はてなブックマーク

機械学習で株価予測や競馬予測のアルゴリズムを開発している人は多くないですが、興味ある人はそれなりにいると思います。Qiitaを検索すると機械学習手法の勉強のためにちょっと触ってみたという感じの人は結構見かけます。投資や競馬に興味がなくても、ルールが決まっていて、勝つというゴールがシンプルなため機械学習の勉強と相性が非常に高いですので、個人のスキルアップにもおすすめなテーマだと思っています。今回は株価の時系列予測に関連した技術を紹介します。 一般的な時系列データの類似度 時系列データの類似度というと、dynamic time warpingが王道な手法として思い浮かぶかと思います。DTWをQiitaで検索すると以下の記事に説明がありました。 DTW(Dynamic Time Warping)/動的時間伸縮法について話す 時系列同士の長さや周期が違っても類似度を求めることができます。 なので、

今回はactor-criticでbtc/jpyのシステムトレードアルゴリズムを開発します。 actor-criticとは Qiitaで検索しましょう。似たようなことを書いても長くなるだけです。 データセット チャートデータは始値、高値、安値、終値の4つの時系列データで構成されていて、そこに出来高も追加して5次元データで表します。今回はbtc/jpyの取引データを1時間おきに蓄積したものを用います。データの中身はこんな感じのcsvで、2011年から2017年くらいまでで約4万レコードあります。 全体はhttps://raw.githubusercontent.com/shiibashi/qiita/master/11/dataset/btc.csv にあります。 Year,Month,Day,Hour,Minute,Open,High,Low,Close,Volume,Timestamp,T

こんにちは、LIFULLのshiibassです。 LIFULL Advent Calendar7日目の記事になります。 皆さんはシンギュラリティという言葉をご存知でしょうか。技術レベルは指数関数的に成長していてある時を境に急激に成長を迎え、その点のことをシンギュラリティと呼ぶそうです。 弊社では、そういった未来でどうすればあらゆるLIFEをFULLにできるか、そのために今何をすべきか、などを議論しています。 シンギュラリティを起こす一要素が量子コンピュータで、これによって今までは現実的に計算不可能だった計算も可能になると言われていて、夢がある話ではありますが機械学習エンジニアやデータサイエンティストにとっては技術のキャッチアップで忙しくなるかもしれません。一方でもともと勉強していた人にとっては量子コンピュータのクラウド化が進んでいて将来が待ち遠しいことでしょう。 ということで今回は量子回路