金融モデルの深層学習をjuliaでやってみた。
2026年3月28日 09:03
############################################################
Deep Learning Financial Model in Julia (Flux + LSTM)
############################################################
using Flux
using Statistics
using Random
############################################################
1. データ生成（実運用ではCSV or APIに置き換え）
############################################################
function generate_price_series(n=2000)
prices = zeros(Float32, n)
prices[1] = 100.0
for i in 2:n
prices[i] = prices[i-1] * (1 + 0.001 * randn())
end
return prices
end
prices = generate_price_series()
############################################################
2. 特徴量（リターン）
############################################################
function compute_returns(prices)
returns = diff(log.(prices))
return returns
end
returns = compute_returns(prices)
############################################################
3. データセット作成（時系列）
############################################################
function create_dataset(data, seq_len=20)
X = []
Y = []
for i in 1:(length(data) - seq_len - 1)
push!(X, data[i:i+seq_len-1])
push!(Y, data[i+seq_len])
end
return X, Y
end
seq_len = 20
X, Y = create_dataset(returns, seq_len)
############################################################
4. テンソル化
############################################################
function to_tensor(X, Y)
X_tensor = [reshape(x, :, 1) for x in X]
Y_tensor = [reshape(y, 1, 1) for y in Y]
return X_tensor, Y_tensor
end
X_tensor, Y_tensor = to_tensor(X, Y)
############################################################
5. モデル（LSTM）
############################################################
model = Chain(
LSTM(1, 32),
Dense(32, 1)
)
############################################################
6. 損失関数
############################################################
loss(x, y) = Flux.Losses.mse(model(x)[end], y)
############################################################
7. 学習
############################################################
opt = ADAM(0.001)
epochs = 5
for epoch in 1:epochs
total_loss = 0.0
for (x, y) in zip(X_tensor, Y_tensor)
gs = gradient(() -> loss(x, y), Flux.params(model))
Flux.Optimise.update!(opt, Flux.params(model), gs)
total_loss += loss(x, y)
end
println("Epoch $epoch Loss: $(total_loss / length(X_tensor))")
end
############################################################
8. 予測
############################################################
function predict(model, X)
preds = []
for x in X
ŷ = model(x)[end][1]
push!(preds, ŷ)
end
return preds
end
predictions = predict(model, X_tensor)
############################################################
9. シグナル生成
############################################################
function generate_signals(preds, threshold=0.0)
signals = []
for p in preds
if p > threshold
push!(signals, 1) # BUY
else
push!(signals, -1) # SELL
end
end
return signals
end
signals = generate_signals(predictions)
############################################################
10. バックテスト
############################################################
function backtest(signals, returns)
capital = 1.0
equity_curve = []
for i in 1:length(signals)
capital *= (1 + signals[i] * returns[i])
push!(equity_curve, capital)
end
return equity_curve
end
equity = backtest(signals, returns[seq_len+1:end])
############################################################
11. 結果
############################################################
println("Final Capital: ", last(equity))
############################################################
END
############################################################
本noteの内容は情報の提供だけを行なっております。したがって、運用はお客様自身の責任と判断によって