JP7122214B2

JP7122214B2 - Information processing system, information processing method, program and storage medium

Info

Publication number: JP7122214B2
Application number: JP2018192781A
Authority: JP
Inventors: 太志西村
Original assignee: NS Solutions Corp
Current assignee: NS Solutions Corp
Priority date: 2018-10-11
Filing date: 2018-10-11
Publication date: 2022-08-19
Anticipated expiration: 2038-10-11
Also published as: JP2020061027A

Description

本発明は、情報処理システム、情報処理方法、プログラム及び記憶媒体に関する。 The present invention relates to an information processing system, an information processing method, a program, and a storage medium.

マーケットインパクト減衰係数を用いて、マーケットシミュレーションを提供する技術が提案されている（特許文献１）。 A technique for providing market simulation using market impact damping coefficients has been proposed (Patent Document 1).

特開２０１５－２２６９０号公報JP 2015-22690 A

しかしながら、特許文献１の技術では、現実に近い市場の動きを再現することはできなかった。また、特許文献１の技術では、マーケットインパクト減衰係数を算出するために、ＣＰＵ等のリソースを多く使い、算出する時間もかかっていた。 However, the technique disclosed in Patent Document 1 cannot reproduce market movements close to reality. Further, in the technique disclosed in Patent Document 1, in order to calculate the market impact attenuation coefficient, many resources such as a CPU are used, and the calculation takes a long time.

本発明の情報処理システムは、ニューラルネットワークを用いて、第１の注文情報が入力された際に更新された板情報及び前記第１の注文情報が入力されたときより過去の板情報の何れか又は双方に基づいて、前記第１の注文情報が入力された際に板情報が更新されたときより未来の板情報を予測する予測手段と、前記予測された未来の板情報と前記第１の注文情報に基づき更新された板情報とに基づき第２の注文情報を生成する生成手段と、を有する。 The information processing system of the present invention uses a neural network to select either board information updated when first order information is input or board information older than when the first order information is input. or based on both, predicting means for predicting future board information when the board information is updated when the first order information is input, and the predicted future board information and the first and generating means for generating second order information based on the board information updated based on the order information.

本発明によれば、より少ないリソース、及びより短い時間で、より現実に近い市場の動きを再現することができる。 According to the present invention, more realistic market movements can be reproduced with less resources and less time.

図１は、本実施形態のシステムのシステム構成の一例を示す図である。FIG. 1 is a diagram showing an example of the system configuration of the system of this embodiment. 図２は、マーケットシミュレーションシステムのハードウェア構成の一例を示す図である。FIG. 2 is a diagram showing an example of the hardware configuration of the market simulation system. 図３は、マーケットシミュレーションシステムの機能構成等の一例を示す図である。FIG. 3 is a diagram showing an example of the functional configuration, etc. of the market simulation system. 図４は、マーケットシミュレーションシステムにおける、注文情報が入力された際の情報処理の一例を示すフローチャートである。FIG. 4 is a flow chart showing an example of information processing when order information is input in the market simulation system. 図５は、Ｓ４０３の処理の詳細の一例を示すフローチャートである。FIG. 5 is a flowchart showing an example of details of the processing of S403. 図６Ａは、板情報の一例を示す図（その１）である。FIG. 6A is a diagram (part 1) showing an example of board information. 図６Ｂは、板情報の一例を示す図（その２）である。FIG. 6B is a diagram (part 2) showing an example of board information. 図６Ｃは、価格－時刻の時系列データの一例を示す図である。FIG. 6C is a diagram showing an example of price-time time-series data. 図７は、ＬＳＴＭを用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。FIG. 7 is a diagram showing an example of learning of the plate generation NN 303 when using LSTM. 図８Ａは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を説明するための図（その１）である。FIG. 8A is a diagram (part 1) for explaining an example of learning of the plate generation NN 303 when using a CNN. 図８Ｂは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を説明するための図（その２）である。FIG. 8B is a diagram (part 2) for explaining an example of learning of the plate generation NN 303 when using a CNN. 図９は、ＣＮＮにより学習した学習済みモデルに基づいて転移学習する一例を示す図である。FIG. 9 is a diagram showing an example of transfer learning based on a trained model learned by CNN.

以下、本発明の実施形態について図面に基づいて説明する。 BEST MODE FOR CARRYING OUT THE INVENTION An embodiment of the present invention will be described below with reference to the drawings.

図１は、本実施形態のシステムのシステム構成の一例を示す図である。
本実施形態のシステムは、ユーザ端末１１０とマーケットシミュレーションシステム１２０とを含む。マーケットシミュレーションシステム１２０は、情報処理システムの一例である。
ユーザ端末１１０は、マーケットシミュレーションシステム１２０を利用するユーザの端末であって、ネットワークを介してマーケットシミュレーションシステム１２０と通信可能に接続されている。ユーザ端末１１０は、単体の装置であってもよし、複数の装置から構成されたシステムであってもよい。
マーケットシミュレーションシステム１２０は、株の売り買いを行う市場のバックテスト環境を提供するシステムである。また、マーケットシミュレーションシステム１２０は、実データに基づいてマーケットインパクトを学習したニューラルネットワークを利用したマーケットシミュレーターである。
マーケットシミュレーションシステム１２０は、ユーザ端末１１０から注文情報が入力されると、注文情報が入力された際の板情報を、入力された注文情報に基づき更新し、更新した板情報と、注文情報が入力されたときより過去の板情報とに基づいて、注文情報が入力されたときより未来の板情報を予測する。そして、マーケットシミュレーションシステム１２０は、予測した未来の板情報と更新した板情報とに基づき、ユーザ端末１１０から入力された注文情報に応じた、注文情報を生成する。
このような処理を行うことにより、自然な市場の動きを表現でき、バックテストの有効性も向上する。また、マーケットインパクト減衰係数を算出する方法に比べて、より少ないリソース、及びより短い時間で現実の市場の動きを再現可能とすることができる。 FIG. 1 is a diagram showing an example of the system configuration of the system of this embodiment.
The system of this embodiment includes a user terminal 110 and a market simulation system 120 . Market simulation system 120 is an example of an information processing system.
The user terminal 110 is a terminal of a user who uses the market simulation system 120, and is communicably connected to the market simulation system 120 via a network. The user terminal 110 may be a single device, or may be a system composed of a plurality of devices.
The market simulation system 120 is a system that provides a backtest environment for a stock trading market. Also, the market simulation system 120 is a market simulator using a neural network that has learned market impact based on actual data.
When order information is input from the user terminal 110, the market simulation system 120 updates the board information when the order information was input based on the input order information, and the updated board information and the order information are input. Future board information from when the order information is input is predicted based on the past board information from when the order information was input. Then, the market simulation system 120 generates order information according to the order information input from the user terminal 110 based on the predicted future board information and the updated board information.
By performing such processing, it is possible to express natural market movements and improve the effectiveness of backtesting. In addition, compared to the method of calculating the market impact attenuation coefficient, it is possible to reproduce the actual market movement with fewer resources and in a shorter time.

