TensorFlowで株価予想シリーズ
- 0 - Google のサンプルコードを動かしてみる
- 1 - 終値が始値よりも高くなるかで判定してみる
- 2 - 日経平均225銘柄の株価予想正解率ランキング〜
- 3 - 日本3506銘柄の株価予想ランキング
- 4 - 実際に売買したら儲かるのかシミュレーションしてみる
- 5 - 大きく上がると予想されたときだけ買ってみるシミュレーション
- 6 - 学習データの項目を増やす!隠れ層のサイズも増やす!
- 7 - 株価が何%上昇すると予測したら買えばいいのか?
- 8 - どの銘柄を買うか
- 9 - 年利6.79%
前置き
猫も杓子もディープラーニングディープラーニング。なにそれ美味いの? って感じだけど、 2015年末に Google が書いた 「Machine Learning with Financial Time Series Data on Google Cloud Platform」 はとても美味しそうだ。Google がリリースした TensorFlow というディープラーニングツールで株価を予想しちゃうんだって!
株価といっても世界中の株価指標を使ってS&P500というアメリカの株価指標が「上がるの?」「下がるの?」の2択を予想するもんらしい。株価指標ってのは日本でいうところの日経平均というやつで、複数の企業の株価を平均して値を出すもの。そしてヨーロッパの株価指数がどうだった?中国の株価指標がどうだった?じゃぁその後のアメリカの株価指標はこうなる!と予想する。
で、 Google さんいわくこんな結果が出たそうだ。
Precision = 0.775862068966
Recall = 0.625
F1 Score = 0.692307692308
Accuracy = 0.722222222222
Accuracy ってのが正解率で、72%で当たり外れを当てれるんだそうだ。Google すごいな。これ社内運用してるでしょ。経常利益をこれで増やしてるでしょ。
ちなみに50%だと半分正解して半分外れるということになるけど、2択問題なのでそれはつまり全く当たらないという意味になる。50%から100%に近づけば予測が当たっているということだ。
50%からの離脱をしよう。めざせ100%。そこに美味しい何かが待っている。
実装コード
コードはこちら(github)になります。
# -*- coding: utf-8 -*-
'''
Code based on:
https://github.com/corrieelston/datalab/blob/master/FinancialTimeSeriesTensorFlow.ipynb
'''
from __future__ import print_function
import datetime
import urllib2
from os import path
import operator as op
from collections import namedtuple
import numpy as np
import pandas as pd
import tensorflow as tf
DAYS_BACK = 3
FROM_YEAR = '1991'
EXCHANGES_DEFINE = [
#['DOW', '^DJI'],
['FTSE', '^FTSE'],
['GDAXI', '^GDAXI'],
['HSI', '^HSI'],
['N225', '^N225'],
#['NASDAQ', '^IXIC'],
['SP500', '^GSPC'],
['SSEC', '000001.SS'],
]
EXCHANGES_LABEL = [exchange[0] for exchange in EXCHANGES_DEFINE]
Dataset = namedtuple(
'Dataset',
'training_predictors training_classes test_predictors test_classes')
Environ = namedtuple('Environ', 'sess model actual_classes training_step dataset feature_data')
def setupDateURL(urlBase):
now = datetime.date.today()
return urlBase.replace('__FROM_YEAR__', FROM_YEAR)\
.replace('__TO_MONTH__', str(now.month - 1))\
.replace('__TO_DAY__', str(now.day))\
.replace('__TO_YEAR__', str(now.year))
def fetchCSV(fileName, url):
if path.isfile(fileName):
print('fetch CSV for local: ' + fileName)
with open(fileName) as f:
return f.read()
else:
print('fetch CSV for url: ' + url)
csv = urllib2.urlopen(url).read()
with open(fileName, 'w') as f:
f.write(csv)
return csv
def fetchYahooFinance(name, code):
fileName = 'index_%s.csv' % name
url = setupDateURL('http://chart.finance.yahoo.com/table.csv?s=%s&a=0&b=1&c=__FROM_YEAR__&d=__TO_MONTH__&e=__TO_DAY__&f=__TO_YEAR__&g=d&ignore=.csv' % code)
csv = fetchCSV(fileName, url)
def fetchStockIndexes():
'''株価指標のデータをダウンロードしファイルに保存
'''
for exchange in EXCHANGES_DEFINE:
fetchYahooFinance(exchange[0], exchange[1])
def load_exchange_dataframes():
'''EXCHANGESに対応するCSVファイルをPandasのDataFrameとして読み込む。
Returns:
{EXCHANGES[n]: pd.DataFrame()}
'''
return {exchange: load_exchange_dataframe(exchange)
for exchange in EXCHANGES_LABEL}
def load_exchange_dataframe(exchange):
'''exchangeに対応するCSVファイルをPandasのDataFrameとして読み込む。
Args:
exchange: 指標名
Returns:
pd.DataFrame()
'''
return pd.read_csv('index_{}.csv'.format(exchange)).set_index('Date').sort_index()
def get_closing_data(dataframes):
'''各指標の終値カラムをまとめて1つのDataFrameに詰める。
Args:
dataframes: {key: pd.DataFrame()}
