おススメのMT5・MQL5対応FX業者はコチラ↓
おススメのMT5・MQL5対応FX業者
【※この記事にはプロモーションが含まれています。】 MQL5を使って自作したEAをシステムトレードに利用するには、取引プラットフォームとしてMT5を提供しているFX会社に口座を開設しなくてはいけません。 MQL5にて開発した、MT5用EAを...
mqlinvestmentlab.com
2023.08.04

システムトレードとディープラーニングのための畳み込みニューラルネットワーク入門

Python
スポンサーリンク
スポンサーリンク

はじめに

システムトレードとは、取引ルールをプログラム化し、自動で売買を行うトレード手法です。ディープラーニングを組み合わせることで、データから自動的に特徴を学び、より高度なトレード戦略を構築できます。

※ディープラーニングとは、人間の脳の神経回路をモデルにした「ニューラルネットワーク」という仕組みを使い、コンピュータが膨大なデータを処理してパターンや特徴を学ぶ技術です。これにより、画像認識や音声認識、予測モデルなど多様な分野で活用されています。

※ディープラーニングについての詳細は下記の記事をご参照ください↓

システムトレードのためのディープラーニング基礎
はじめに ディープラーニングは、大量のデータを使って「コンピュータが自分で学習する」技術であり、システムトレードに応用することで、より高度な分析や予測が可能になります。今回は、ディープラーニングとは何か、そしてシステムトレードにどのように役...
mqlinvestmentlab.com
2024.11.12

その中で特に注目される技術が畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）です。本記事では、畳み込みニューラルネットワークの基礎を機械学習初学者の方でも理解できるように1つ１つ丁寧に解説していきます。

畳み込みニューラルネットワークとは？

畳み込みニューラルネットワークは、もともと画像認識の分野で発展してきたディープラーニング技術の一種です。

この技術の特徴は、「データの一部分に注目して特徴を見つける」「パターンを自動で学習する」ことです。畳み込みニューラルネットワークを活用することで、例えば金融データからトレンドをつかんだり、異常を見つけたりすることが可能になります。

畳み込みニューラルネットワークの基本構造

CNNは次の3つの主要な部分（＝層）で構成されています。

畳み込み層（Convolution Layer）

畳み込み層は、 データの一部分に注目して特徴を見つける層です。

カーネルについて


カーネルとは、データから特徴を抽出するための小さなフィルターのことです。画像の場合、カーネルは「縦3×横3」や「縦5×横5」のような小さなマス目の形をしており、このマス目がデータ全体をスライドしながら計算を行います。カーネルは形状やパターン（例: エッジや線）を探し出す役割を持っています。

具体例:
例えば、画像データでは、畳み込み層は「小さなフィルター（カーネル）」を使い、縦線や斜め線、丸い形などの基本的な形状を見つけます。これをフィルターが画像全体にスライドしながら適用していきます。

金融データの場合:
価格チャートを画像のように扱い、上昇トレンドや下降トレンドの形状を検出することができます。

ポイント:
畳み込み層は「どこに重要な特徴があるか」を自動で探してくれる層です。このため、手作業で特徴を指定する必要がなくなります。

プーリング層（Pooling Layer）

役割: プーリング層はデータを簡潔にまとめる（圧縮する）層です。

具体例:
たとえば、4×4のマスに以下のような数字があるとします：

1  3  2  1  
4  6  5  0  
2  8  9  3  
7  2  1  5

「最大値プーリング」を使うと、2×2の小さな窓を移動させ、その中で最大値だけを取り出します。結果は以下のようになります

最大値プーリングとは？


最大値プーリングとは、データを縮小する際に、小さな領域内（例えば2×2の窓）の最大値を選び出して、その領域を代表する値とする方法です。これにより、重要な特徴を保持しつつデータ量を減らし、計算効率を向上させることができます。

6  5  
8  9

これにより、元のデータを簡潔にまとめ、重要な情報を保持します。

金融データの場合:
価格のピークや異常値を簡潔にまとめることで、データの重要な部分を残しながら計算負荷を軽減します。

ポイント:
プーリング層は「データの中で最も重要な部分」を抽出し、効率的にデータを整理する役割を果たします。

全結合層（Fully Connected Layer）

役割:全結合層は データを基に最終的な判断を行う層です。

具体例:
画像認識では、畳み込み層やプーリング層で抽出された特徴を組み合わせて、「これは猫か犬か」を判断します。

金融データの場合:
価格パターンに基づいて、「このタイミングで買うべきか、売るべきではないか」を判断します。

ポイント:
全結合層は、「これまでに学んだ情報を総合し、最終的な結論を導き出す」層です。

補足: そもそも「層」とは？

ここでいう「層」とは、ニューラルネットワークの中でデータを処理・変換する「ステップ」のことを意味します。それぞれの層が異なる役割を持ち、データを順番に処理していくことで、最終的な結果を出力します。層は「情報を流すパイプラインの1つのセクション」と考えるとわかりやすいでしょう。