図２は、マーケットシミュレーションシステム１２０のハードウェア構成の一例を示す図である。
マーケットシミュレーションシステム１２０は、ハードウェア構成として、ＣＰＵ２０１、メモリ２０２、表示部２０３、入力部２０４、通信部２０５を少なくとも有する。
ＣＰＵ２０１は、マーケットシミュレーションシステム１２０の全体を制御する。ＣＰＵ２０１がメモリ２０２に記憶されたプログラムに基づき処理を実行することにより、後述する図３のマーケットシミュレーションシステム１２０の機能及び、後述する図４、図５のフローチャートの処理が実現される。メモリ２０２は、プログラム、ＣＰＵ２０１がプログラムに基づき処理を実行する際に用いるデータ、例えば後述する過去板情報３０４、過去注文情報３０５等、を記憶する。表示部２０３は、各種情報を表示する。入力部２０４は、キーボード、マウス、表示部２０３に表示された画面等を介したユーザの操作等を受け付け、入力する。表示部２０３及び入力部２０４は、タッチパネルディスプレイ等、一体として構成されてもよい。通信部２０５は、マーケットシミュレーションシステム１２０をネットワークに接続し、ネットワークを介した外部装置との通信処理を行う。メモリ２０２は、記憶媒体の一例である。
他の例としては、マーケットシミュレーションシステム１２０の機能や処理の少なくとも一部は、複数のＣＰＵ、メモリを協働させることにより実現してもよい。また、他の例としては、マーケットシミュレーションシステム１２０の機能や処理の少なくとも一部は、ハードウェア回路を用いて実現してもよい。また、他の例としては、マーケットシミュレーションシステム１２０の機能及び処理は、複数の装置が協働して実現してもよい。
ユーザ端末１１０もマーケットシミュレーションシステム１２０と同様のハードウェア構成を有し、ユーザ端末１１０のＣＰＵがユーザ端末１１０のメモリに記憶されているプログラムに基づき処理を実行することによって、ユーザ端末１１０の機能を実現させる。 FIG. 2 is a diagram showing an example of the hardware configuration of the market simulation system 120. As shown in FIG.
The market simulation system 120 has at least a CPU 201, a memory 202, a display section 203, an input section 204, and a communication section 205 as a hardware configuration.
The CPU 201 controls the market simulation system 120 as a whole. When the CPU 201 executes processing based on the programs stored in the memory 202, the functions of the market simulation system 120 shown in FIG. 3 and the processing of flowcharts shown in FIGS. 4 and 5 are realized. The memory 202 stores programs and data used when the CPU 201 executes processing based on the programs, such as past board information 304 and past order information 305, which will be described later. The display unit 203 displays various information. The input unit 204 receives and inputs user operations and the like via a keyboard, a mouse, a screen displayed on the display unit 203, and the like. The display unit 203 and the input unit 204 may be configured integrally, such as a touch panel display. The communication unit 205 connects the market simulation system 120 to the network and performs communication processing with external devices via the network. Memory 202 is an example of a storage medium.
As another example, at least part of the functions and processes of the market simulation system 120 may be realized by cooperating multiple CPUs and memories. As another example, at least part of the functions and processes of the market simulation system 120 may be realized using hardware circuits. As another example, the functions and processing of the market simulation system 120 may be realized by cooperation of multiple devices.
The user terminal 110 also has the same hardware configuration as the market simulation system 120, and the CPU of the user terminal 110 executes processing based on a program stored in the memory of the user terminal 110, thereby realizing the functions of the user terminal 110. make it happen.