Returns:
pd.DataFrame()
'''
closing_data = pd.DataFrame()
for exchange, dataframe in dataframes.items():
closing_data[exchange] = dataframe['Close']
closing_data = closing_data.fillna(method='ffill')
return closing_data
def get_log_return_data(closing_data):
'''各指標について、終値を1日前との比率の対数をとって正規化する。
Args:
closing_data: pd.DataFrame()
Returns:
pd.DataFrame()
'''
log_return_data = pd.DataFrame()
for exchange in closing_data:
# np.log(当日終値 / 前日終値) で前日からの変化率を算出
# 前日よりも上がっていればプラス、下がっていればマイナスになる
log_return_data[exchange] = np.log(closing_data[exchange]/closing_data[exchange].shift())
return log_return_data
def build_training_data(log_return_data, target_exchange, max_days_back=DAYS_BACK, use_subset=None):
'''学習データを作る。分類クラスは、target_exchange指標の終値が前日に比べて上ったか下がったかの2つである。
また全指標の終値の、当日から数えてmax_days_back日前までを含めて入力データとする。
Args:
log_return_data: pd.DataFrame()
target_exchange: 学習目標とする指標名
max_days_back: 何日前までの終値を学習データに含めるか
use_subset (float): 短時間で動作を確認したい時用: log_return_dataのうち一部だけを学習データに含める
Returns:
pd.DataFrame()
'''
# 「上がる」「下がる」の結果を計算
columns = []
for colname, exchange, operator in iter_categories(target_exchange):
columns.append(colname)
# 全ての XXX_positive, XXX_negative を 0 に初期化
log_return_data[colname] = 0
# XXX_positive の場合は >= 0 の全てのインデックスを
# XXX_negative の場合は < 0 の全てのインデックスを取得し、それらに 1 を設定する
indices = operator(log_return_data[exchange], 0)
log_return_data.ix[indices, colname] = 1
num_categories = len(columns)
# 各指標のカラム名を追加
for colname, _, _ in iter_exchange_days_back(target_exchange, max_days_back):
columns.append(colname)
'''
columns には計算対象の positive, negative と各指標の日数分のラベルが含まれる
例:[
'SP500_positive',
'SP500_negative',
'DOW_0',
'DOW_1',
'DOW_2',
'FTSE_0',
'FTSE_1',
'FTSE_2',
'GDAXI_0',
'GDAXI_1',
'GDAXI_2',
'HSI_0',
'HSI_1',
'HSI_2',
'N225_0',
'N225_1',
'N225_2',
'NASDAQ_0',
'NASDAQ_1',
'NASDAQ_2',
'SP500_1',
'SP500_2',
'SP500_3',
'SSEC_0',
'SSEC_1',
'SSEC_2'
]
計算対象の SP500 だけ当日のデータを含めたらダメなので1〜3が入る
'''
# データ数をもとめる
max_index = len(log_return_data) - max_days_back
if use_subset is not None:
# データを少なくしたいとき
max_index = int(max_index * use_subset)
# 学習データを作る
training_test_data = pd.DataFrame(columns=columns)
for i in range(max_days_back + 10, max_index):
# 先頭のデータを含めるとなぜか上手くいかないので max_days_back + 10 で少し省く
values = {}
# 「上がる」「下がる」の答を入れる
for colname, _, _ in iter_categories(target_exchange):
values[colname] = log_return_data[colname].ix[i]
# 学習データを入れる
for colname, exchange, days_back in iter_exchange_days_back(target_exchange, max_days_back):
values[colname] = log_return_data[exchange].ix[i - days_back]
training_test_data = training_test_data.append(values, ignore_index=True)
return num_categories, training_test_data
def iter_categories(target_exchange):
'''分類クラス名とその値を計算するためのオペレーター関数を列挙する。
'''
for polarity, operator in [
('positive', op.ge), # >=
('negative', op.lt), # <
]:
colname = '{}_{}'.format(target_exchange, polarity)
yield colname, target_exchange, operator
def iter_exchange_days_back(target_exchange, max_days_back):
'''指標名、何日前のデータを読むか、カラム名を列挙する。
'''
for exchange in EXCHANGES_LABEL:
# SP500 の結果を予測するのに SP500 の当日の値が含まれてはいけないので1日づらす
start_days_back = 1 if exchange == target_exchange else 0
#start_days_back = 1 # N225 で行う場合は全て前日の指標を使うようにする
end_days_back = start_days_back + max_days_back
for days_back in range(start_days_back, end_days_back):
