Platform komputasi numerik yang juga mendukung AI, yaitu MatLab, kini tersedia untuk penggunaan pribadi.
https://jp.mathworks.com/pricing-licensing.html?intendeduse=home&prodcode=ML&fbclid=IwAR0zonp3Hw92OG7K7gv_xNsfmUuq993uUwimw8D2P2FoUafKSbjT08mQ5fI
Saya tidak menyadari bahwa produk ini dijual dengan harga yang sangat murah.
Seandainya saya menyadarinya lebih awal...
Kapan edisi Home ini muncul? Dulu, hanya ada versi yang harganya puluhan ribu yen, jadi orang pribadi biasanya menggunakan "R" yang gratis.
Namun, jika perangkat lunak ini bisa digunakan dengan harga sekitar 16.000 yen, semua orang pasti akan memilihnya. Ini adalah perangkat lunak yang luar biasa.
Bidang ini sangat sulit jika ingin mempelajarinya secara mendalam, tetapi sepertinya ada masa percobaan gratis selama 30 hari, jadi saya akan mencoba menggunakannya lagi, mungkin dengan analisis harga saham sederhana sebagai contoh singkat.

■ Fitting
Saya menjalankan contoh pembelajaran yang saya buat dulu, dan ternyata berfungsi dengan baik.
Karena saya tidak terlalu mengingatnya, saya perlu mempelajarinya lagi. Seingat saya, ini adalah contoh penggunaan fungsi "fitting" untuk memproses fungsi periodik dengan noise dan menampilkan grafiknya.
Titik-titik tersebut adalah data mentah, sedangkan gelombang adalah grafik yang dihasilkan oleh proses "fitting".
Dengan melakukan "fitting" pada data yang jawabannya sudah diketahui, kita dapat memverifikasi kebenaran metode yang digunakan.

■ Demografi
Ini adalah contoh yang saya buat dulu untuk keperluan pembelajaran. Saya menggunakan data demografi untuk membuat prediksi tentang masa depan dan menampilkannya dalam bentuk grafik.

■ Pendekatan Harga Saham
Saya mencoba membuat grafik sederhana untuk mendekati dan memprediksi data harga saham selama setengah tahun yang saya temukan di internet. Namun, karena saya hanya bermain-main selama sekitar satu jam, hasilnya sama sekali tidak berguna. Sepertinya saya perlu belajar lebih banyak. Akan lebih baik jika ada "teori" yang bagus. Jika hanya untuk bersenang-senang, ini sudah cukup baik, tetapi akan lebih menarik jika bisa digunakan.
Titik biru: Harga saham sebenarnya. Garis merah: Grafik yang didekati.
Data: 6754 Anritsu Corporation.

Saya sudah mencoba mengutak-atik dan bermain dengannya selama beberapa jam.
■ Titik biru: Harga saham historis yang sebenarnya.
■ Garis merah: Grafik aproksimasi harga saham historis (sisi kiri) dan grafik prediksi masa depan (sisi kanan). Ini berasumsi bahwa prediksi masa depan hanya menggunakan data titik biru.
■ Kuning: Jawaban untuk harga saham di masa depan.
Jika grafik merah di masa depan sesuai dengan lingkaran kuning, berarti prediksinya akurat, tetapi tentu saja, tidak mungkin langsung sesuai dengan sempurna. Karena data aslinya memiliki pola yang aneh (ekstrim), grafik aproksimasi juga memiliki "kumis" yang aneh dan mengganggu.
Jika prediksi harga saham bisa dilakukan dengan mudah seperti itu, itu akan sangat luar biasa... Bidang ini sulit, tetapi jika hanya untuk bersenang-senang, topik ini memiliki tingkat kesulitan yang tinggi dan menarik. Mungkin, jika sesuatu yang berguna muncul (meskipun jarang terjadi), itu bisa digunakan.
Bagaimanapun, ini adalah topik yang bagus untuk hiburan dan pembelajaran sore hari ini.
Data: 6754 Anritsu Corporation.

Grafik yang terlihat berguna untuk analisis harga saham mulai muncul.
■ Grafik ungu di sebelah kanan: Harga saham yang diprediksi
■ Lingkaran kuning di sebelah kanan: Harga saham aktual di masa depan
Entah kenapa, mereka terlihat mirip. Akurasi bervariasi tergantung pada parameter, terkadang berhasil dan terkadang salah, tetapi hasilnya jauh lebih baik dibandingkan sore hari. Jika dibuat dengan cepat dan menghasilkan akurasi seperti ini, menurut saya ini cukup bagus.
Saya sudah lama tidak menggunakan matematika, jadi saya melupakannya, tetapi saya perlahan-lahan mengingatnya melalui uji coba dan kesalahan. Meskipun begitu, saya belum memahami rumus "regresi proses Gaussian" yang menghasilkan ini. Bukan karena saya hebat, tetapi karena dokumentasi MatLab yang sangat lengkap. Yah, meskipun tidak memahaminya, setidaknya hasilnya akan keluar, tetapi untuk menggunakannya lebih lanjut, saya mungkin perlu belajar matematika lagi.
Jika berhasil, mungkin saya akan membuat situs web prediksi harga saham sebagai hobi? (Tertawa)

