はじめに

前回の以下記事の続編です。
Kerasを使って米国株時系列データをRNNで機械学習させてみる

今度はKerasのニューラルネットワーク・モデルを使って株価チャートのパターン認識をさせてみようと思います。具体的には以下のようなU字型チャートの認識を目指します。今回時系列の長さは40としました。

動作環境

動作環境は以下の通りです。

python==3.8.6
numpy==1.19.4
matplotlib==3.3.3
pandas==1.1.4
pandas_datareader==0.9.0

データの準備

前回と同様、分析の対象としたのは、S&P500採用銘柄(約500銘柄)の約5年分の日次データ(pandas-DataFrame形式)です。データはpandas-datareaderを使ってダウンロードし、pandas-DataFrameオブジェクトをpickleして保管しました。データ総量は30MB程度ですが、ダウンロードには20分くらいかかりました。

import pandas_datareader as pdr
from pandas import to_pickle

# Read S&P500 tickers
with open('SP500.txt', "r") as f_in:  #SP500.txtに米国株のティッカーシンボルを格納
    ticker_list = [v.rstrip() for v in f_in.readlines()]

# Get data from Yahoo
pd_data = pdr.get_data_yahoo(ticker_list)

# pickele the pandas-DataFrame object
to_pickle(pd_data, 'pd_data.pkl')

学習用データの作成

正解データの作成

正解データは二次関数にランダムウォークを追加する形で生成しました。ランダムウォークは正規分布に従うと仮定しました。多様性を持たせるため、1日の期待変動率とU字型の底値が高値から何パーセントの位置にあるか、の2パラメータを現実的な範囲でランダムに生成させるようにしました。

import numpy as np

def gen_cup(len):  #二次関数の時系列を作成
    s = 0.01 + np.random.choice(10)/1000  #1日の期待変動率
    c = 0.7 + np.random.choice(20)/100  #U字型の底値(高値の何パーセントか)
    dt = 2/len
    x = np.cumsum(np.ones(len, dtype="float32") * dt)
    f = lambda x : (1-c)*(x-1)**2+c  #二次関数
    y = f(x) + np.random.standard_normal(len) * s
    return y

def gen_data1(nb_of_samples, length):  #ニューラルネットワークの入力データを成形
    sequences = []  #時系列データを格納
    target = []  #正解データを格納
    #正規化する関数
    f = lambda x: (x - np.nanmin(x)) / (np.nanmax(x) - np.nanmin(x))
    for i in range(nb_of_samples):
        data_array = gen_cup(length)
        data_array = f(data_array)  #正規化
        sequences.append(data_array)
        target.append(1)  #正解は1
    #学習データを成形
    X = np.array(sequences).reshape(len(sequences), length, 1)
    #正解データを成形
    t = np.array(target).reshape(len(target))
    return X, t

len_sequence = 40  #時系列データ長
num_training_samples = 5000  #学習データのサンプル数(正解データ、不正解データで2倍になる)

X1, t1 = gen_data1(num_training_samples, len_sequence)

生成された時系列の例

不正解データの作成

不正解データは最初にダウンロードしてきた実際の株価データから、ランダムにサンプルを抽出し、U字型になっている可能性があるデータを除くようにしました。具体的には期間の最初と最後で、正規化された値が0.9より大きいサンプルを除きました。

import pandas as pd
import random

def gen_data2(dataframe, nb_of_samples, length, arg1=0):
    max_start_index = len(dataframe) - length
    ticker_list = df['Close'].columns  #dfから銘柄リストを作成
    sequences = []  #時系列データを格納
    target = []  #正解データを格納
    #正規化する関数
    f = lambda x: (x - np.nanmin(x)) / (np.nanmax(x) - np.nanmin(x))
    while len(sequences) < nb_of_samples:
        start_index = np.random.choice(max_start_index)  #開始日をランダムに選択
        end_index = start_index + length
        ticker = random.choice(ticker_list)  #ランダムな銘柄を選択
        temp_df = dataframe['Close'][ticker][start_index:end_index]
        if (temp_df.count() == length).all():  #データ中に欠損値がない場合
            data_array = temp_df.values.astype('float32')
            data_array = f(data_array)  #正規化
            #arg1==0指定時、期間の最初と最後の値が0.9より大きい場合は除外する
            if arg1==0 and data_array[-1]>0.9 and data_array[0]>0.9:
                continue
            sequences.append(data_array)
            target.append(0)  #不正解は0
    #学習データを成形
    X = np.array(sequences).reshape(len(sequences), length, 1)
    #正解データを成形
    t = np.array(target).reshape(len(target))
    return X, t