図３は、マーケットシミュレーションシステム１２０の機能構成等の一例を示す図である。
マーケットシミュレーションシステム１２０は、機能構成として、取引所シミュレータ３０１、注文シミュレータ３０２、板生成ニューラルネットワーク（以下、板生成ＮＮという）３０３を少なくとも有する。過去板情報３０４は、実際の市場における過去の板情報を記憶する記憶部（ＤＢ、メモリ等）である。過去注文情報３０５は、実際の市場における過去の注文情報を記憶する記憶部（ＤＢ、メモリ等）である。板生成ＮＮ３０３は、マーケットインパクト（こういう注文が入ったら市場はこう動く）を学習した（過去データに基づきパラメータ調整した）、学習済みモデルである。後述するように、板生成ＮＮ３０３は、ＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）により学習した学習済みモデルであってもよいし、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ）により学習した学習済みモデルであってもよい。また、後述するように、板生成ＮＮ３０３は、ＲＮＮ、又はＣＮＮにより学習した学習済みモデルに基づいて転移学習された学習済みモデルであってもよい。板生成ＮＮ３０３の学習及び転移学習については、後述する図７－図９を用いて説明する。
取引所シミュレータ３０１は、板情報をユーザ端末１１０に送信することで、板情報を提示する。板情報の例は、後述する図６Ａ及び図６Ｂに示す。ユーザ端末１１０は、送信された板情報を受信し、ユーザ端末１１０の表示部に表示する。過去注文情報３０５は、過去板情報３０４より生成される。過去板情報３０４には、過日の現実の板情報が時系列で記憶されている。注文シミュレータ３０２は、それらの板情報から過去の注文情報を生成することができる。即ち、注文シミュレータ３０２は、ある時刻における過去板情報と、その次の時刻における過去板情報との差分から、そのときに発生した注文情報を生成する。この処理は、シミュレーションの開始前に行って、すべての過去注文情報を事前に生成し、過去注文情報３０５に記憶させておいてもよいし、マーケットシミュレーションシステム１２０でカウントされるシミュレーション上の時刻（シミュレーション時刻）に従って生成されてもよい。
注文シミュレータ３０２は、シミュレーション時刻に応じて過去注文情報３０５から過去の注文情報を取得し、取引所シミュレータ３０１に過去の注文情報を入力する。即ち、注文シミュレータ３０２は、シミュレーションを行うユーザ等によるユーザ端末１１０からの注文が入力される前は、過日に取引所で実際に発生した注文を同じタイミングで再生することになる。取引所シミュレータ３０１は、過去の注文情報が入力されると、入力された注文情報に応じた約定シミュレーションを実行し、約定情報をユーザ端末１１０に送信することで、約定情報を提示する。
この様に過去の市場の動きを再現しているときに、ユーザ端末１１０から注文情報が入力されると、取引所シミュレータ３０１は、入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。ユーザ端末１１０から入力される注文情報は、第１の注文情報の一例である。取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、更新した板情報を現在板情報として注文シミュレータ３０２に入力する。 FIG. 3 is a diagram showing an example of the functional configuration and the like of the market simulation system 120. As shown in FIG.
The market simulation system 120 has at least an exchange simulator 301, an order simulator 302, and a board generation neural network (hereinafter referred to as a board generation NN) 303 as functional configurations. The past board information 304 is a storage unit (DB, memory, etc.) that stores past board information in the actual market. The past order information 305 is a storage unit (DB, memory, etc.) that stores past order information in the actual market. The board generation NN 303 is a trained model that has learned (parameters have been adjusted based on past data) the market impact (when such an order is received, the market moves in this way). As will be described later, the plate generation NN 303 may be a trained model trained by an RNN (Recurrent Neural Network) or a trained model trained by a CNN (Convolution Neural Network). Also, as will be described later, the plate generation NN 303 may be a trained model that has undergone transfer learning based on a trained model trained by an RNN or CNN. The learning and transfer learning of the plate generation NN 303 will be described later with reference to FIGS. 7 to 9. FIG.
The exchange simulator 301 presents board information by transmitting the board information to the user terminal 110 . Examples of board information are shown in FIGS. 6A and 6B, which will be described later. The user terminal 110 receives the transmitted board information and displays it on the display section of the user terminal 110 . Past order information 305 is generated from past board information 304 . The past board information 304 stores actual board information of the past days in chronological order. The order simulator 302 can generate past order information from those board information. That is, the order simulator 302 generates the order information generated at that time from the difference between the past board information at a certain time and the past board information at the next time. This process may be performed before the start of the simulation to generate all past order information in advance and store it in the past order information 305, or the simulation time counted by the market simulation system 120 ( simulation time).
The order simulator 302 acquires past order information from the past order information 305 according to the simulation time, and inputs the past order information to the exchange simulator 301 . In other words, the order simulator 302 reproduces the orders actually placed on the exchange on the previous day at the same timing before the order is input from the user terminal 110 by the user or the like who performs the simulation. When past order information is input, the exchange simulator 301 executes a contract simulation according to the input order information, and presents contract information by transmitting the contract information to the user terminal 110 .
When order information is input from the user terminal 110 while reproducing past market movements in this way, the exchange simulator 301, based on the input order information, Update Depth of Market. The order information input from the user terminal 110 is an example of first order information. The exchange simulator 301 presents the updated board information to the user terminal 110 . The exchange simulator 301 also inputs the updated board information to the order simulator 302 as current board information.

注文シミュレータ３０２は、現在板情報が入力されると、現在板情報とユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報とを現在までの板情報として板生成ＮＮ３０３に入力する。
このとき注文シミュレータ３０２に入力される過去の所定の期間の板情報は、過去板情報又は図示しないシミュレーション板履歴情報記憶部から読み出されキャッシュ的な情報として記憶したものを利用してもよい。なお、シミュレーション履歴板情報記憶部は、取引所シミュレータ３０１におけるシミュレーションによって生成される板の履歴情報を例えばキャッシュ的に記憶する。
例えば、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときが８月６日１０時００分だった場合、現在板情報は８月６日１０時００分の板情報となる。また、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報として、注文シミュレータ３０２は、過去板情報３０４又は図示しないシミュレーション履歴板情報記憶部より、８月６日９時５５分の板情報を取得する。この例の場合、注文シミュレータ３０２は、８月６日１０時００分の板情報と８月６日９時５５分の板情報とを板生成ＮＮ３０３に入力する。
なお、ここでは、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報として、５分前の板情報を１つだけ取得したが、これに限定されるものではない。５分前の板情報、１０分前の板情報の２つを取得するようにしてもよいし、２つ以上を取得するようにしてもよい。同様に、５分前ではなく、１分前の板情報を取得するようにしてもよい。間隔及び数は後述する板生成ＮＮ３０３の学習に依存する。なお、過去板情報としては、実際の連続した時系列データ（実際に板が発生した時間間隔変動）でもよいし、データ間を平均化したものでもよい。即ち、板は均等に５分間隔等で発生するわけではないが、例えば、３分、７分、３分、７分の時間間隔で板が発生していた場合、それらを５分間隔に平均し、３分と７分のタイミングの価格で５分のタイミングの価格を補完し、５分間隔の板情報として用意しておいてもよい。
なお、履歴情報を用いて制約条件を課したほうが、予測精度を向上させることができるが、要求される精度に応じて現在板情報のみから次板情報を予測するような構成としてもよい。 When the current board information is input, the order simulator 302 converts the current board information and the board information for a predetermined period past when the order information was input to the exchange simulator 301 from the user terminal 110 into the current board information. is input to the board generation NN 303 as
At this time, the board information of a past predetermined period input to the order simulator 302 may be past board information or information read from a simulation board history information storage unit (not shown) and stored as cache information. The simulation history board information storage unit stores the history information of boards generated by the simulation in the exchange simulator 301 in a cache manner, for example.
For example, if order information is input from the user terminal 110 to the exchange simulator 301 at 10:00 on August 6th, the current board information is the board information for August 6th at 10:00. In addition, the order simulator 302 stores 8 Acquire the board information at 9:55 on the 6th of the month. In this example, the order simulator 302 inputs the order book information for August 6th at 10:00 and the order book information for August 6th at 9:55 to the order book generation NN 303 .
Here, only one piece of board information five minutes before is acquired as the board information of a predetermined period past the time when the order information was input from the user terminal 110 to the exchange simulator 301, but it is limited to this. not something. The board information five minutes ago and the board information ten minutes ago may be acquired, or two or more may be acquired. Similarly, board information for one minute before may be acquired instead of five minutes before. The interval and number depend on the learning of the plate generation NN 303, which will be described later. The past board information may be actual continuous time-series data (changes in time intervals in which actual boards have occurred), or averaged data. That is, the plate does not occur evenly at intervals of 5 minutes or the like. Then, the price at the timing of 3 minutes and 7 minutes may complement the price at the timing of 5 minutes, and may be prepared as board information at intervals of 5 minutes.
It should be noted that the prediction accuracy can be improved by imposing the constraint condition using the history information, but it is also possible to predict the next board information only from the current board information according to the required accuracy.

