Die numerische Berechnungsplattform MatLab, mit der auch KI-Anwendungen entwickelt werden können, ist für Privatpersonen erhältlich.
https://jp.mathworks.com/pricing-licensing.html?intendeduse=home&prodcode=ML&fbclid=IwAR0zonp3Hw92OG7K7gv_xNsfmUuq993uUwimw8D2P2FoUafKSbjT08mQ5fI
Ich habe nicht bemerkt, dass es so günstig verkauft wird... Wenn ich es früher entdeckt hätte... Wann hat es die Home-Edition gegeben? Früher gab es nur Versionen, die mehrere Zehntausend YEN kosteten, also haben sich Privatpersonen mit kostenlosen Programmen wie "R" durchgeschlagen. Wenn man aber für etwa 16.000 YEN so etwas nutzen kann, würden alle diese Software wählen. Es ist eine fantastische Software. Wenn man sie intensiv nutzen möchte, ist dieses Gebiet ziemlich schwierig, aber es scheint, dass man sie 30 Tage lang kostenlos testen kann. Ich werde also als ersten, kurzen Anwendungsfall eine einfache Aktienanalyse durchführen, um die Benutzerfreundlichkeit nach langer Zeit wieder zu überprüfen.

■Anpassung (Fitting)
Ich habe ein Lernbeispiel, das ich vor langer Zeit erstellt habe, ausgeführt, und es hat direkt funktioniert. Das ist gut. Da ich mich nicht mehr so gut daran erinnere, muss ich es wieder lernen. Ich glaube, es handelte sich um eine Funktion namens "Fitting", die eine "Analogieschluss"-Verarbeitung für eine periodische Funktion mit Rauschen durchführt und das Ergebnis grafisch darstellt. Die Punkte sind die ursprünglichen Rohdaten, und die Wellenform ist der durch Analogieschluss erstellte Graph. Durch die Anpassung an bekannte Ergebnisse wird die Richtigkeit der Methode überprüft.

■ Bevölkerungsstatistiken
Ein Beispiel, das ich früher für Lernzwecke erstellt habe. Ich habe aus den Bevölkerungsstatistiken eine vage Vorhersage erstellt und sie in einem Diagramm dargestellt.

■Aktienkurs-Approximation
Ich habe versucht, die auf dem Internet verfügbaren Aktienkursdaten der letzten sechs Monate mit einem einfachen Graphen zu approximieren und vorherzusagen, aber es ist offensichtlich, dass das, was ich in etwa einer Stunde gemacht habe, überhaupt nicht nützlich ist. Ich glaube, ich muss noch etwas mehr lernen. Es wäre schön, wenn es eine gute "Theorie" gäbe. Wenn es nur zum Spaß dient, ist es in Ordnung, aber es wäre interessanter, wenn es nützlich wäre.
Blaue Punkte: Tatsächlicher Aktienkurs.
Rote Linie: Approximierter Graph.
Daten: 6754 Anritsu Corporation

Ich habe es jetzt schon einige Stunden lang ausprobiert und damit gespielt.
■ Blaue Punkte: Tatsächliche historische Aktienkurse.
■ Rote Linie: Eine approximierte Grafik der historischen Aktienkurse (links) und eine prognostizierte Grafik für die Zukunft (rechts). Die Annahme ist, dass die zukünftige Prognose nur anhand der Daten der blauen Punkte erstellt wird.
■ Gelb: Die erwartete zukünftige Aktienkurs.
Wenn die rote Grafik für die Zukunft mit den gelben Punkten übereinstimmt, dann ist die Prognose korrekt. Aber natürlich stimmt das nicht sofort perfekt überein. Da die Originaldaten mathematisch ungewöhnliche (ausnahmefreie) Bewegungen aufweisen, entstehen auch in der approximierten Grafik seltsame Ausreißer, die stören.
Wenn man so einfach Aktienkurse vorhersagen könnte, wäre das unglaublich... Dieses Gebiet ist schwierig, aber wenn man es zum Spaß betrachtet, ist dieses Thema sehr anspruchsvoll und interessant. Vielleicht kann etwas Nützliches daraus entstehen (was aber eher unwahrscheinlich ist), und das wäre dann auch gut.
Nun, im Moment ist es ein gutes Thema für meine Nachmittagsbeschäftigung und zum Lernen.
Daten: 6754 Anritsu Corporation.

Es tauchen immer mehr Graphen auf, die für die Aktienanalyse nützlich sein könnten.
■ Der lilafarbene Graph rechts: Voraussage des Aktienkurses
■ Der gelbe Kreis rechts: Tatsächlicher zukünftiger Aktienkurs
Er scheint irgendwie ähnlich zu sein. Je nach Parameter kann es gut oder schlecht laufen, und es gibt also eine gewisse Streuung in der Genauigkeit, aber es ist viel besser geworden als am Abend. Wenn man das mit so wenig Aufwand erstellt und diese Genauigkeit erreicht, ist das schon ziemlich gut.
Ich habe seit einiger Zeit keine Mathematik mehr benutzt, also hatte ich sie vergessen, aber ich habe sie mir durch Ausprobieren nach und nach wieder ins Gedächtnis gerufen. Aber selbst jetzt verstehe ich noch nicht die Formel namens "Gauß-Prozess-Regression", die dies erzeugt. Es ist nicht, dass ich großartig bin, sondern die umfassende Dokumentation von MatLab ist fantastisch. Nun, auch wenn man es nicht versteht, erhält man zumindest eine Antwort, aber um es anzuwenden, muss man wahrscheinlich noch etwas Mathematik wiederholen.
Wenn es gut läuft, werde ich vielleicht ein Hobby-Web-Tool für Aktienprognosen erstellen. (lacht)

Ob ich es wirklich ernst meine, weiß ich nicht, aber ich habe eine einfache Webseite für die Aktienanalyse erstellt, um sicherzustellen, dass Google sie bald erkennt. Solche Projekte sind in der Regel langfristige Angelegenheiten, die Monate oder Jahre dauern können, daher ist es gut, die Webseite erst einmal zu erstellen. Überraschenderweise waren einige relativ kurze Domains verfügbar und konnten registriert werden.
AI-Aktienprognose - https://kabu2u.com
https://kabu2u.com

■AI-LSTM (Long Short-Term Memory Network)
Ich habe LSTM ausprobiert.
MatLab ist unglaublich (obwohl ich den mathematischen Hintergrund noch nicht verstehe). Man kann so etwas einfach erstellen. (Ich habe es noch nicht mit Python ausprobiert, daher kann ich keinen Vergleich anstellen).
Ich bin gerade von meinem Yoga-Kurs zurückgekehrt und wollte vor dem Schlafengehen 30 Minuten damit verbringen, es zu untersuchen und zu experimentieren, aber MatLab ermöglicht es mir, es ohne Probleme und schnell zu erstellen.
Dieses LSTM ist für das Deep Learning gedacht. Es ist also eine Art KI, aber nicht so eine beeindruckende KI wie in Mangas, sondern eher eine Form des maschinellen Lernens.
Der Code wurde direkt aus einer Beispielvorlage übernommen, aber jedes Mal, wenn ich es wiederhole, sind die Ergebnisse unterschiedlich, und es entstehen sowohl "intelligente" als auch "dummere" KI-Modelle. Dieses angehängte Bild zeigt ein Modell, das relativ gute Ergebnisse liefert. Im Hintergrund ist der Bildschirm während des Lernprozesses zu sehen, und der Graph im Vordergrund zeigt die Prognose. Er ähnelt dem tatsächlichen Graphen und ist beeindruckend. Natürlich entstehen manchmal auch "dumme" Modelle, daher ist die Instabilität der Ergebnisse sowohl ein Vor- als auch ein Nachteil des Deep Learning. Wenn ein "gutes" Modell entsteht, bin ich oft überrascht. Ich werde in den nächsten Tagen genauer untersuchen, was im Hintergrund passiert.