df = pd.read_pickle('pd_data.pkl')  #pickleしたpandas-DataFrameの読み込み
X2, t2 = gen_data2(df, num_training_samples, len_sequence)

抽出された不正解データの例

正解データと不正解データを結合

生成された正解データと、抽出された不正解データを結合して、1セットの学習用データとします。Kerasは学習用データのシャッフル機能があるようですが、念のため、正解と不正解が、どの部分でも均等に含まれるように、正解と不正解を交互に結合しました。

X = np.stack([X1[0], X2[0]])
t = np.hstack((t1[0], t2[0]))
for i in range(num_training_samples-1):
    temp_X = np.stack([X1[i+1], X2[i+1]])
    X = np.vstack((X, temp_X))
    t = np.hstack((t, t1[i+1]))
    t = np.hstack((t, t2[i+1]))
del X1,X2,t1,t2,temp_X

モデルの作成

モデルは前回と同様にRNN(LSTM)を採用しました。前回との違いは入力データの次元が2->1となったことです。

import tensorflow as tf 
from tensorflow.keras import Sequential 
from tensorflow.keras.layers import LSTM, Dense

input_dim = 1  #入力データの次元数：株価のみ
output_dim = 1  #出力データの次元数
num_hidden_units = 128  #隠れ層のユニット数

#モデル定義
model = Sequential()
model.add(LSTM(
    num_hidden_units,
    input_shape=(len_sequence, input_dim),
    return_sequences=False))
model.add(Dense(output_dim, activation='sigmoid'))

#モデルをコンパイル
model.compile(loss="binary_crossentropy", optimizer="rmsprop", metrics=["accuracy"])
model.summary()

学習

モデルを作成したら、機械学習をさせます。今回は10,000サンプルを用いてミニバッチサイズ200、学習エポック数50としました。

batch_size = 200  #ミニバッチサイズ
num_of_training_epochs = 50  #学習エポック数

#学習
model.fit(
    X, t,
    batch_size=batch_size,
    epochs=num_of_training_epochs,
    validation_split=0.1
)

学習結果

50エポック終了時点で以下の状況でした。

Epoch 50/50
45/45 [==============================] - 5s 110ms/step - loss: 0.0203 - accuracy: 0.9924 - val_loss: 0.0151 - val_accuracy: 0.9940

評価

評価は以下のように行いました。

ダウンロードした実際の株価データから新たにランダムにサンプルを抽出
サンプルを学習済モデルに投入
出力が0.9より大きいサンプルが検出されたらグラフ(図)を作成して保存
グラフを目視で評価

import matplotlib.pyplot as plt

#評価
j = 0  #グラフの作成個数カウント用
while j < 16:  #グラフが16個できたら終了
    X_test, t = gen_data2(df, 1, len_sequence, arg1=1)  #サンプルを1個抽出
    predictions = model.predict(X_test)  #学習済モデルに投入
    if predictions[0,0] > 0.9:  #0.9より大きい場合、グラフを作成して保存
        j = j + 1
        print(predictions[0,0])
        plt.plot(X_test[0])
        plt.savefig('./images/result' + str(j) + '.png')
        plt.close()

0.9以上を得たサンプルのグラフ一覧

得られた出力は以下の通りでした。対応するグラフは左上右上左下右下の順で並んでいます。

総評

得られた16枚には明らかに誤った判定といえるものはなく、概ね正しく判定できているように思います。