注文シミュレータ３０２は、板生成ＮＮ３０３より、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として次板情報を受け取る。即ち、板生成ＮＮ３０３は、現在板情報及び過去の所定期間の板情報から次板情報を生成する。板生成ＮＮ３０３は、後述するようにして、現在板情報及び過去の所定期間の板情報から次板情報を生成するように学習（パラメータが調整）されたニューラルネットワークである。
上述した例では、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときが８月６日１０時００分だった場合、次板情報は、８月６日１０時０５分の板情報となる。注文シミュレータ３０２は、現在板情報と次板情報とに基づき、ユーザ端末１１０から入力された入力情報に応じた注文情報を生成する。
ときに、一般的な取引シミュレータでは、次板情報は、注文シミュレータ３０２により生成された注文情報と、現在板情報とに基づいて、生成されるものである。しかし、本実施形態のマーケットシミュレーションシステム１２０では、板生成ＮＮ３０３により現在板情報及び過去の所定期間の板情報から次板情報を予測し、注文シミュレータ３０２は、そこから逆算する形で注文情報を生成する。
一般的な取引シミュレータでは、注文シミュレータにおいて数式等の係数を用いてマーケットインパクトを考慮した注文を生成するが、どうしても人工的な動きとなってしまい、不自然な注文となることが多い。これに対して、上述のように、実際のマーケットにおける板の動きを学習させたニューラルネットワークを用いることで、マーケットインパクトを考慮した注文が違和感のない形で再現される。
生成された注文情報は、第２の注文情報の一例である。そして、注文シミュレータ３０２は、生成した注文情報を取引所シミュレータ３０１に入力する。
取引所シミュレータ３０１は、注文シミュレータ３０２から入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。
なお、更新された板情報は、基本的には板生成ＮＮ３０３で生成された次板情報と同じになる場合もあるため、そのような場合には、取引所シミュレータ３０１は、板生成ＮＮ３０３で生成された次板情報で板情報を更新してもよい。但し、特別気配の場合や板寄せが行われる場合等のデータについては例えば除外する等の例外的な処理が必要になるため、基本的には、注文シミュレータ３０２において現在板情報及び／又は過去板情報と次板情報とから注文情報を生成し、取引所シミュレータ３０１において改めて板情報を更新する必要がある。
取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、ユーザ端末１１０から入力された注文情報と注文シミュレータ３０２とから入力された注文情報とに基づき約定シミュレーションを実行し、約定情報をユーザ端末１１０に送信することで、約定情報を提示する。 The order simulator 302 receives the next board information as future board information from the board generation NN 303 when the order information is input to the exchange simulator 301 . That is, the board generation NN 303 generates the next board information from the current board information and the past board information for a predetermined period. The board generation NN 303 is a neural network trained (parameters adjusted) to generate next board information from current board information and past board information for a predetermined period, as will be described later.
In the above example, when the order information is input from the user terminal 110 to the exchange simulator 301 at 10:00 on August 6th, the next board information is the board information at 10:05 on August 6th. becomes. The order simulator 302 generates order information according to the input information input from the user terminal 110 based on the current board information and the next board information.
Sometimes, in a typical trading simulator, the next board information is generated based on the order information generated by the order simulator 302 and the current board information. However, in the market simulation system 120 of this embodiment, the board generation NN 303 predicts the next board information from the current board information and the board information for a predetermined period in the past, and the order simulator 302 generates order information by calculating back from there. do.
In general trading simulators, orders are generated in consideration of market impact by using coefficients such as formulas in order simulators, but orders tend to be artificial and unnatural orders. On the other hand, as described above, by using a neural network that has learned the movement of the board in the actual market, orders that take into account the market impact can be reproduced in a natural way.
The generated order information is an example of second order information. The order simulator 302 then inputs the generated order information to the exchange simulator 301 .
Based on the order information input from the order simulator 302, the exchange simulator 301 updates the board information when the order information is input.
Note that the updated board information may basically be the same as the next board information generated by the board generation NN 303. In such a case, the exchange simulator 301 generates The board information may be updated with the next board information received. However, for special quotes and itayose data, exceptional processing such as exclusion is required. It is necessary to generate order information from the information and the next board information, and update the board information again in the exchange simulator 301 .
The exchange simulator 301 presents the updated board information to the user terminal 110 . In addition, the exchange simulator 301 executes a contract simulation based on the order information input from the user terminal 110 and the order information input from the order simulator 302, and transmits the contract information to the user terminal 110. Present information.