Ich versuche, den zweiten Teil der Daten anhand des ersten Teils vorherzusagen. Natürlich ist der Fehler am Ende sehr groß, aber im Bereich der Übergänge ist die Genauigkeit sehr hoch. Die KI ist unglaublich... Ich glaube, das können Menschen nicht übertreffen.

Letzte Woche habe ich nur mit einem Datensatz (nur Schlusskurs) trainiert. Ich habe es also mit einer Kombination aus Eröffnungskurs, Höchstkurs, Tiefstkurs, Schlusskurs und Handelsvolumen ausprobiert, aber es hat sich nicht viel geändert... Eher gesagt, es ist sehr wahrscheinlich, dass ich irgendwo einen Fehler gemacht habe. Ich verstehe es nicht richtig. Ich verstehe die Grundlagen des Deep Learning, aber wenn ich versuche, einen so komplexen Algorithmus wie ein LSTM (Long Short-Term Memory Network) zu verstehen, wird mir ganz schwindelig.

Ich habe Gerüchte gehört, dass Deep Learning sehr viel CPU-Leistung benötigt, sodass ich möglicherweise eine bestimmte Hardware-Komponente kaufen muss. Im Moment habe ich einen Laptop, also werde ich nach USB-Komponenten suchen... Ich kann keine Grafikkarte einbauen.

Hoho. Laut meinem, sagen wir mal, KI-Assistenten, liegt der Aktienkurs von 1332 N derzeit bei 812 und wird voraussichtlich eine Zeit lang seitwärts tendieren. Das ist der rote Bereich oben rechts. Die prognostizierte Aktienkursentwicklung für zwei Wochen beträgt 822, was einem Anstieg von nur 1 % entspricht. Das bedeutet, dass dies kein guter Zeitpunkt zum Kaufen ist. Wenn Sie es jetzt besitzen, sollten Sie es möglicherweise vorübergehend verkaufen und in Bargeld umwandeln. (Bitte glauben Sie das nicht. Ich schreibe das nur zum Spaß. Es ist ein junger, niedlicher KI-Assistent, den ich aus Spaß entwickelt habe. Ich möchte nicht, dass jemand darauf herein fällt und es kauft, und ich übernehme keine Verantwortung dafür.)

Seit gestern Abend scanne ich alle Aktien an der Tokioter Börse. Die Analyse der letzten 360 Tage (maximal) dauert etwa 1 Minute pro Aktie. Ich verwende einen Mac-Laptop mit einem Intel Core i7-Prozessor. Bisher wurden etwa 1200 Aktien analysiert, aber es verbleiben noch 2400. Die statistische Analyse zeigt, dass etwa 10 Aktien ein potenzielles Anstieg von maximal 10 % aufweisen könnten. Die KI schätzt, dass etwa eine von 100 Aktien steigen wird. Die Vorhersagen der KI können jedoch variieren, sodass die gleiche Aktie manchmal als nicht steigerungsfähig vorhergesagt wird. Daher muss die Analyse weiter verfeinert werden. Ich vertraue der KI noch nicht so weit, dass ich ausschließlich auf Basis dieser Ergebnisse Aktien kaufen würde, aber es werden unerwartete Aktien gefunden, und ich kann die gesamte Liste der Aktien an der Tokioter Börse nicht selbst überprüfen, daher ist es sinnvoll, sie für die Verfeinerung zu verwenden. Von den 3600 Zielaktien werden zunächst etwa 30 Aktien als Kandidaten ausgewählt, und diese werden dann weiter auf weniger als 10 Aktien reduziert.

Devisenhandel (FX) wird auch mit KI analysiert. Allerdings wird jede Währung einzeln analysiert, so dass es unklar ist, ob es nützlich ist. Ich werde es vorerst beobachten. Der Devisenhandel ist schließlich schwierig...

Ich lasse auf meinem Heimcomputer eine KI-Aktienanalyse laufen (das dauert). Am Nachmittag gehe ich zum Berg Takao. Die heute Morgen ermittelten Aktien mit der höchsten Erwartung eines Kursanstiegs haben bisher eine mäßige Leistung gezeigt (ich habe sie nicht gekauft), aber es gibt immer noch große Schwankungen. Es könnte eine Methode geben, bei der man jede Aktie in einem Los kauft, die, die fallen, sofort verkauft und nur die, die steigen, behält. Aber letztendlich weiß man nicht, welche steigen wird.

Im Orakel steht: "Glück. Bisher gab es viele Schwierigkeiten, aber jetzt öffnet sich das Glück, Sorgen verschwinden und es ist an der Zeit, dass Dinge erfolgreich sind."
Wird das zutreffen?

In der letzten Woche habe ich einige Aktien gekauft, die von einer KI ausgewählt wurden, als ein Experiment.
Ich habe die Aktien mit Hilfe der KI auf etwa 30 bis 40 reduziert, dann selbst überprüft und auf etwa 10 Aktien reduziert, und einige davon gekauft, deren Charts gut aussahen.
Letzte Woche war der allgemeine Markt gut, daher hatten diese Aktien insgesamt eine "starke Widerstandsfähigkeit und sind nicht stark gefallen. Einige Aktien sind gestiegen", was ein ziemlich gutes Ergebnis war. Es gab zwar keine starken Kurssteigerungen, aber solange man keinen Verlust macht, ist es in Ordnung. Insgesamt stiegen die Aktien in einer Woche um einige Prozent. Das Experiment war also im Großen und Ganzen erfolgreich.
Allerdings ist heute (Montag) der Tokioter Markt aufgrund des US-amerikanischen Marktes abgestürzt, und einige meiner Aktien wurden dadurch mitgerissen und sind wieder auf das Ausgangsniveau zurückgekehrt. Selbst wenn es sich um eine KI handelt, wird man bei einem Absturz mitgerissen... Der allgemeine Markt ist natürlich stärker.
Bisher analysiere ich die Aktien einzeln mit Hilfe der KI, daher kenne ich keine Zusammenhänge mit dem US-amerikanischen Markt. Ich denke, es ist notwendig, der KI auch solche Zusammenhänge beizubringen.
Vielleicht reicht es nicht aus, der KI Zusammenhänge beizubringen, sondern es könnte auch ausreichen, dass die KI den US-amerikanischen Markt separat vorhersagt und, falls sie abends einen Abwärtstrend vorhersagt, ich meine Positionen im Voraus leicht reduziere.
(Dieses Bild hat nichts mit den Aktien zu tun, die ich gekauft habe.)

■Google TPU
Es wurde angegeben, dass die Lieferzeit 3 Wochen betrug, aber es ist tatsächlich in etwa 10 Tagen angekommen. Das war unerwartet schnell.
Es kann nicht in Matlab verwendet werden, also werde ich später damit in Python experimentieren.