colname = '{}_{}'.format(exchange, days_back)
yield colname, exchange, days_back
def split_training_test_data(num_categories, training_test_data):
'''学習データをトレーニング用とテスト用に分割する。
'''
# 先頭2つより後ろが学習データ
predictors_tf = training_test_data[training_test_data.columns[num_categories:]]
# 先頭2つが「上がる」「下がる」の答えデータ
classes_tf = training_test_data[training_test_data.columns[:num_categories]]
# 学習用とテスト用のデータサイズを求める
training_set_size = int(len(training_test_data) * 0.8)
test_set_size = len(training_test_data) - training_set_size
# 古いデータ0.8を学習とし、新しいデータ0.2がテストとなる
return Dataset(
training_predictors=predictors_tf[:training_set_size],
training_classes=classes_tf[:training_set_size],
test_predictors=predictors_tf[training_set_size:],
test_classes=classes_tf[training_set_size:],
)
def tf_confusion_metrics(model, actual_classes, session, feed_dict):
'''与えられたネットワークの正解率などを出力する。
'''
predictions = tf.argmax(model, 1)
actuals = tf.argmax(actual_classes, 1)
ones_like_actuals = tf.ones_like(actuals)
zeros_like_actuals = tf.zeros_like(actuals)
ones_like_predictions = tf.ones_like(predictions)
zeros_like_predictions = tf.zeros_like(predictions)
tp_op = tf.reduce_sum(
tf.cast(
tf.logical_and(
tf.equal(actuals, ones_like_actuals),
tf.equal(predictions, ones_like_predictions)
),
"float"
)
)
tn_op = tf.reduce_sum(
tf.cast(
tf.logical_and(
tf.equal(actuals, zeros_like_actuals),
tf.equal(predictions, zeros_like_predictions)
),
"float"
)
)
fp_op = tf.reduce_sum(
tf.cast(
tf.logical_and(
tf.equal(actuals, zeros_like_actuals),
tf.equal(predictions, ones_like_predictions)
),
"float"
)
)
fn_op = tf.reduce_sum(
tf.cast(
tf.logical_and(
tf.equal(actuals, ones_like_actuals),
tf.equal(predictions, zeros_like_predictions)
),
"float"
)
)
tp, tn, fp, fn = session.run(
[tp_op, tn_op, fp_op, fn_op],
feed_dict
)
tpr = float(tp)/(float(tp) + float(fn))
fpr = float(fp)/(float(tp) + float(fn))
accuracy = (float(tp) + float(tn))/(float(tp) + float(fp) + float(fn) + float(tn))
recall = tpr
if (float(tp) + float(fp)):
precision = float(tp)/(float(tp) + float(fp))
f1_score = (2 * (precision * recall)) / (precision + recall)
else:
precision = 0
f1_score = 0
print('Precision = ', precision)
print('Recall = ', recall)
print('F1 Score = ', f1_score)
print('Accuracy = ', accuracy)
def simple_network(dataset):
'''単純な分類モデルを返す。
'''
sess = tf.Session()
# Define variables for the number of predictors and number of classes to remove magic numbers from our code.
num_predictors = len(dataset.training_predictors.columns)
num_classes = len(dataset.training_classes.columns)
# Define placeholders for the data we feed into the process - feature data and actual classes.
feature_data = tf.placeholder("float", [None, num_predictors])
actual_classes = tf.placeholder("float", [None, num_classes])
# Define a matrix of weights and initialize it with some small random values.
weights = tf.Variable(tf.truncated_normal([num_predictors, num_classes], stddev=0.0001))
biases = tf.Variable(tf.ones([num_classes]))
# Define our model...
# Here we take a softmax regression of the product of our feature data and weights.
model = tf.nn.softmax(tf.matmul(feature_data, weights) + biases)
# Define a cost function (we're using the cross entropy).
cost = -tf.reduce_sum(actual_classes * tf.log(model))