図４は、マーケットシミュレーションシステム１２０における、注文情報が入力された際の情報処理の一例を示すフローチャートである。
Ｓ４０１において、取引所シミュレータ３０１は、ユーザ端末１１０から注文情報が入力されたか否かを判定する。取引所シミュレータ３０１は、ユーザ端末１１０から注文情報が入力されたと判定した場合、Ｓ４０２に処理を進め、ユーザ端末１１０から注文情報が入力されていないと判定した場合、Ｓ４０１の処理を繰り返す。
Ｓ４０２において、取引所シミュレータ３０１は、入力された注文情報に基づき、注文情報が入力された際の板情報を更新する。この処理は、第１の更新処理の一例である。
取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。また、取引所シミュレータ３０１は、更新した板情報を現在板情報として注文シミュレータ３０２に入力する。
取引所シミュレータ３０１より現在板情報が入力されると、Ｓ４０３において、注文シミュレータ３０２は、注文情報生成処理を実行する。注文情報生成処理の詳細は、後述する図５を用いて説明する。注文情報を生成すると、注文シミュレータ３０２は、注文情報を、取引所シミュレータ３０１に入力する。
なお、注文シミュレータ３０２は、上述のとおり過去板情報３０４の板情報に基づく過去注文情報３０５の再現も行う。したがって、注文シミュレータ３０２は、過去板情報３０４及び過去注文情報３０５に基づく再現注文と、ユーザ端末１１０から注文が入力された場合における板生成ＮＮ３０３により生成される板情報に基づくマーケットインパクト注文とをシームレスな切り替え理論により行う。即ち、注文シミュレータ３０２は、通常は再現注文を生成しつつ、ユーザ端末１１０からの注文入力が発生した場合にはマーケットインパクト注文の生成にスイッチするような制御を行う。
Ｓ４０３で生成された注文情報が入力されると、Ｓ４０４において、取引所シミュレータ３０１は、注文情報が入力された際の板情報を更新する。この処理は、第２の更新処理の一例である。取引所シミュレータ３０１は、更新した板情報をユーザ端末１１０に提示する。この処理は、提示処理の一例である。
Ｓ４０５において、取引所シミュレータ３０１は、ユーザ端末１１０から入力された注文情報と注文シミュレータ３０２とから入力された注文情報（又はそれにより更新された板情報）とに基づき約定シミュレーションを実行する。 FIG. 4 is a flow chart showing an example of information processing in the market simulation system 120 when order information is input.
In S<b>401 , the exchange simulator 301 determines whether order information has been input from the user terminal 110 . If the exchange simulator 301 determines that the order information has been input from the user terminal 110, it advances the process to S402, and if it determines that the order information has not been input from the user terminal 110, it repeats the process of S401.
In S402, the exchange simulator 301 updates the board information when the order information is input based on the input order information. This process is an example of the first update process.
The exchange simulator 301 presents the updated board information to the user terminal 110 . The exchange simulator 301 also inputs the updated board information to the order simulator 302 as current board information.
When the current board information is input from the exchange simulator 301, the order simulator 302 executes order information generation processing in S403. Details of the order information generation process will be described later with reference to FIG. After generating the order information, order simulator 302 inputs the order information to exchange simulator 301 .
The order simulator 302 also reproduces the past order information 305 based on the past order board information 304 as described above. Therefore, the order simulator 302 seamlessly reproduces orders based on the past order board information 304 and the past order information 305, and market impact orders based on the order board information generated by the order board generation NN 303 when an order is input from the user terminal 110. switching theory. That is, the order simulator 302 normally generates a reproduction order, but when an order input from the user terminal 110 occurs, it controls to switch to the generation of a market impact order.
When the order information generated in S403 is input, in S404 the exchange simulator 301 updates the board information when the order information was input. This process is an example of the second update process. The exchange simulator 301 presents the updated board information to the user terminal 110 . This process is an example of the presentation process.
In S405, the exchange simulator 301 executes a contract simulation based on the order information input from the user terminal 110 and the order information input from the order simulator 302 (or the board information updated thereby).

図５は、Ｓ４０３の処理の詳細の一例を示すフローチャートである。
Ｓ５０１において、注文シミュレータ３０２は、ユーザ端末１１０から取引所シミュレータ３０１に注文情報が入力されたときより過去の所定の期間の板情報（以下、単に過去板情報という）を過去板情報３０４又は図示しないシミュレーション履歴板情報記憶部から取得する。
Ｓ５０２において、注文シミュレータ３０２は、取引所シミュレータ３０１より入力された現在板情報とＳ５０１で取得した過去板情報とを板生成ＮＮ３０３に入力する。板生成ＮＮ３０３は、現在板情報及び過去板情報から、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として（現在板情報の次のタイミングの板情報として）次板情報を生成する。予測される情報としては、例えば売気配や買気配の価格とそれらの数量の板情報のほか、その更新時刻等の情報も含まれる。売気配や買気配は最良気配とその他気配ごとに価格や数量の板情報とその更新時刻等が予測されるものであってもよいし、所定の数の売気配、買気配のそれぞれについて価格と数量と更新時刻等が予測されるものであってもよく、特に限定はされない。
Ｓ５０３において、注文シミュレータ３０２は、板生成ＮＮ３０３より、取引所シミュレータ３０１に注文情報が入力されたときより未来の板情報として次板情報を受け取る。
Ｓ５０２及びＳ５０３の処理は、予測処理の一例である。
Ｓ５０４において、注文シミュレータ３０２は、現在板情報と次板情報とに基づき、ユーザ端末１１０から入力された入力情報に応じた注文情報を生成する。即ち、注文シミュレータ３０２は、現在板情報と、板生成ＮＮ３０３により現在板情報及び過去板情報から予測されたマーケットインパクトが加味された次板情報とから、逆算する形で注文情報を生成する。
Ｓ５０４の処理は、生成処理の一例である。 FIG. 5 is a flowchart showing an example of details of the processing of S403.
In S501, the order simulator 302 stores board information (hereinafter simply referred to as past board information) for a predetermined period past when order information was input from the user terminal 110 to the exchange simulator 301 as past board information 304 or not shown. Acquired from the simulation history board information storage unit.
In S502, the order simulator 302 inputs the current board information input from the exchange simulator 301 and the past board information acquired in S501 to the board generation NN 303. The board generation NN 303 generates the next board information from the current board information and the past board information as the future board information (as the board information at the next timing of the current board information) after the order information is input to the exchange simulator 301. do. The information to be predicted includes, for example, market information such as the prices of bids and offers and their quantities, as well as information such as update times. The sell and buy quotes may be the best quote and other quotes, and the market information of price and quantity and their update time, etc. may be predicted. The quantity, update time, etc. may be predicted, and there is no particular limitation.
In S503, the order simulator 302 receives the next board information as future board information from when the order information was input to the exchange simulator 301 from the board generation NN 303 .
The processing of S502 and S503 is an example of prediction processing.
In S504, the order simulator 302 generates order information according to the input information input from the user terminal 110, based on the current board information and the next board information. That is, the order simulator 302 generates order information by calculating back from the current board information and the next board information to which the market impact predicted from the current board information and the past board information by the board generation NN 303 is taken into account.
The processing of S504 is an example of generation processing.