■Erster Kontakt mit Python
Da ich Python zum ersten Mal verwende, habe ich bereits in Matlab analysierte Daten eingelesen und in einem Diagramm dargestellt. Es könnte eine Alternative zu Matlab sein. Vielleicht muss ich Matlab nicht kaufen? Wenn ich während der Testphase von Matlab zu Python wechseln kann, werde ich es wahrscheinlich nicht kaufen, aber Matlab ist einfach zu bedienen, daher bin ich mir unsicher, ob ich es kaufen soll. Außerdem kann man damit nicht nur KI-Anwendungen entwickeln. Nur Python unterstützt KI-Chips von Google, die in Matlab nicht verwendet werden können, daher ist die Umstellung auf Python in jedem Fall unerlässlich.
Python hat eine seltsame Syntax, die man in anderen Sprachen nicht findet, oder eine Art Eigenart der Sprache, die interessant oder auch fragwürdig ist, aber es hat den Vorteil, dass Arrays verwendet werden können, was die Nachteile dieser seltsamen Syntax kompensiert. Naja, es ist eine Frage der Gewöhnung.
Außerdem muss ich noch den Hauptteil der KI-Funktionen ersetzen, aber das ist noch nicht geschehen.

Vor kurzem habe ich eine Gauß-Prozess-Regression (Gaussian Process, GP) implementiert, die ich bereits in Matlab durchgeführt habe. In Matlab habe ich einige Parameter ignoriert, aber die Ergebnisse variieren stark, je nach Parameter. Daher habe ich sie zunächst mit den einfachsten Parametern implementiert. Das ist nicht das Hauptthema, da das Hauptthema Künstliche Intelligenz ist, daher ist das in Ordnung. Ich benutze es seit einigen Tagen und bin langsam an Python gewöhnt.

Ein Problem ist, dass Python im Vergleich zu Matlab langsamer ist, sodass die Analyse einige Sekunden dauert. Matlab ist wirklich ausgezeichnet. Es ist üblich, dass Python langsam ist, aber da ich vor kurzem einen KI-Chip gekauft habe, sollte die KI-Analyse in Python schnell sein. Der Chip ist speziell für KI, daher ist es unvermeidlich, dass andere Prozesse langsam sind.

■TensorFlow
Heute habe ich versucht, eine KI-Anwendung mit TensorFlow 2 und Python 3 zu implementieren, aber die meisten Informationen im Internet beziehen sich auf TensorFlow 1, und es gibt nur wenige Beispiele für TensorFlow 2. Ich habe viel ausprobiert und konnte einen Prototyp erstellen, aber die ausgegebenen Werte sind seltsam, und es werden keine korrekten Ergebnisse erzielt. Mit MATLAB konnte ich das in einem Tag schnell erstellen, aber hier wird es wahrscheinlich etwas länger dauern. MATLAB ist einfach benutzerfreundlicher, weil es ein Produkt ist. Ich gewöhne mich auch langsam an Python, aber es ist lästig, dass für jede Bibliothek eigene Regeln und Konvertierungen erforderlich sind.

Apropos, der von Google gekaufte TPU-Chip für KI scheint am besten in Kombination mit einem Raspberry Pi zu verwenden, also richte ich gerade einen Raspberry Pi ein, den ich vorher gekauft und liegen gelassen hatte. Er wird auf unerwartete Weise nützlich sein. Bisher hatte der Raspberry Pi kein Gehäuse, aber da ich ihn wahrscheinlich lange nutzen werde, habe ich ein Gehäuse gekauft. Als ich ihn zum ersten Mal nach langer Zeit eingeschaltet habe, funktionierte er nicht, und als ich versuchte, die Micro SD-Karte herauszuziehen, ist sie zerbrochen, also musste ich eine neue kaufen. Ich habe das Betriebssystem neu installiert. Es ist zwar lästig, aber es gibt nichts anderes zu tun.

■Simulation der Gewinne und Verluste von Aktionären
Eine einfache Simulation der Gewinne und Verluste von Aktionären, dargestellt in einem Diagramm.
Das obere Diagramm zeigt den tatsächlichen Aktienkursverlauf und eine Näherungsformel. Das mittlere Diagramm wurde diesmal hinzugefügt und zeigt, dass Werte über Null Gewinne und Werte unter Null Verluste darstellen. Wenn das Diagramm über Null liegt, bedeutet dies, dass im Durchschnitt alle Aktionäre einen Gewinn erzielt haben, und wenn es unter Null liegt, bedeutet dies, dass im Durchschnitt Verluste entstanden sind. Da wir nicht wissen, wer gekauft oder verkauft hat, wird davon ausgegangen, dass im Durchschnitt alle Aktionäre gehandelt haben. Trotz dieser Annahme entstehen überrasend aussagekräftige Diagramme. Wenn das Diagramm unter Null liegt, bedeutet dies, dass alle Verluste gemacht haben, und wenn es über Null liegt, bedeutet dies, dass alle Gewinne erzielt haben.
Man kann erkennen, dass der Aktienkurs um November 2018 herum gefallen ist, was zu mehr Verlusten führte, und dass sich die Situation jetzt beruhigt hat. Ob man jetzt kaufen sollte oder nicht, lässt sich damit jedoch nicht erkennen. Eher scheint es, dass dies ein Indikator sein könnte, der darauf hindeutet, dass man nicht kaufen sollte. Im April 2018 gab es kaum Schwankungen des Aktienkurses, aber einige Personen erzielten durch eine Erholung Gewinne, aber ansonsten gab es mehr Verluste.
Dies ist keine KI oder maschinelles Lernen, sondern lediglich eine Simulation. Aber es könnte sein, dass solche Simulationen auf subtile Weise nützlich sind.

■ Simulation des stillgelegten Gewinns für Aktionäre
Weitere Analyse. Simulation des stillgelegten Gewinns für Aktionäre und Darstellung in einem Diagramm. Es wird immer ähnlicher.

Mit diesem neuen Diagramm kann man beispielsweise Folgendes feststellen:
■ Obwohl der Aktienkurs sich mehrfach erhöht hat, steigt der (durchschnittliche) stillgelegte Gewinn für alle Aktionäre bis zum Schluss überraschend wenig (①).
■ Beim letzten starken Kursrückgang (②) sinkt der stillgelegte Gewinn aus unerklärlichen Gründen nicht so stark (③). Dies deutet auf eine solide Gewinnrealisierung hin.
■ Beim letzten starken Kursrückgang steigt das Handelsvolumen (④) und gleichzeitig steigt der stillgelegte Gewinn (⑤). Das bedeutet, dass möglicherweise große Investoren die von Kleinanlegern abgegebenen Aktien aufgesammelt haben, um von der anschließenden Erholung zu profitieren.
Dinge, die bisher nicht sichtbar waren, werden sichtbar. Die Analyse ist faszinierend.