金融データでの畳み込みニューラルネットワークの活用

畳み込みニューラルネットワークは金融データの分析においても活用されています。この技術を使えば、膨大なデータの中から重要なパターンを自動で発見し、取引の意思決定に役立てることが可能です。以下では、金融データにニューラルネットワークを適用する具体的な手法について説明します。

時系列データについて

時系列データとは、時間の経過に伴って変化するデータを指します。例えば、株価や為替レート、取引量のように、「時間」という軸を持つデータが該当します。

具体例としては、1時間ごとの為替レートの推移や、1日ごとの株価の終値などが挙げられます。このようなデータは、その時間の前後関係が非常に重要であり、分析することでトレンドやパターンを見つけることができます。

時系列データの画像化

時系列データをそのまま畳み込みニューラルネットワークで扱うことはできません。そこで、これを画像データとして表現する手法が広く用いられています。

一つの方法として、価格チャートに変換することが挙げられます。ローソク足や折れ線グラフを使い、価格の推移を視覚化します。この形式であれば、畳み込みニューラルネットワークが画像として読み取ることが可能になります。

また、ヒートマップを使った表現もあります。例えば、価格や取引量を色の濃淡で表現することで、視覚的にわかりやすい画像データに変換します。この場合、価格が高い部分を赤、低い部分を青で表示するなど、色で情報を伝える工夫がされています。

畳み込みニューラルネットワークを使うと、画像化されたデータから以下のような情報を自動で検出できます。

  • トレンドの傾向（上昇トレンドや下降トレンド）
  • 異常値や急激な値動きの検出

特徴抽出の自動化

畳み込みニューラルネットワークの重要な機能の一つに「特徴抽出」があります。特徴とは、データの中に含まれる重要な要素やパターンを指します。

従来の方法では、人間がデータを観察し、移動平均線の交差や上昇トレンドラインなど、取引ルールを手作業で作り上げていました。しかしニューラルネットワークでは、この特徴を自動的に見つけ出すことが可能です。

例えば、畳み込みニューラルネットワークが価格データの中から「ゴールデンクロス（移動平均線の短期線が長期線を上抜ける現象）」や「ヘッドアンドショルダー（特定の形状パターン）」といったサインを見つけ出すことができます。また、過去のトレードデータを学習することで、次の値動きを予測するための特徴を抽出することも可能です。

畳み込みニューラルネットワークでトレードモデルを構築する

次は、畳み込みニューラルネットワークを使った簡単なトレードモデルの例を紹介します。

ステップ1: データ準備

金融データを収集し、価格チャートを画像形式に変換します。

ステップ2: 畳み込みニューラルネットワークモデルの構築

Pythonのライブラリ（KerasやTensorFlow）を使って、CNNモデルを構築します。

畳み込みニューラルネットワークモデルのサンプルコード

# TensorFlowライブラリからモデルとレイヤーのクラスをインポート
from tensorflow.keras.models import Sequential  # モデルの基礎構造を作るクラス
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense  # 異なる種類のレイヤーをインポート

# モデルの定義開始
model = Sequential([  # Sequentialモデルは層を順番に積み上げる構造
    Conv2D(  # 畳み込み層を追加
        32,  # フィルター（特徴検出器）の数を32に設定
        (3, 3),  # フィルターのサイズ（縦3×横3の小さいマス目）
        activation='relu',  # 活性化関数としてReLU（負の値を0に変える）を使用
        input_shape=(64, 64, 3)  # 入力データの形状（縦64×横64の画像、RGBの3チャンネル）
    ),
    MaxPooling2D(  # プーリング層を追加
        pool_size=(2, 2)  # プーリングの窓サイズ（縦2×横2のマス目で縮小処理）
    ),
    Flatten(),  # 平坦化レイヤーを追加（データを1次元のリストに変換）
    Dense(  # 全結合層を追加（ニューロン間を全て接続する層）
        128,  # ニューロンの数を128に設定
        activation='relu'  # 活性化関数にReLUを使用
    ),
    Dense(  # 出力層を追加（結果を出力する層）
        1,  # 出力の数を1に設定（バイナリー分類：例えば「買う」か「買わない」）
        activation='sigmoid'  # 活性化関数にシグモイドを使用（出力を0～1の間にする）
    )
])