ここで、図６Ａ及び図６Ｂは、板情報の例を示す図である。
図６Ａは、ある日の９時３０分の板情報を示している。図６Ｂは、同じ日の９時３５分の板情報を示している。
図６Ｃは、価格と時刻との時系列データ（板情報の価格を時系列の推移のグラフとして表したもの）の一例を示す図である。図６Ｃは、株の売り、買いの「価格」と「時刻」との時系列データのみを示しているが、同様に、株の売り、買いの「数量」と「時刻」との時系列データも過去板情報３０４としてマーケットシミュレーションシステム１２０は有している。また、図６Ｃでは、気配Ｘ１，２…、気配Ｙ１，２…のすべての時系列データが均等な幅（所定間隔で略平行）になっているが、あくまで説明のため簡略化した形で表しているものにすぎず、実際には気配Ｘ１，２…、気配Ｙ１，２…の各時系列データはバラバラな動きをする。更には、時間間隔も一定になっているが、あくまで説明のため簡略化したものであって、リアルなデータをそのまま用いる場合には等間隔とは限らないし、そのような等間隔ではないリアルなデータを補間して図６Ｃに示すように等間隔にしたものであってもよい。
なお、売気配や買気配は最良気配とその他気配ごとに価格・数量と時刻等が予測されるものであれば、売気配・買気配ごとの最良気配・その他気配の価格・数量と時刻の時系列データとして表される。 Here, FIGS. 6A and 6B are diagrams showing examples of board information.
FIG. 6A shows board information at 9:30 on a certain day. FIG. 6B shows the board information at 9:35 on the same day.
FIG. 6C is a diagram showing an example of time-series data of price and time (price of board information represented as a graph of time-series transition). FIG. 6C shows only time-series data of "price" and "time" for selling and buying stocks, but similarly, time-series data of "quantity" and "time" for selling and buying stocks. The market simulation system 120 also has past board information 304 . Also, in FIG. 6C, all the time-series data of the signs X1, 2, . . . , and the signs Y1, 2, . In fact, the time-series data of the signs X1, 2, . . . , and the signs Y1, 2, . Furthermore, the time intervals are constant, but this is a simplification for the sake of explanation only. The data may be interpolated to be evenly spaced as shown in FIG. 6C.
In addition, if the price, quantity, time, etc. of each best quote and other quotes are predicted for sell and buy quotes, the price, quantity, and time of each best quote and other quotes Represented as series data.

以下、学習について説明する。学習を行う主体は、マーケットシミュレーションシステム１２０のＣＰＵ２０１として説明を行うが、他の情報処理装置（又はコンピュータ）が学習を担当するようにしてもよい。この場合、他の情報処理装置（又はコンピュータ）のＣＰＵが処理の主体となる。
図７は、ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）を用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。
図７に示されるように、ＣＰＵ２０１は、ｔ１（例えば、１０時００分）とｔ２（例えば、１０時０５分）との板情報を学習データとし、ｔ３（例えば、１０時１０分）の板情報を教師データとして、板生成ＮＮ３０３を学習させる。同様に、ＣＰＵ２０１は、ｔ２（例えば、１０時０５分）とｔ３（例えば、１０時１０分）との板情報を学習データとし、ｔ４（例えば、１０時１５分）の板情報を教師データとして、板生成ＮＮ３０３を学習させる。このように学習させることで、板生成ＮＮ３０３は、直前の連続する過去の２つの板情報を入力すると、次の板情報を出力（予測）することができるように、ＬＳＴＭニューラルネットワーク（学習モデル）のパラメータが調整される。
なお、ここでは説明を簡単にするため、あくまで一例として、現在板を含む直前の連続する過去の２つの板情報から次の板情報を予測するための学習モデルを例に説明したが、過去の３つ以上の板情報から次の板を予測する学習モデルであってもよいし、連続しない過去の複数の板情報から次の板情報を予測するような学習モデルであってもよいし、又は直前の１つの板情報（現在板情報）から次の板情報（気配値や数量）を予測するような学習モデルであってもよいし、更には、複数の過去板情報からその間の時刻における価格を線形補間等した値と対応する時刻を用いて次の板情報（気配値や数量）を予測するような学習モデルとして構成してもよく、特に限定はされない。ここで、ＬＳＴＭは、ＲＮＮの拡張として登場した時系列データに対するモデルの一つである。ＬＳＴＭは、一例であって、他のＲＮＮを用いてもよい。 Learning will be described below. The learning subject is described as the CPU 201 of the market simulation system 120, but another information processing device (or computer) may be in charge of the learning. In this case, the CPU of another information processing device (or computer) is the subject of processing.
FIG. 7 is a diagram showing an example of learning of the plate generation NN 303 when LSTM (Long Short Term Memory) is used.
As shown in FIG. 7, the CPU 201 uses the board information at t1 (for example, 10:00) and t2 (for example, 10:05) as learning data, and the board information for t3 (for example, 10:10). The board generation NN 303 is made to learn using the information as teacher data. Similarly, the CPU 201 uses the board information at t2 (eg, 10:05) and t3 (eg, 10:10) as learning data, and the board information at t4 (eg, 10:15) as teacher data. , to learn the plate generation NN 303 . By learning in this way, the board generation NN 303 uses an LSTM neural network (learning model) to output (predict) the next board information when two consecutive past board information immediately before are input. parameters are adjusted.
In order to simplify the explanation, the learning model for predicting the next board information from two consecutive past board information immediately before the current board was explained as an example. It may be a learning model that predicts the next board from three or more board information, or a learning model that predicts the next board information from a plurality of discontinuous pieces of past board information, or It may be a learning model that predicts the next board information (indicative price and quantity) from the previous one board information (current board information), and furthermore, it may be a learning model that predicts the next board information (quote price and quantity) from the previous board information (current board information). may be configured as a learning model that predicts the next board information (indicative price or quantity) using a linearly interpolated value and the corresponding time, and is not particularly limited. Here, LSTM is one of models for time-series data that appeared as an extension of RNN. LSTM is an example, and other RNNs may be used.