Jetzt analysieren wir dieses Wertpapier. Es handelt sich um ein bestimmtes Unternehmen, über das es in den Nachrichten große Aufregung gab, aber der Aktienkurs ist stark gefallen (1.).
Gleichzeitig mit dem Rückgang des Aktienkurses sinken auch die potenziellen Gewinne (geschätzt) (2.). Schließlich erreichte es einen Tiefpunkt und erholte sich (3.). Durch die Erholung sind die potenziellen Gewinne gestiegen (4.), aber gleichzeitig bedeutet, dass die Gewinne und Verluste der Aktionäre negativ sind (5. – alles unterhalb der roten Mittellinie gilt als Verlust), dass die potenziellen Gewinne während der letzten Erholung zwar kurzzeitig gestiegen sind, aber viele Anleger konnten ihre Gewinne nicht realisieren und haben stattdessen ihre Positionen verkauft, um Verluste zu begrenzen. Dies ist natürlich nur eine Interpretation basierend auf einer Simulation.
Es ist nicht gesagt, dass dieses eine Wertpapier alles darstellt, aber es könnte darauf hindeuten, dass die Wahrscheinlichkeit, Geld zu verlieren, bei Versuchen, von einer Erholung zu profitieren, höher ist. Der Graph zeigt deutlich, dass auch bei einer Erholung die durchschnittlichen Aktionäre Verluste erleiden.
Wenn man sich die Erholung von Aktien ansieht, deren Kurs gefallen ist, ist es möglicherweise am besten, sich davon fernzuhalten, zumindest wenn man dies berücksichtigt.
<Dies ist meine eigene Interpretation, und es besteht eine große Wahrscheinlichkeit, dass sie sich von einer allgemeinen Interpretation unterscheidet. Ich bin kein Börsenexperte.>
■Gleitender Durchschnitt
Es wurden Kauf- und Verkaufssignale hinzugefügt, basierend auf der Lage über und unter dem gleitenden Durchschnitt (9 Tage, 25 Tage, 75 Tage).
Dies ist eine direkte Implementierung eines Algorithmus, der in einem Lehrbuch namens "Gleitender Durchschnitt: Ultimative Leseweise und Anwendung" beschrieben ist.
Die Farbe in der Nähe der Signale gibt Folgendes an:
- Dunkelrot: Starkes Kaufsignal
- Dunkelgrün: Starkes Verkaufssignal
- Zwischenfarben: Liegen dazwischen.

Obwohl es sich um eine direkte Umsetzung eines Lehrbuchs handelt, könnte es zu einigen Gewinnen führen, wenn man den Signalen sofort folgt.
Das Grundprinzip ist wichtig...

■MACD
Zeigt den MACD (MACD selbst + Durchschnitt des MACD + Histogramm) an, eine Standardanalyse.
Zeigt außerdem die aktuelle Phase mit einem Label an.
Zeigt auch Linien an, um anzuzeigen, wann sich die Phase geändert hat.

■RCI
Ein neuer Aktienindikator namens RCI wurde hinzugefügt. Bei einem normalen RCI gibt es normalerweise zwei Linien, eine kurzfristige und eine langfristige, aber ich habe ein Histogramm (einen Balkendiagramm) hinzugefügt, das dem Signal des MACD ähnelt, um es leichter verständlich zu machen (die grünen Balkendiagramme im Bereich des RCI sind dies). Es ist erstaunlich, wie gut diese Anzeige in normalen Aktien-Tools fehlt.
Darüber hinaus, da es mühsam ist, sowohl den RCI als auch den MACD zu vergleichen, habe ich einen roten Punkt zwischen ihnen platziert, wenn beide positiv sind, und einen grünen Punkt, wenn beide negativ sind, um die Signale deutlicher darzustellen.
Wenn man sie so nebeneinander betrachtet, kann man den Unterschied zwischen den Signalen der gleitenden Durchschnitte (oberhalb des RCI) und den gerade hinzugefügten Signalen (zwischen dem RCI und dem MACD) erkennen.
Es zeigt, dass es Unterschiede zwischen der langfristigen und der kurzfristigen Analyse gibt. Das ist ziemlich interessant. Die heute hinzugefügten Signale scheinen einigermaßen brauchbar zu sein.

■Kurzfristige Bewegungsgrafiken
Die Grafik zeigt nur die kurzfristigen Preisbewegungen, indem sie den Wert der gleitenden Durchschnittslinie (Trend) vom ursprünglichen Aktienkurs abzieht. Dadurch wird es einfacher, die kurzfristigen Preisbewegungen zu erkennen, ohne durch den Trend beeinflusst zu werden.
(Da die Grafik je nach verwendetem gleitenden Durchschnitt variiert, wird versucht, automatisch die Werte zu erkennen, die tendenziell nebeneinander liegen, und diese anzuzeigen.)
Dies ist beispielsweise eine Grafik, die die Differenz zwischen dem ursprünglichen Aktienkurs und dem Wert der 89-tägigen gleitenden Durchschnittslinie darstellt.
Ursprünglich wollte ich eine Zeitreihenanalyse durchführen, aber da sich dabei keine besonders guten periodischen Merkmale herausstellten, zeige ich hier nur die Grafik, die dabei entstanden ist. Diese Grafik könnte jedoch überraschend nützlich sein.

■Donchans-Regel
Die als „Donchans-Regel“ bekannte Regel, „Kaufen, wenn der Höchstwert der letzten vier Wochen überschritten wird, Verkaufen, wenn der Tiefstwert unterschritten wird“, wurde visualisiert, und es wurde eine Änderung vorgenommen, um eine Beschriftung anzuzeigen, wenn der Schlusskurs des letzten Tages den Schwellenwert überschreitet. Es ist jetzt viel besser lesbar.
Es gibt viele Regeln, aber wenn man nicht überprüft, welche Regel wirklich wirksam ist, kann es zu einer Überlastung mit Signalen kommen, was die Nutzung erschwert.
Ich werde das irgendwann einmal simulieren und überprüfen...

■Simulation
Die Simulation zeigt, ob der Kurs zuerst um 5 % steigt oder fällt, wenn er zum Schlusskurs des Tages gekauft wird, und verwendet dafür rote/grüne Farben.
Damit lässt sich leichter einschätzen, "wo es sich lohnt zu kaufen" und "wo es sich lohnt zu verkaufen".
Es scheint, dass die Histogramme (Balkendiagramme) des RCI als Signal dienen können, je nachdem, ob sie "aufflammen".
Übrigens, dieses Unternehmen, das seit einiger Zeit im Fokus steht. Es ist ein ehemaliges 3D-Grafik-LSI-Unternehmen, das von jeder Frau, die sich für Wellness interessiert, als das Unternehmen bekannt ist, das eine bekannte Kosmetikfirma übernommen hat. Die Aktien sind extrem seltsam. Ein Umsatz von 50 Milliarden Yen bei gleichzeitigem operativen Verlust, eine Marktkapitalisierung von 3,4 Milliarden Yen. Selbst wenn man die Verluste berücksichtigt, ist der Cashflow deutlich positiv, und die "Akquisitionskosten" sind zwar fünf Jahre lang in der Bilanz, aber diese werden in wenigen Jahren auslaufen, und es gibt das Gefühl, dass es in Zukunft aufwärts gehen wird. Wenn der Umsatz auf 50 Milliarden Yen und der Gewinn auf 5 Milliarden Yen steigt, wäre eine Marktkapitalisierung von 3,4 Milliarden Yen unmöglich, und der Wert sollte mindestens auf das Niveau des Gewinns steigen. Normalerweise sollte er ungefähr dem Umsatz entsprechen, sodass ein Höchstwert von 50 Milliarden Yen realistisch wäre. Das könnte ein potenzieller Zehnfach-Gewinner sein. Selbst wenn es nicht so weit kommt, ist eine Verdoppelung zu erwarten, wenn eine Gewinnsteigerung sichtbar wird. Es besteht jedoch die Möglichkeit, dass große Investoren den Kurs noch weiter nach unten treiben könnten. Da der Aktienkurs bereits seltsam ist, wäre ich nicht überrascht, wenn er sich von hier aus noch einmal halbiert. Tatsächlich beobachte ich das Unternehmen seit Ende März und bin mehrmals eingestiegen und ausgestiegen, aber der Kurs ist nach dem Abverkauf zum Ende des Monats, um die Prämien (Gutscheine für Wellness-Behandlungen) zu erhalten, stark gefallen (lacht). Außerdem gab es danach einen großen Abverkauf, der den Kurs um 10 % senkte. Es könnte von hier aus noch weiter fallen, aber nächsten Monat steht die Hauptbilanz an, und Wellness-Behandlungen sind ein Thema, das im Sommer besonders bei Frauen beliebt ist (da es zu mehr Hautexposition kommt, möchten sie zu Wellness-Behandlungen gehen). Dies ist ein interessantes Unternehmen für die nächsten sechs Monate.
→ Aber dann stellte ich fest, dass der Umsatz möglicherweise nur ein Buchhaltertrick ist. Die Ergebnisse wirken etwas fragwürdig.