# モデルのコンパイル
model.compile(  # モデルの学習方法を定義
    optimizer='adam',  # 学習アルゴリズムとしてAdamを選択（効率的に学習を進める方法）
    loss='binary_crossentropy',  # 損失関数としてバイナリークロスエントロピーを使用（2値分類向け）
    metrics=['accuracy']  # モデルの評価指標として「正確さ（accuracy）」を選択
)

サンプルコードの解説

ライブラリのインポート

# TensorFlowライブラリから必要なモジュールとクラスをインポートします
from tensorflow.keras.models import Sequential  # モデルの構造を作るためのクラス
from tensorflow.keras.layers import Conv2D  # 畳み込み層（特徴を抽出するための層）
from tensorflow.keras.layers import MaxPooling2D  # プーリング層（データを圧縮する層）
from tensorflow.keras.layers import Flatten  # 平坦化層（多次元データを1次元に変換）
from tensorflow.keras.layers import Dense  # 全結合層（最終的な判断を行う層）

Sequential
モデルの基礎構造を作るクラスです。層を順番に積み上げるシンプルな構造を提供します。

Conv2D
畳み込み層を表すクラスです。フィルターを使ってデータから特徴を抽出します。

MaxPooling2D
プーリング層を表すクラスです。データを縮小して効率化する役割を持ちます。

Flatten
データを1次元のリストに変換するためのクラスです。次の全結合層に入力しやすくします。

Dense
全結合層を表すクラスです。ニューロン同士を完全に接続して学習を進めます。

モデルの構築

# Sequentialクラスを使ってモデルを作成します
model = Sequential([  # Sequentialモデルは層を順番に追加するシンプルな構造

    # 畳み込み層を追加します
    Conv2D(  # Conv2Dは画像データの特徴を抽出する層
        32,  # フィルター（特徴を検出するための目のようなもの）の数
        (3, 3),  # フィルターのサイズ（縦3×横3の小さなマス目）
        activation='relu',  # ReLU活性化関数（負の値を0にして効率的に学習を進める）
        input_shape=(64, 64, 3)  # 入力データの形状（縦64×横64ピクセル、RGBの3チャンネル）
    ),

    # プーリング層を追加します
    MaxPooling2D(  # プーリング層はデータを縮小して処理を効率化する役割
        pool_size=(2, 2)  # プーリング窓のサイズ（縦2×横2で縮小）
    ),

    # 平坦化層を追加します
    Flatten(),  # Flattenは多次元データを1次元のリストに変換します

    # 全結合層を追加します
    Dense(  # Denseはニューロンが全て接続された層
        128,  # ニューロンの数（特徴を学習する単位）
        activation='relu'  # ReLU活性化関数を使用
    ),

    # 出力層を追加します
    Dense(  # 最終的な出力を行う層
        1,  # 出力の数（バイナリー分類用に1つの値を出力）
        activation='sigmoid'  # シグモイド活性化関数（出力を0～1に変換）
    )
])
Conv2D（畳み込み層）
Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3))
関数名: Conv2D
  • 役割: データに対してフィルターを適用し、局所的な特徴を抽出するための層を定義します。
引数の説明
  1. 32
    • 役割: フィルター（特徴検出器）の数を指定します。この例では、32個のフィルターを使って32種類の特徴を抽出します。
  2. (3, 3)
    • 役割: フィルターのサイズを指定します。この例では、縦3ピクセル×横3ピクセルの小さな領域で特徴を検出します。
  3. activation=’relu’
  4. input_shape=(64, 64, 3)
    • 役割: 入力データの形状を指定します。この場合、縦64ピクセル×横64ピクセルで、RGB（3チャンネル）の画像を受け取ることを意味します。
MaxPooling2D（プーリング層）
MaxPooling2D(pool_size=(2, 2))
関数名: MaxPooling2D
  • 役割: プーリング（データ縮小）の方法を指定する層を定義します。
引数の説明
  1. pool_size=(2, 2)
    • 役割: プーリングを行う領域のサイズを指定します。この例では、縦2ピクセル×横2ピクセルの領域ごとに縮小処理を行います。
    • 具体的な動作: 領域内の最大値を選択して、データを小さくまとめます（例: データの重要な特徴を残しつつサイズを半分に縮小）。
Flatten（平坦化）
Flatten()
関数名: Flatten

役割: 多次元データを1次元のリストに変換します。この変換により、次の全結合層がデータを扱いやすくなります。
※平坦化（Flatten）は、ニューラルネットワークの中で使用される処理の1つで、多次元のデータを1次元に変換することを指します。この処理は、畳み込み層やプーリング層の出力を、全結合層（Dense層）に渡すために行われます。