図８Ａ及び図８Ｂは、ＣＮＮを用いた場合の、板生成ＮＮ３０３の学習の一例を示す図である。
図８Ａは、図６Ａで示される板情報を画像で表現したものである。また、図８Ｂは、図Ｂで示される板情報を画像で表現したものである。
ＣＰＵ２０１は、ｔ１（例えば、１０時００分）とｔ２（例えば、１０時０５分）との板情報の画像を学習データとし、ｔ３（例えば、１０時１０分）の価格や数量の板情報（又は、何秒後に、変化なし／変化あり（即ち「上昇する」や「下降する」）といった情報）を教師データとして、板生成ＮＮ３０３を学習させるようにしてもよい。これにより、板生成ＮＮ３０３をＣＮＮ学習モデルとして構成することができるようになる。なお、ＣＮＮの一例として３Ｄ－ＣＮＮを用いてもよい。
ときに、ＣＮＮ、ＲＮＮ、ＬＳＴＭについて簡単に補足すれば以下のとおりである。近年、人工知能技術としてディープラーニング（深層学習）の利用が盛んになっている。ディープラーニングは、機械学習技術の一つであるニューラルネットワークの階層を深めたアルゴリズムである。ニューラルネットワークは、生物の脳神経（ニューロン）をモデルとしたアルゴリズムである。ニューラルネットワークは、入力層、隠れ層、出力層の各層をもつ。各層にはノードがあり、ノード間がエッジで結合される構造となっている。隠れ層には複数の層をもつことができる。この隠れ層が深いニューラルネットワークを用いた機械学習がディープラーニングと呼ばれる。換言すれば、ディープラーニングとは、機械学習のうち、ニューラルネットワークを用いて入力データの特徴をコンピュータが自動的に抽出するものである。ディープラーニングは教師あり学習にも教師なし学習にも適用可能であるが、実用化されているものとしては教師あり学習のほうが多い。
ニューラルネットワークの各層は活性化関数と呼ばれる関数をもち、エッジは重みをもつことができる。各ノードの値は、１つ前の層のノードの値から計算される。即ち、各ノードの値は、前の層のノード値、エッジの重みの値、そして活性化関数から計算される。この計算方法には種々のものがあるが、詳細については説明を省略する。
ＣＮＮは、画像認識の分野で実績がある。ＣＮＮでは、隠れ層は、畳み込み層とプーリング層とから構成される。畳み込み層では前の層の近くのノードに対してフィルタ処理を行う。行列で表されるフィルタを元の入力画像に対してスライドさせていくイメージである。これにより、特徴マップを得ることができる。
プーリング層は、畳み込み層から出力された特徴マップを縮小して新たな特徴マップを生成する。この特徴マップの生成処理により、画像のずれが吸収できるようになる。そして、プーリング層は、局所的な特徴をまとめあげる処理をする。
畢竟、畳み込み層及びプーリング層は、入力画像の特徴を維持しながら画像を縮小処理することを意味する。単なる画像圧縮との違いは、画像の特徴を維持しながら画像を縮小するものであり、換言すれば抽象化する処理であるといえる。
ＣＮＮでは、各層は次の層へと意味のあるデータを順に渡していく。層が進むにつれてネットワークはより高レベルな特徴を学習することができる。例えば、最初の層では例えばエッジなどの局所的な特徴を検出し、次の層でそれらを組み合わせてテクスチャを検出するなどし、更にその次の層ではより抽象的な耳などの部位の特徴を検出する。ＣＮＮでは、このような特徴を抽出するためのパラメータを自動で学習していく。このようにして、ＣＮＮでは、ネットワークに記憶された抽象化された画像イメージを用いて、入力される画像を認識ないしは分類をすることができるようになる。
ＣＮＮで扱われるのが主に画像データ（二次元の矩形データ）であったのに対し、ＲＮＮが扱うのは、音声データ等の可変長の時系列データである。ＲＮＮでは、可変長データをニューラルネットワークで扱うために、隠れ層の値を再び隠れ層に入力するネットワークの構造にしたものである。しかしながら、ＲＮＮは、長時間前のデータを利用すると誤差が消滅したり、演算量が膨大になったりするなどの問題がある。そのため、短時間のデータしか処理できなかった。そこで登場したのがＬＳＴＭである。ＬＳＴＭは、ＲＮＮの欠点を解消し、長期の時系列データを学習することができる学習モデルである。 8A and 8B are diagrams showing an example of learning of the plate generation NN 303 when CNN is used.
FIG. 8A is an image representation of the board information shown in FIG. 6A. FIG. 8B is an image representation of the board information shown in FIG.
The CPU 201 uses the board information images at t1 (for example, 10:00) and t2 (for example, 10:05) as learning data, and the price and quantity board information (for example, at t3 (for example, 10:10)). Alternatively, the board generation NN 303 may be made to learn after how many seconds, using no change/change (that is, information such as "rising" or "falling") as teacher data. This allows the plate generation NN 303 to be configured as a CNN learning model. Note that 3D-CNN may be used as an example of CNN.
A brief supplement to CNN, RNN, and LSTM is sometimes as follows. In recent years, deep learning has been widely used as an artificial intelligence technology. Deep learning is an algorithm that deepens the hierarchy of neural networks, which is one of the machine learning techniques. A neural network is an algorithm modeled on the cranial nerves (neurons) of living organisms. A neural network has an input layer, a hidden layer, and an output layer. Each layer has nodes, and the nodes are connected by edges. A hidden layer can have multiple layers. Machine learning using neural networks with deep hidden layers is called deep learning. In other words, deep learning is machine learning in which a computer automatically extracts features of input data using a neural network. Deep learning can be applied to both supervised and unsupervised learning, but supervised learning is more practical.
Each layer of a neural network has a function called an activation function, and edges can have weights. The value of each node is calculated from the value of the node in the previous layer. That is, the value of each node is calculated from the previous layer's node value, the edge weight value, and the activation function. Although there are various methods for this calculation, the detailed explanation is omitted.
CNN has a proven track record in the field of image recognition. In CNN, the hidden layer consists of convolutional layers and pooling layers. A convolutional layer filters on nearby nodes in the previous layer. It is an image of sliding the filter represented by the matrix with respect to the original input image. Thereby, a feature map can be obtained.
The pooling layer reduces the feature map output from the convolutional layer to generate a new feature map. This feature map generation process can absorb image deviations. The pooling layer then takes care of putting together the local features.
After all, the convolution layer and the pooling layer mean that the image is reduced while preserving the features of the input image. The difference from simple image compression is that the image is reduced while maintaining the characteristics of the image, in other words, it can be said to be a process of abstraction.
In CNN, each layer in turn passes meaningful data to the next layer. As layers progress, the network can learn higher-level features. For example, the first layer may detect local features such as edges, the next layer may combine them to detect textures, etc., and the next layer may detect more abstract regional features such as ears. To detect. The CNN automatically learns parameters for extracting such features. In this way, the CNN makes it possible to recognize or classify input images using the abstracted images stored in the network.
While CNN mainly handles image data (two-dimensional rectangular data), RNN handles variable-length time-series data such as voice data. In RNN, in order to handle variable-length data with a neural network, the value of the hidden layer is input to the hidden layer again. However, the RNN has problems such as the disappearance of errors when using data from a long time ago and the enormous amount of computation. Therefore, only short-term data could be processed. That's where LSTM comes in. LSTM is a learning model that overcomes the shortcomings of RNN and can learn long-term time-series data.