■Gleichziehen mit Matlab
KI (Deep Learning) wird mit Python + TensorFlow (Version 2) implementiert. Es handelt sich um fast die gleichen Prozesse wie bei Matlab.
Der grün markierte Punkt in der Mitte rechts im Diagramm ist der von der KI vorhergesagte zukünftige Aktienkurs. Die Ergebnisse sind mit Matlab ziemlich ähnlich, also sind die Grundlagen im Wesentlichen gleich.
Anfangs war es schwierig, die für TensorFlow (Version 2) typischen Schreibweisen zu verstehen, so dass die Erstellung schwierig war, aber nachdem ich Beispiele gefunden hatte, konnte ich sie problemlos erstellen. Ich habe noch keinen Google TPU-Chip verwendet, und die Ausführung auf der CPU meines Macs ist natürlich langsam. Wie viel schneller wird es mit einem Google TPU-Chip? Das werde ich ein anderes Mal untersuchen.
Es ist etwas so Einfaches, aber damit gehöre ich jetzt vielleicht zu den KI-Ingenieuren (bitteres Lächeln).

■FX
Ich habe das System so umgebaut, dass es auch den Devisenmarkt (USD) berücksichtigt, um Aktienkurse vorherzusagen. Bis gestern wurde nur der Aktienkurs des jeweiligen Unternehmens (eine Variable) berücksichtigt, jetzt werden Aktienkurs und USD-Devisenmarkt (zwei Variablen) berücksichtigt.
Aber optisch scheint sich das Ergebnis nicht viel zu ändern... Eine Überprüfung ist erforderlich. Es könnte sein, dass es wenig Korrelation gibt. Bei Large-Cap-Aktien an der Tokyo Stock Exchange könnte es vielleicht eine Korrelation geben. Ich werde noch ein paar andere Faktoren hinzufügen.

Als Nächstes wird eine Analyse mit drei Variablen durchgeführt: „Aktienkurs, Handelsvolumen, USD-Wechselkurs (FX)“.
Da wir die Umwandlung von einer Variablen in zwei Variablen bereits beherrschen, ist die Umwandlung in drei Variablen sehr einfach.
Nun, das Aussehen ändert sich nicht wesentlich.
Wie ist die Genauigkeit?
Sollten wir vielleicht den NYSE-Index hinzufügen?



■Google TPU unterstützt keine LSTM-Modelle
Ich habe versucht, den Google TPU-Chip (USB) auf einem Raspberry Pi zum Laufen zu bringen, aber es stellte sich heraus, dass er nicht mit den LSTM- (RNN-)Modellen kompatibel ist, die ich verwenden möchte, und nur die Klassifizierung unterstützt. Das war ziemlich frustrierend, aber ich habe etwas gelernt, also ist es schon in Ordnung. Natürlich ist der Chip günstig. Es ist erstaunlich, dass selbst so ein halbfertiges Spielzeug von Google verkauft wird. Es scheint gut für bestimmte Anwendungen wie die dynamische Objekterkennung zu sein.

・Das Installieren der TensorFlow-Bibliothek dauerte problemlos 30 Minuten oder sogar eine Stunde. Der Raspberry Pi ist unglaublich langsam.
・Standardmäßig ist TensorFlow in Version 1 installiert, und Version 2 muss aus dem Quellcode erstellt werden. Ich habe versucht, eine Build-Umgebung einzurichten, aber das Erstellen des Tools namens Bazel hat über 24 Stunden gedauert, und am Ende stellte sich heraus, dass die neueste Version von Bazel nicht unterstützt wurde, also musste ich Bazel erneut erstellen, was doppelte Arbeit war. Trotzdem funktionierte TensorFlow Version 2 nicht richtig. Das war frustrierend. Nachdem ich es mit dem Standard-Raspberry Pi-Betriebssystem versucht hatte und es nicht funktionierte, habe ich es mit Ubuntu ausprobiert, aber das Ergebnis war das gleiche. Ich musste die doppelte Arbeit wiederholen, aber dann bin ich zum ursprünglichen Betriebssystem zurückgekehrt.
・Da der Raspberry Pi einen ARM-Prozessor hat, funktionieren die standardmäßig für Google TPU verfügbaren Bibliotheken und Docker-Images nicht direkt, sondern nur die für den Raspberry Pi entwickelten Versionen, was die Verwendung erschwert.
・Das Standard-Python im Betriebssystem war Version 3.5, also habe ich zuerst Version 3.7 aus dem Quellcode erstellt, aber da TensorFlow dies nicht unterstützt, habe ich Version 3.6 installiert, was aber kaum eine Verbesserung brachte, also bin ich zur Standardversion 3.5 zurückgekehrt.
・Ich habe vermutet, dass das Problem an den Bibliotheken liegen könnte, also habe ich einige davon aus dem Quellcode erstellt, aber das hat auch nicht funktioniert.
・Letztendlich kam ich zu dem Schluss, dass die Verwendung von TensorFlow über Keras keinen großen Unterschied zwischen Version 1 und Version 2 macht, und ich habe auf meinem Mac überprüft, dass beide Versionen funktionieren.
・Der Google TPU unterstützt selbst keine "Trainings von Grund auf", sondern nur "Feinabstimmung". Es wurde festgestellt, dass man ein Modell auf einem CPU-System erstellen, dann eine spezielle Transformation anwenden und dann auf einer Cloud-Seite eine weitere Transformation anwenden muss, bevor es verwendet werden kann, aber diese Transformation unterstützt die von mir gewünschten LSTM/RNN-Modelle nicht. Das war frustrierend.

Soll ich ein günstiges PC-Set mit einer NVIDIA-GPU kaufen oder mich mit dem aktuellen PC begnügen...?

■AI-Aktienanalyse-Website erstellen
https://kabu2u.com
https://kabu2u.com
Ich habe die AI-Aktienanalyse-Website aktualisiert. Ich werde sie schrittweise mit Aktien mit hoher Volatilität erweitern. Es ist noch unklar, wie detailliert ich sie gestalten soll, daher veröffentliche ich vorerst nur Daten, die älter als zwei Wochen sind. Ich werde noch keine Zukunftsprognosen veröffentlichen. Es wäre lästig, wenn ich Zukunftsprognosen veröffentliche und Beschwerden erhalte. Vielleicht kann ich die Zukunftsprognosen später kostenpflichtig anbieten, wenn die Genauigkeit steigt. Aber im Moment ist die Genauigkeit noch nicht so gut, daher ist dies ein guter Ausgangspunkt.

