2015 Fiscal Year Annual Research Report
プログラム枚挙と統計的学習の組合せによる機械学習手法の提案と実装
| Project/Area Number |
25330266
|
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
櫻井 彰人 慶應義塾大学, 理工学部, 教授 (00303339)
|
|---|
| Project Period (FY) |
2013-04-01 – 2016-03-31
|
| Keywords | 機械学習 |
|---|
| Outline of Annual Research Achievements |
本年度は、次の3点に関する研究を遂行した。(1) トレンドをPrologの述語様に定義し（例えば、up(t1,t2,θ)で、時刻t1～t2のときパラメータθ（トレンドから外れる量の許容限度）の上昇トレンドが存在することを示す）、ユーザがデータ中に潜在するパターンの大雑把な形を指定して（例えば、up(1,t0,θ1), down(t0+1,1000,θ1)） とし、それぞれは、例えば、θ3<θ1なる定数として、up(t1,t2,θ1) <- up(t1,x,θ2),down(x+1,t2,θ2). と定義されているとして、未知変数の最適値を推定させる、簡単な処理系を作成した。(2) 上の記述より複雑なパターンを、ユーザが記述するのではなく、Prologのバックトラック機能に相当する機能を用いて自動生成する処理系を作成した。(3) データの構造ではなく、予測関数の構成を同様に行う処理系を作成した。
以上の処理系を用いて実験を行った。その結果、(1)(2) では、そもそも、トレンドが存在しないか、存在しても予測に使えるようなトレンド構造が、実験可能な量のデータでは、確認できないためか、交差検定を通って予測を可能とする構造は発見できなかった。(3)では、予測関数に、予測関数を合成させる（例えば、移動平均値をテクニカル指標として用いる場合に、予測時点での移動平均値を予測し、所期の予測に用いるといった合成）ような、簡潔な記述で高度な予測が行えるような工夫を行った。しかし、最終的に得られたのは、SVRを用いて過去の変化値から予測する方法と、ある非常に単純な予測規則を用いる方法である。前者については、現在、論文にまとめるための実験を継続している。後者については、それと類似の規則はJSAI論文に発表しているが、市場のメカニズムとの関連性を調査し、論文として発表する予定である。
|