図９は、ＣＮＮにより学習した学習済みモデルに基づいて転移学習する一例を示す図である。上述のとおり、ＣＮＮでは、様々な特徴を捉える特徴抽出器（又は識別器）ができあがっている状態といえる。転移学習では、ＣＮＮにおいてすでにできあがっている特徴抽出器の部分（ニューラルネットワークのうち入力側に近い層）を再利用し、分類器の部分（ニューラルネットワークのうち出力側に近い層）についてのみ再度学習するものである。これにより、普通に学習させるよりも少ないデータで追加学習させることができる。例えば画像認識においては、犬猫を認識するニューラルネットワークが学習済みの場合、入力側に近いプリミティブな要素や特徴を識別する層を再利用し、出力側に近いより抽象的な要素や特徴を識別する層や対象を分類する層のみを再学習させることで、猿やチンパンジーなどの他の動物をも認識することができるように学習させることができる。これを株取引における板情報の予測へ適用する場合には、出力側に近い層の部分を特定の日時のデータで再学習させるような転移学習を行うことでデータ量を補うことになる。
図９に示されるように、ＣＰＵ２０１は、例えば、２０１８年より前の過去板情報に基づき、学習済みの板生成ＮＮを生成しておく。そして、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年１月のデータを学習させ、２０１８年１月用の学習済み板生成ＮＮを生成するようにしてもよい。また、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年３月１周目のデータを学習させ、２０１８年２月１周目用の学習済み板生成ＮＮを生成するようにしてもよい。また、ＣＰＵ２０１は、ベースとなる学習モデルに対して、更に２０１８年３月〇日のデータを学習させ、２０１８年３月〇日用の学習済み板生成ＮＮを生成するようにしてもよい。
図９では、ＣＮＮにより学習した学習済みモデルを例に説明を行ったが、ＬＳＴＭにより学習した学習済みモデルに対して転移学習するようにしてもよい。また、ＬＳＴＭの学習において、ＣＮＮで獲得した特徴量を利用して再学習させることができる。即ち、ＬＳＴＭとＣＮＮとを組み合わせて転移学習を行うことができる。 FIG. 9 is a diagram showing an example of transfer learning based on a trained model learned by CNN. As described above, in CNN, it can be said that a feature extractor (or discriminator) that captures various features has been completed. In transfer learning, the feature extractor part (layer close to the input side of the neural network) that has already been completed in CNN is reused, and only the classifier part (layer close to the output side of the neural network) is retrained. It is something to do. As a result, additional learning can be performed with less data than normal learning. For example, in image recognition, if a neural network that recognizes dogs and cats has already been trained, it reuses the layer that identifies primitive elements and features close to the input side, and identifies more abstract elements and features close to the output side. By retraining only the layer that classifies objects and the layer that classifies objects, it is possible to learn to recognize other animals such as monkeys and chimpanzees. When applying this to the prediction of board information in stock trading, the amount of data is supplemented by performing transfer learning in which the part of the layer close to the output side is re-learned with data from a specific date and time.
As shown in FIG. 9, the CPU 201 generates a learned board generation NN based on past board information before 2018, for example. Then, the CPU 201 may further cause the base learning model to learn the data of January 2018 to generate a learned board generation NN for January 2018. Further, the CPU 201 may cause the base learning model to learn the data of the first round in March, 2018, and generate a learned board generation NN for the first round in February, 2018. . Further, the CPU 201 may cause the base learning model to learn the data of March ◯, 2018, and generate a learned board generation NN for ◯ March, 2018.
In FIG. 9, a trained model learned by CNN is used as an example, but transfer learning may be performed on a trained model learned by LSTM. Also, in the learning of the LSTM, it is possible to re-learn using the feature quantity acquired by the CNN. That is, transfer learning can be performed by combining LSTM and CNN.

＜その他の実施形態＞
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給する。そして、そのシステム或いは装置のコンピュータ（又はＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。 <Other embodiments>
The present invention is also realized by executing the following processing. That is, the software (program) that implements the functions of the above-described embodiments is supplied to the system or device via a network or various storage media. Then, the computer (or CPU, MPU, etc.) of the system or apparatus reads and executes the program.

以上、本発明の実施形態の一例について詳述したが、本発明は係る特定の実施形態に限定されるものではない。 Although an example of the embodiment of the present invention has been described in detail above, the present invention is not limited to such a specific embodiment.

以上、上述した各実施形態の処理によれば、より少ないリソース、及びより短い時間で、より現実に近い市場の動きを再現することができる。 As described above, according to the processing of each embodiment described above, more realistic market movements can be reproduced with fewer resources and in a shorter time.

１２０マーケットシミュレーションシステム
２０１ＣＰＵ
３０３板生成ＮＮ 120 Market simulation system 201 CPU
303 plate generation NN

Claims

Using a neural network, based on either or both of the board information updated when the first order information was input and the board information past when the first order information was input, Prediction means for predicting future board information from when the board information is updated when the order information of 1 is input;
generating means for generating second order information based on the predicted future board information and board information updated based on the first order information;
An information processing system having

further comprising first updating means for updating, when the first order information is input, the board information at the time when the first order information was input;
The predicting means, using the neural network, based on either or both of the board information updated by the first updating means and the board information past when the first order information was input. 2. The information processing system according to claim 1, wherein future board information is predicted after board information is updated when said first order information is input.

3. The information processing system according to claim 1, further comprising second updating means for updating board information based on said second order information generated by said generating means.

4. The information processing system according to claim 3, further comprising presenting means for presenting the board information updated by said second updating means to the user.

5. The information processing system according to claim 1, wherein said neural network is a trained model trained by RNN (Recurrent Neural Network).

5. The information processing system according to claim 1, wherein said neural network is a trained model trained by a CNN (Convolution Neural Network).

5. The information processing system according to any one of claims 1 to 4, wherein said neural network is a trained model that has undergone transfer learning based on a trained model trained by RNN or CNN.

An information processing method executed by an information processing system,
Using a neural network, based on either or both of the board information updated when the first order information was input and the board information past when the first order information was input, a prediction step of predicting future board information from when the board information is updated when the order information of 1 is input;
a generating step of generating second order information based on the predicted future board information and board information updated based on the first order information;
Information processing method including.

to the computer,
Using a neural network, based on either or both of the board information updated when the first order information was input and the board information past when the first order information was input, a prediction step of predicting future board information from when the board information is updated when the order information of 1 is input;
a generating step of generating second order information based on the predicted future board information and board information updated based on the first order information;
program to run the

to the computer,
Using a neural network, based on either or both of the board information updated when the first order information was input and the board information past when the first order information was input, a prediction step of predicting future board information from when the board information is updated when the order information of 1 is input;
a generating step of generating second order information based on the predicted future board information and board information updated based on the first order information;
A computer-readable storage medium storing a program for executing