■Elliott-Wellen-Analyse
Ich versuche mich an der Elliott-Wellen-Analyse (was Elliott-Wellen sind, können Sie selbst recherchieren).
Ich habe versucht, anhand der tatsächlichen Wellenformen zu bestimmen, welche Welle gerade läuft, aber das scheint schwierig zu sein, daher ändere ich meine Vorgehensweise.
Ich möchte die Elliott-Wellen simulieren, die Simulationsergebnisse dem KI-System beibringen und dann Vorhersagen treffen.
Zuerst habe ich die Fibonacci-Zahlen abwechselnd positiv und negativ gemacht und als Diagramm dargestellt (siehe linke obere Abbildung). Da dies zu negativen Werten führt (ein negativer Aktienkurs ist nicht möglich), habe ich die Werte insgesamt linear angehoben, um positive Werte zu erhalten (siehe rechte obere Abbildung). Hmm. Das fühlt sich ein bisschen anders an. Ich habe die Werte nicht nur linear, sondern auch mit einer quadratischen Kurve angehoben (siehe linke untere Abbildung). Das sieht schon eher danach aus, aber es fühlt sich trotzdem irgendwie anders an. Aber da die tatsächlichen Aktienkurse auch oft unvorhersehbare Bewegungen zeigen, ist das vielleicht schon ausreichend.
Ich habe ein Diagramm erstellt und damit Dummy-Aktienkurse generiert, die dann von der KI analysiert wurden. Das Ergebnis dieser Analyse ist das Diagramm unten rechts.
Ich habe der KI diese Daten zum Lernen gegeben, aber wie genau die Vorhersagen in der Praxis sein werden, muss sich erst noch zeigen.



■Aufbau eines speziellen PCs für die KI-Analyse
Ich habe Ubuntu Linux auf einem Notebook (Sub-PC) installiert. Ursprünglich war Windows installiert, aber da es bei der kontinuierlichen Ausführung von KI-Analysen alle paar Stunden zum Einfrieren kam und die Analyse dadurch behindert wurde, habe ich Linux Ubuntu installiert, was unglaublich komfortabel ist. Es scheint, dass die Zeit gekommen ist, in der die Benutzerfreundlichkeit von Linux die von Windows übertrifft. Die neuesten Versionen von Windows sind instabil und langsam, und ich habe das Gefühl, ich würde mir selbst das Leben schwer machen. Da ich für Büroanwendungen WORD/Excel benötige, muss ich Windows verwenden, aber abgesehen davon scheint es, dass Windows für viele Anwendungen unnötig wird. Wenn ich jetzt etwas neu aufbaue, könnte es möglich sein, Windows zu vermeiden, indem ich die Web-Anwendung im Vordergrund betrachte und WORD/Excel/PowerPoint unnötig mache. Ich mag Microsoft grundsätzlich sehr, aber ich war in letzter Zeit sehr frustriert über die Instabilität der neuesten Windows-Versionen. Außerdem ist die Ausführungsgeschwindigkeit unter Linux schneller. Auch der Google TPU-Chip (USB) konnte problemlos verwendet werden.

■ Merkmale werden extrahiert und analysiert.
Ich extrahiere Merkmale, die wahrscheinlich für Menschen relevant sind, und analysiere sie. Je nach Aktie kann die Genauigkeit manchmal recht gut sein.
Da Deep Learning letztendlich die Funktionsweise von Neuronen im Gehirn nachahmt, ist es logisch, dass die Genauigkeit steigt, wenn Merkmale im Voraus als Eingabe aufgeschlüsselt werden. Wenn man sich jedoch darauf spezialisiert, sinkt die Genauigkeit bei Aktien, die nichts mit diesen Merkmalen zu tun haben. Die Aktienanalyse ist grundsätzlich schwierig, daher sollte man vielleicht dankbar sein, wenn man überhaupt Bedingungen findet, die funktionieren.
Wenn ein Merkmal eine Bedeutung hat, verringern sich die Fehler im Deep Learning und es konvergiert. Wenn es jedoch nicht konvergiert, kann es sein, dass die Werte des Merkmals fehlerhaft sind oder dass das Merkmal überhaupt keine Bedeutung hat (!). Diese Erkenntnis ist neuartig und könnte bedeuten, dass Deep Learning Theorien aufdeckt, die in der Welt der Aktien als "selbstverständlich" gelten, aber in Wirklichkeit keine Bedeutung haben. Zum Beispiel wird oft gesagt, dass ein "Goldener Schnitt" (GC) zwischen einem kurzfristigen gleitenden Durchschnitt und einem langfristigen Durchschnitt ein Kaufsignal ist, und ähnliches wird über den MACD-GC gesagt. Tatsächlich könnte es sein, dass es dort keine Bedeutung gibt (!), und das ist das Ergebnis der Deep-Learning-Analyse, "vielleicht".
Der Rest folgt morgen.

■Trendfolge
Da die technische Analyse scheinbar ungenau ist, habe ich eine KI entwickelt, die einfach den Trend verfolgt. Es ist unvermeidlich, dass diese KI anfällig für plötzliche Einbrüche oder starke Anstiege ist, aber in Bezug auf die Trendfolge konnte sie im Vergleich zu bisherigen Methoden relativ gute Ergebnisse liefern. Die dicke rote Linie zeigt die KI-Vorhersage. Vielleicht ist dies die Art von Anwendung, für die eine solche KI von Natur aus besser geeignet ist. Bei der Trendfolge, die für Menschen schnell langweilig werden kann, kann man einfach eine Maschine die Arbeit monoton erledigen lassen.

Bei der technischen Analyse wurden die Eingabewerte verarbeitet und auf verschiedene Weise angepasst, aber diese Trendfolge ist algorithmisch sehr einfach. Wenn die Parameterkombination jedoch nicht optimal ist, funktioniert sie nicht richtig. Es scheint, dass selbst wenn der Algorithmus einfach ist, die Herausforderung, den optimalen Punkt zu finden, eine solche Aufgabe für das Deep Learning geeignet macht.

■AI-Aktienprognose-Website, erste Version
AI-Aktienprognose - https://kabu2u.com
https://kabu2u.com
Die erste Version ist fertiggestellt. Es gibt zwar noch Möglichkeiten, die Modelle zu überarbeiten oder mehr Rechenleistung für eine tiefere Analyse einzusetzen, aber unter Berücksichtigung des Kosten-Nutzen-Verhältnisses scheint dies vorerst ein guter Ausgangspunkt zu sein. Es gibt noch viele Ideen, die es wert sind, ausprobiert zu werden. Ich habe im März mit MATLAB angefangen und bin dann zu Python+Tensorflow übergegangen. Für die Entwicklung in zwei Monaten und einem halben Jahr ist es insgesamt ein gutes Ergebnis. Ein Monat wurde für verschiedene Experimente verwendet, ein weiterer Monat und ein halber für die Anpassung an die Website und verschiedene Modifikationen. Die Genauigkeit ist noch nicht ausreichend, aber die Analyse wurde bisher aufgrund von Zeitbeschränkungen unterbrochen, und wir werden sehen, wie sich die Genauigkeit im Laufe der Zeit verbessert. Wenn die Genauigkeit nicht ausreicht, werden wir in Zukunft weitere, zeitaufwändige Verbesserungen vornehmen, wie z. B. die Vergrößerung der Modelle. Im Wesentlichen ist das Grundgerüst jedoch fertiggestellt. Derzeit ist die Anzeige sehr einfach, und es sind schrittweise weitere Elemente geplant.

