通りにシンプルですが、それなりに苦労した部分は、学習用入力データ、教師データ、検証入力データを作成する部分と本当に必要な月末時点の翌月予測コースの抽出でした。いわゆる前処理と後処理ですが、機械学習には、結構重要なことがわかりました。一旦、学習・評価が回れば、後は、モデル構造・学習段階のチューニングとその評価を効率的にこなせる高性能PCや、NVIDIA Jetson Nanoのような並列マシンがあると、結構効率的にできそうです。
入力データのCSVレイアウト（基準価格と市場指標）は、"Date fund_A fund_B fund_C fund_D fund_E fund_F fund_G fund_H N225 DJ USD USB IXIC"です。すべて公開情報です。決算日の24日前からの日々市場データと日々コース別基準価格を用意する必要があります。このデータから、市場データに対応する将来騰落率を計算し、それに基づく最適コース選択を行いました。
実際に予測したい月末データだけでは、学習に必要な件数が不足してしまうため、日々の学習データに対する将来騰落率を用意し、件数を増やすことにしました。月末前日の営業日入力データに対する翌月運用コースの予測が実際のコース選択に使用できることになります。
ちなみに、RNNの種類としてsimple_RNN、GRU、LSTMを使ってみましたが、LSTMが最も良い結果が出ました。また、2ヶ月先の予測は、あまり精度がよくない傾向がありましたが、翌月の予測は、そこそこです。
今後、精度アップのため、モデル構造・設定項目のチューニングができたらと考えていますが、まだ定かではありません。
いずれにしても、ＡＩ技術がなければ、アマチュア（素人?）では効率的な翌月のコース選択は、難しいと思いました。今回は、コースA～Gの選択範囲で過去7か月の実データ検証を行いましたが、下落局面の予測に優れ、コロナショックにもめげず良いパフォーマンスが達成できたことから、ラップ口座の弱点をカバーできそうです。実際の運用に活かしてみたいと思います。運用結果が良ければ、再度紹介するかもしれません。（今回は、内容的に難解な部分もありますが、興味ある方は、参考にしていただければと思います。）