具体的な例

例えば、プーリング層の出力が次のような2次元のデータだったとします：

[ [6, 5],  
  [8, 9] ]

これを平坦化すると、次のような1次元のデータに変換されます：

[6, 5, 8, 9]

このようにデータを1列に並べることで、全結合層で効率よく処理できる形式になります。

※ニューラルネットワークの全結合層では、入力データを1次元形式で扱う必要があります。畳み込み層やプーリング層は多次元データを出力するため、それを平坦化して形式を揃えることで、次の層に正しくデータを渡すことができます。

Dense（全結合層）
最初の全結合層
Dense(128, activation='relu')
関数名: Dense
引数の説明
  1. 128
  2. activation=’relu’

出力層
Dense(1, activation='sigmoid')
関数名: Dense
  • 役割: 出力を行う層を定義します。
引数の説明
  1. 1
    • 役割: 出力ニューロンの数を指定します。この例では1つの値を出力し、二値分類問題に対応します（例: 「買う」か「買わない」）。
  2. activation=’sigmoid’

モデルのコンパイル

# モデルをコンパイルして学習の設定を行います
model.compile(
    optimizer='adam',  # 学習アルゴリズムとしてAdamを使用（効率的に学習を進める方法）
    loss='binary_crossentropy',  # 損失関数としてバイナリークロスエントロピーを使用（2値分類用）
    metrics=['accuracy']  # モデルの評価指標として正確さ（accuracy）を指定
)
メソッド名: compile
  • 役割: モデルの学習方法を設定します。どのアルゴリズムで学習を進めるか、損失をどう計算するか、どの指標で評価するかを指定します。
引数の説明

1. optimizer='adam'

  • 役割: 学習アルゴリズムを指定します。この例ではアルゴリズムとしてAdamを使用します。
Adamとは？


Adam（Adaptive Moment Estimation）は、ニューラルネットワークの学習を効率的に進めるための最適化アルゴリズムです。勾配降下法をベースに、学習率をデータの更新状況に応じて動的に調整します。この仕組みで計算効率が良く、学習の収束が速いという特徴があります。

勾配降下法とは？


勾配降下法は、関数の最小値を見つけるための数学的な手法です。損失関数の値を最小化する方向（勾配）に従ってパラメータを調整し、徐々に正しい解に近づけていきます。

2. loss=’binary_crossentropy’

損失関数とは？


損失関数は、モデルの予測と実際の正解データとの差を数値化するための関数です。損失が小さいほど、モデルが正確に学習できていることを示します。損失関数の値を最小化することが学習の目的となります。

※損失関数についての詳細は下記の記事をご参照ください。

システムトレードと機械学習の為の損失関数、基本から
はじめに システムトレードや機械学習の分野では、「損失関数」が使われます。損失関数は、モデルがどれだけ間違っているかを数値で表すために使用されます。この記事では、損失関数の基礎についてわかりやすく解説します。 損失関数とは？ 損失関数とは、...
mqlinvestmentlab.com
2024.11.20
二値分類とは？


二値分類は、データを2つのカテゴリ（例: 「Yes」か「No」）に分ける問題を指します。たとえば、「画像が犬か猫かを分類する」「この商品を買うか買わないかを判断する」といったタスクが二値分類に該当します。

バイナリークロスエントロピーとは？


バイナリークロスエントロピーは、二値分類問題で使われる損失関数の1つです。モデルの予測確率が正解ラベルにどれだけ近いかを評価し、損失を計算します。予測が正解に近いほど損失が小さくなります。

3. metrics=['accuracy']

  • 役割: モデルの評価指標を指定します。この例では正確さ（accuracy）を使います。


正確さ（accuracy）は、全ての予測に対して、正しい予測の割合を示す指標です。予測が正解したデータの数を全データ数で割って計算します。

まとめ

畳み込みニューラルネットワーク（CNN）は、データから重要な特徴を見つけ出し、それを基に判断を行う強力なツールです。この記事では、CNNの基本構造として「畳み込み層」「プーリング層」「平坦化層」「全結合層」の役割を学びました。それぞれが連携し、データを順番に処理することで、最終的な判断が可能になります。

学習では、損失関数を使ってモデルの間違いを測定し、Adamのような効率的なアルゴリズムで正しい答えに近づけていきます。この仕組みを理解すれば、画像認識や金融データ分析といった多くの分野で応用が可能です。

CNNは複雑そうに見えますが、仕組み自体はシンプルです。まずは基本を押さえ、実際にコードを書いて動かしてみることが、理解を深める最善の方法です。重要なのは、試行錯誤しながら使い方を学び、より実践的な活用方法を見つけることです。

スポンサーリンク
タイトルとURLをコピーしました