■Hinzufügen von Unterstützungs-Linien
Es wurden Unterstützungs-Linien hinzugefügt, unter der Annahme, dass die Aktie am Tag nach dem Prognosetag zum Eröffnungspreis gekauft wird. Dies verbessert die Lesbarkeit.

■Kerzencharts
Von einem Liniendiagramm der Schlusskurse zu normalen Kerzencharts. Das muss einfach so sein, sonst sieht es nicht danach aus.



■ Airtrade
Ich habe ein Airtrade-System implementiert. Wenn ich das sehe, sollte ich eigentlich mehr Gewinn machen, aber vielleicht ist es so, dass ich nicht in der Lage bin, es maschinell zu handeln, und meine Emotionen dabei eine Rolle spielen, was meine Ergebnisse beeinträchtigt.

■ Algorithmus-Überprüfung
Ich habe den Airtrade-Algorithmus überarbeitet. Auf der Startseite werden die Ergebnisse aller Airtrades für alle Aktien angezeigt.

■ Airtrade mit "perfekter" Order
Ich habe einen Airtrade mit den Bedingungen durchgeführt, die umgangssprachlich als "perfekte Order" bezeichnet werden, basierend auf kurz-, mittel- und langfristigen Linien, und das Ergebnis war nicht gut. Vielleicht liegt das daran, dass die aktuelle Marktlage schlecht ist, oder es könnte sein, dass es sich um eine technische Analyse handelt und es sich um eine nachträgliche Rechtfertigung handelt, möglicherweise eine urbane Legende.
Gewinn- und Verlust-Durchschnitt: +0,5 %, kumuliert: +0,6 %.

■ Algorithmus-Vergleich
Ich habe eine Simulation eines Algorithmus durchgeführt, der kauft, wenn der Eröffnungspreis am nächsten Tag um einige Prozent unter dem Schlusskurs des Vortags liegt, und eines Algorithmus, der kauft, wenn der Eröffnungspreis mindestens dem Schlusskurs des Vortags entspricht. Aus menschlicher Sicht scheint der erste Algorithmus, der "billiger kauft", bessere Ergebnisse zu erzielen, aber in Wirklichkeit gewinnt der zweite. Aktien haben tendenziell die Eigenschaft, weiter zu steigen, wenn sie steigen, und weiter zu fallen, wenn sie fallen, daher ist dieses Ergebnis verständlich.
Der durchschnittliche Gewinn- und Verlust-Wert beträgt jeweils +2,0 % bzw. +0,9 %, was möglicherweise ein Fehler ist.

■ Rechenfehler beim Airtrade
Ich habe einen Rechenfehler beim Airtrade gemacht. Ja. Ich hatte das Gefühl, dass die Ergebnisse zu gut waren. Die neuen Ergebnisse sind wie folgt: ungefähr -1 %.
Obwohl die Marktlage seit Anfang des Jahres sehr schlecht ist, ist ein Gewinn- und Verlust-Wert von -1 % ein Zeichen dafür, dass ich mich anstrenge. Ich hoffe, dass es positiv wird, wenn sich die Marktlage erholt.

Airtrade 1 [Durchschnitt aller Aktien] Gewinn: +0,1 % (gewichteter Durchschnitt, Schwerpunkt auf dem aktuellen Zeitraum) -0,1 % (Durchschnitt, gesamter Zeitraum), kumuliert: -1,3 % (gesamter Zeitraum).
Airtrade 2 [Durchschnitt aller Aktien] Gewinn: -0,8 % (gewichteter Durchschnitt, Schwerpunkt auf dem aktuellen Zeitraum) -0,7 % (Durchschnitt, gesamter Zeitraum), kumuliert: -1,5 % (gesamter Zeitraum).
Airtrade 3 [Durchschnitt aller Aktien] Gewinn: -0,8 % (gewichteter Durchschnitt, Schwerpunkt auf dem aktuellen Zeitraum) -0,7 % (Durchschnitt, gesamter Zeitraum), kumuliert: -1,6 % (gesamter Zeitraum).
Airtrade 4 [Durchschnitt aller Aktien] Gewinn: -0,8 % (gewichteter Durchschnitt, Schwerpunkt auf dem aktuellen Zeitraum) -0,7 % (Durchschnitt, gesamter Zeitraum), kumuliert: -2,2 % (gesamter Zeitraum).
Airtrade 5 [Durchschnitt aller Aktien] Gewinn: -0,1 % (gewichteter Durchschnitt, Schwerpunkt auf dem aktuellen Zeitraum) -0,1 % (Durchschnitt, gesamter Zeitraum), kumuliert: -0,8 % (gesamter Zeitraum).

■ Die Marktlage ist wirklich wichtig
Da die Marktlage heute gut war, bin ich wieder im Plus. Ich muss es so umbauen, dass es unabhängig von der Marktlage im Plus bleibt.

AirTrade 1 [Durchschnitt aller Zielaktien] Gewinn/Verlust: +0,5% (gewichteter Durchschnitt, Schwerpunkt auf aktuelle Daten) +0,1% (Durchschnitt, gesamter Zeitraum) Kumulierte Rendite: -0,0% (gesamter Zeitraum)
AirTrade 2 [Durchschnitt aller Zielaktien] Gewinn/Verlust: +0,4% (gewichteter Durchschnitt, Schwerpunkt auf aktuelle Daten) +0,2% (Durchschnitt, gesamter Zeitraum) Kumulierte Rendite: -0,1% (gesamter Zeitraum)
AirTrade 3 [Durchschnitt aller Zielaktien] Gewinn/Verlust: +0,1% (gewichteter Durchschnitt, Schwerpunkt auf aktuelle Daten) -0,0% (Durchschnitt, gesamter Zeitraum) Kumulierte Rendite: -0,5% (gesamter Zeitraum)
AirTrade 4 [Durchschnitt aller Zielaktien] Gewinn/Verlust: +0,4% (gewichteter Durchschnitt, Schwerpunkt auf aktuelle Daten) +0,2% (Durchschnitt, gesamter Zeitraum) Kumulierte Rendite: -0,0% (gesamter Zeitraum)
AirTrade 5 [Durchschnitt aller Zielaktien] Gewinn/Verlust: -0,3% (gewichteter Durchschnitt, Schwerpunkt auf aktuelle Daten) -0,4% (Durchschnitt, gesamter Zeitraum) Kumulierte Rendite: -1,4% (gesamter Zeitraum)

■KI ist immer noch eine Blackbox
Ich habe angefangen, Vorhersagen zu erkennen, die irgendwie dazu passen, aber es gibt auch offensichtlich falsche Ergebnisse. Aber selbst wenn ich (als Mensch) denke, dass etwas falsch ist, sind die tatsächlichen Aktienkurse noch unverständlicher, so dass man vielleicht sagen könnte, dass es sich um etwas handelt, das das Verständnis übersteigt. Das Problem bei KI und Deep Learning ist, dass die Zwischenergebnisse eine Blackbox sind und nicht verstanden werden können. Es ist schwierig, zu erklären, warum solche Ergebnisse erzielt werden. Es gibt zwar eine grundlegende Logik, mit der man das erklären kann, aber es ist für die KI schwierig, detailliert zu erklären. Daher ist es wichtig, die Ergebnisse mit der Realität zu vergleichen und zu sehen, ob sie stimmen. Es scheint, dass die allgemeine Richtung stimmt, aber der Zeitpunkt, wann etwas steigt oder fällt, ist schwach. Vielleicht ist es besser, die KI-Ergebnisse für die allgemeine Richtung zu verwenden und den Zeitpunkt von einem Menschen anpassen zu lassen.