# Define a training step...
# Here we use gradient descent with a learning rate of 0.01 using the cost function we just defined.
training_step = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(cost)
init = tf.initialize_all_variables()
sess.run(init)
return Environ(
sess=sess,
model=model,
actual_classes=actual_classes,
training_step=training_step,
dataset=dataset,
feature_data=feature_data,
)
def smarter_network(dataset):
'''隠しレイヤー入りのもうちょっと複雑な分類モデルを返す。
'''
sess = tf.Session()
num_predictors = len(dataset.training_predictors.columns)
num_classes = len(dataset.training_classes.columns)
feature_data = tf.placeholder("float", [None, num_predictors])
actual_classes = tf.placeholder("float", [None, num_classes])
weights1 = tf.Variable(tf.truncated_normal([(DAYS_BACK * len(EXCHANGES_DEFINE)), 50], stddev=0.0001))
biases1 = tf.Variable(tf.ones([50]))
weights2 = tf.Variable(tf.truncated_normal([50, 25], stddev=0.0001))
biases2 = tf.Variable(tf.ones([25]))
weights3 = tf.Variable(tf.truncated_normal([25, 2], stddev=0.0001))
biases3 = tf.Variable(tf.ones([2]))
# This time we introduce a single hidden layer into our model...
hidden_layer_1 = tf.nn.relu(tf.matmul(feature_data, weights1) + biases1)
hidden_layer_2 = tf.nn.relu(tf.matmul(hidden_layer_1, weights2) + biases2)
model = tf.nn.softmax(tf.matmul(hidden_layer_2, weights3) + biases3)
cost = -tf.reduce_sum(actual_classes*tf.log(model))
training_step = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(cost)
init = tf.initialize_all_variables()
sess.run(init)
return Environ(
sess=sess,
model=model,
actual_classes=actual_classes,
training_step=training_step,
dataset=dataset,
feature_data=feature_data,
)
def train(env, steps=30000, checkin_interval=5000):
'''学習をsteps回おこなう。
'''
correct_prediction = tf.equal(
tf.argmax(env.model, 1),
tf.argmax(env.actual_classes, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
for i in range(1, 1 + steps):
env.sess.run(
env.training_step,
feed_dict=feed_dict(env, test=False),
)
if i % checkin_interval == 0:
print(i, env.sess.run(
accuracy,
feed_dict=feed_dict(env, test=False),
))
tf_confusion_metrics(env.model, env.actual_classes, env.sess, feed_dict(env, True))
def feed_dict(env, test=False):
'''学習/テストに使うデータを生成する。
'''
prefix = 'test' if test else 'training'
predictors = getattr(env.dataset, '{}_predictors'.format(prefix))
classes = getattr(env.dataset, '{}_classes'.format(prefix))
return {
env.feature_data: predictors.values,
env.actual_classes: classes.values.reshape(len(classes.values), len(classes.columns))
}
def main(args):
print('株価指標データをダウンロードしcsvファイルに保存')
fetchStockIndexes()
print('株価指標データを読み込む')
all_data = load_exchange_dataframes()
print('終値を取得')
closing_data = get_closing_data(all_data)
print('データを学習に使える形式に正規化')
log_return_data = get_log_return_data(closing_data)
print('答と学習データを作る')
num_categories, training_test_data = build_training_data(
log_return_data, args.target_exchange,
use_subset=args.use_subset)
print('学習データをトレーニング用とテスト用に分割する')
dataset = split_training_test_data(num_categories, training_test_data)
print('器械学習のネットワークを作成')
#env = simple_network(dataset)
env = smarter_network(dataset)
if args.inspect:
import code
print('Press Ctrl-d to proceed')
code.interact(local=locals())
print('学習')
train(env, steps=args.steps, checkin_interval=args.checkin)
if __name__ == '__main__':
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('target_exchange', choices=EXCHANGES_LABEL)
parser.add_argument('--steps', type=int, default=10000)
parser.add_argument('--checkin', type=int, default=1000)
parser.add_argument('--use-subset', type=float, default=None)
parser.add_argument('--inspect', type=bool, default=False)
args = parser.parse_args()
main(args)
解説
解説はとりあえずは Google が書いた記事(「Machine Learning with Financial Time Series Data on Google Cloud Platform」)とコード内のコメントに任せたいと思います。 ほんとごめんね。
データ操作に Pandas を使っているけど、「Python Pandasでのデータ操作の初歩まとめ − 前半:データ作成&操作編」が参考になると思いま
実行
以下のコマンドでライブラリなどをインストールして
$ virtualenv --python=/usr/local/bin/python2.7 .pyenv
$ . .pyenv/bin/activate
$ pip install -r requirements.txt
$ pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py2-none-any.whl
これで実行
$ python goognet.py SP500
...
1000 0.546525
2000 0.570082
3000 0.81331
4000 0.887809
5000 0.916667
6000 0.927856
7000 0.93404
8000 0.936396
9000 0.935807
10000 0.936396
Precision = 0.966005665722
Recall = 0.888020833333
F1 Score = 0.925373134328
Accuracy = 0.935217903416
0.93、、、93%の正解率。。。
んなアホな。そんな正解率高いわけないだろ。。。
おねがい
補足
そんなに高いわけがなかった!DOWとNASDAQはSP500と同じ時間に開かれていて、学習データに含めることはそもそも不可能。同じ時間なので影響も受け合うから、ほぼ答が学習データに含まれていたため93%になったと思われる。再計算したところ73%でした。