Trotzdem, wenn man so etwas entwickelt, gibt es in Unternehmen oft Leute, die sagen: "Das ist nicht nur deine Leistung", und versuchen, sich einen Teil der Leistung anzueignen oder fordern einen Anteil, und es gibt viele Leute, die sich negativ äußern, versuchen, meinen Beitrag herabzusetzen und mich zu behindern. Wenn man es alleine macht, ist es viel einfacher, weil es niemanden gibt, der sich einmischt oder auf externe Hilfe angewiesen ist, und alles, was man geschaffen hat, ist offensichtlich. Es gibt keine Leute, die sich negativ äußern, versuchen, sich einen Teil der Leistung anzueignen oder einen Anteil fordern, also ist es sauber und gut. In Unternehmen wird oft mehr Wert darauf gelegt, wenn zehn Personen etwas gemeinsam erstellt haben, als wenn eine Person es alleine erstellt, was ein Widerspruch ist. Aus Kosteneffizienzgründen wäre es zehnmal besser, wenn eine Person etwas erstellt, aber es wird mehr Wert darauf gelegt, wenn zehn Personen viel Geld für die Erstellung des gleichen Produkts ausgeben. Vorgesetzte, die sich nicht mit IT auskennen, verstehen wahrscheinlich nicht, dass etwas von einer Person erstellt werden kann. Weil sie sich nicht mit IT auskennen, glauben sie leicht großartigen Behauptungen und selbstbewussten Menschen. Weil sie sich nicht mit IT auskennen, beurteilen sie eher anhand der Anzahl der Personen als anhand der Ergebnisse. Solche Unternehmen könnten in der globalen Konkurrenz zurückbleiben. IT-Experten würden wahrscheinlich nicht lange in solchen Unternehmen bleiben. Ich hoffe, dass es nicht nur solche Unternehmen gibt. Letztendlich scheint es, dass die Führung die Anzahl der Personen betrachtet, anstatt die Technologie oder die Ergebnisse zu verstehen. Die IT-Branche ist immer noch eine Gesellschaft, in der "Personenmonate" gezählt werden, und Auftragsentwicklung ist nicht so, dass man profitabel ist, wenn man sie effizient erstellt, sondern eine "Zeremonie", bei der man viel Geld für Kunden ausgibt, die nicht viel über IT wissen, und man damit Geld verdient. Es ist unwahrscheinlich, dass man für Ergebnisse bezahlt wird. Deshalb mag ich keine Auftragsentwicklung, sondern vertraue nur auf Unternehmen oder Einzelpersonen, die selbst ein Unternehmen gründen und die IT für sich selbst nutzen. Nun, vielleicht ist die IT-Branche, die nur auf Ergebnisse basiert, für viele Menschen eine Sackgasse, aber sie ist auch ein Bereich, in dem viele Menschen arbeiten können.



■ Airtrade-Überwachung
Der aktuelle Durchschnitt von Airtrade 4 liegt bei +4,3 %. Die Anzahl der überwachten Titel hat 300 überschritten. Es könnte sich um einen reinen Zufall oder Glück handeln, daher beobachten wir die Situation weiterhin.
Das Training des KI-Modells wird selbstverständlich fortgesetzt. Wir nehmen täglich kleine Anpassungen vor.

■ 5 Siege, 1 Niederlage
Der Airtrade, basierend auf den Analyseergebnissen von vor kurzem, hatte 5 Siege und 1 Niederlage. Das ist nicht schlecht. Da es sich um einen Airtrade handelt, habe ich es natürlich nicht tatsächlich gekauft.

Am selben Tag war es noch verrückter. Wow. Es ist ein Air Trein.

■OCR
Ich werde es nicht kaufen, aber Sansan könnte ein legendäres IPO werden. Ein Unternehmen, das mit Verlusten an die Börse geht, einen geringen Umsatz hat, aber eine Marktkapitalisierung von 1200 Millionen Yen hat – ein sehr fragwürdiges Börsenunternehmen.
Eine einfache Berechnung der Dividendenrendite von Sansan, basierend auf optimistischen Annahmen. Wenn das Unternehmen tatsächlich so wächst, wie der Präsident sagt, dann wäre das möglich. Wenn es wie bei den mobilen Zahlungen in eine Zeit des Wettbewerbs eintritt, wäre ein kontinuierlicher Kursverfall sehr wahrscheinlich. Technisch gesehen ist es leicht zu kopieren, und es ist hauptsächlich eine Frage des Marketings. Es hängt davon ab, wie die großen Unternehmen reagieren. Wenn man sich diese Gewinnmarge ansieht, könnte man auch Lust haben, einzusteigen.

Sansan liest doch nur Visitenkarten mithilfe von OCR aus. So etwas kann man doch nicht an die Börse bringen und damit viel Geld verdienen. Die Idee, mit Marketing eine Monopolstellung zu erlangen und dadurch viel Geld zu verdienen, ist ähnlich wie bei Amazon. Ich könnte mal ein beliebtes KI-Textscan-Programm erstellen und damit spielen. Und dann ein "Sansan-kompatibles" Programm entwickeln, um die Kunden komplett zu übernehmen (lacht). Das wäre wahrscheinlich zu viel. Ich werde mir erst einmal ein Programm erstellen, das Schriftzeichen aus Bildern ableiten kann.

So habe ich nach Sansan im Internet gesucht, und es stellte sich heraus, dass eine Genauigkeit von 100 % erforderlich ist, damit es sich verbreitet. Das ist ein typisch japanisches Problem. Es scheint ziemlich kompliziert zu sein. Vielleicht ist das ein Differenzierungsmerkmal, aber ich glaube nicht, dass die Leute auf der ganzen Welt so eine Genauigkeit erwarten.
Im Grunde genommen könnten Visitenkarten auch ganz verschwinden.

Google hat eine Open-Source-OCR-Software, also werde ich sie vielleicht irgendwann mal ausprobieren.

■ Danach
Das Training des KI-Modells wurde tagelang fortgesetzt, wobei ich ständig kleine Anpassungen vorgenommen habe, und die Website ist weiterhin online. Ich kann der schlechten Marktlage nicht standhalten, daher sind die Betriebsergebnisse eher schlecht. Wenn die Marktlage gut ist, sind es etwa 1 %, aber wenn die Marktlage schlecht ist, sind es minus. Vielleicht sollte man es nur in guten Marktphasen einsetzen. Es ist schwer, es so zu verwenden, wie es ist, aber es ist zu anstrengend, alle Wertpapiere selbst zu scannen, daher ist es sinnvoll, es als eine Methode zur gewissen Vorauswahl zu verwenden.

Erstellungszeitraum:
Mitte März 2019: Matlab heruntergeladen und Experimente begonnen
Anfang April: Erster Versuch mit Python
Ende April: Erste Version der KI-Analyse-Website fertiggestellt
Ende Mai: KI-Analyse-Website fast fertiggestellt
Danach wurde das Modell auf einem speziellen PC ständig trainiert. Die Feinabstimmung erfolgte laufend.