Saya tidak yakin apakah saya akan melakukannya dengan sungguh-sungguh, tetapi saya membuat situs web analisis harga saham dengan tampilan sederhana di halaman utama agar Google mengenalinya lebih cepat. Hal seperti ini biasanya membutuhkan waktu berbulan-bulan atau bertahun-tahun, jadi sebaiknya buat saja situs webnya. Anehnya, ada beberapa nama domain pendek yang tersedia dan bisa saya dapatkan.
Prediksi Harga Saham AI - https://kabu2u.com
https://kabu2u.com

■ LSTM (long short-term memory network) AI
Saya mencoba LSTM.
MatLab sangat luar biasa (meskipun saya belum memahami isinya). Saya bisa membuat hal seperti ini dengan mudah. (Saya belum mencoba ini di Python, jadi saya tidak bisa membandingkannya).
Saya baru saja pulang dari yoga, dan saya berpikir untuk mencoba dan bereksperimen dengan cepat selama 30 menit sebelum tidur. Tapi, MatLab sangat luar biasa karena saya bisa membuatnya dengan cepat tanpa merasa kesulitan.
LSTM ini digunakan untuk melakukan pembelajaran mendalam (deep learning). Ini adalah AI, tetapi bukan AI yang hebat seperti Atom di manga, melainkan lebih merupakan pembelajaran mesin seperti ini.
Kode yang saya gunakan diambil langsung dari contoh, tetapi setiap kali saya menjalankannya, hasilnya berbeda, terkadang menghasilkan AI yang cerdas dan terkadang menghasilkan AI yang kurang cerdas. Gambar yang terlampir ini terlihat memiliki hasil yang cukup baik. Latar belakangnya adalah tampilan saat proses pembelajaran, dan grafik di bagian depan adalah bagian "Forecast" yang menunjukkan prediksi. Grafik ini sangat mirip dengan grafik sebenarnya, dan itu luar biasa. Namun, terkadang menghasilkan AI yang kurang cerdas, jadi ketidakstabilan hasil adalah bagian baik dan buruk dari pembelajaran mendalam (deep learning). Ketika menghasilkan AI yang baik, saya akan sangat terkejut. Saya mungkin akan melihat lebih detail tentang apa yang terjadi di dalamnya mulai besok.

Saya akan mencoba memprediksi bagian belakang data berdasarkan bagian awal. Tentu saja, ada kesalahan yang besar di bagian akhir, tetapi akurasinya sangat tinggi di sekitar titik sambungan. Kecerdasan buatan itu luar biasa... Rasanya manusia tidak bisa mengalahkan ini.

Kemarin, saya hanya menggunakan satu data (hanya harga penutupan) untuk pelatihan. Saya mencoba menggunakan kombinasi harga pembukaan, harga tertinggi, harga terendah, harga penutupan, dan volume dalam pembelajaran mendalam, tetapi hasilnya tidak banyak berubah... Atau, kemungkinan besar ada yang salah pada saya. Saya belum sepenuhnya memahaminya. Jika hanya tentang teori dasar pembelajaran mendalam, mungkin tidak masalah, tetapi mencoba memahami algoritma yang rumit seperti LSTM (long short-term memory network) membuat kepala saya pusing.

Saya sudah mendengar tentang ini, tetapi pembelajaran mendalam membutuhkan banyak daya CPU, jadi mungkin saya perlu membeli chip perangkat keras. Sekarang saya menggunakan laptop biasa, jadi saya akan mencari chip USB... Karena saya tidak bisa memasang kartu grafis.

Hoho. Menurut AI saya yang masih belajar, harga saham N 1332 saat ini berada di 812 dan diperkirakan akan bergerak sideways untuk sementara waktu. Bagian garis merah di kanan atas. Prediksi harga saham 2 minggu mendatang adalah 822, jadi hanya naik 1%. Dengan demikian, ini mungkin bukan waktu yang tepat untuk membeli. Jika Anda sudah memilikinya, mungkin ini saat yang tepat untuk menjualnya dan mengubahnya menjadi uang tunai. (Jangan percaya. Saya menulis ini sebagai lelucon. Ini adalah AI yang baru lahir dan saya lakukan sebagai hobi. Saya akan kesulitan jika ada yang mempercayainya dan membeli berdasarkan ini, dan saya tidak bertanggung jawab.)

Mulai tadi malam, saya telah memindai seluruh saham yang terdaftar di Bursa Efek Tokyo. Analisis selama maksimal 360 hari membutuhkan waktu sekitar 1 menit per saham. Saya menggunakan komputer Mac dengan prosesor Intel Core i7. Saat ini, sekitar 1200 saham telah selesai, tetapi masih ada 2400 saham yang tersisa. Berdasarkan analisis statistik, sekitar 10 saham menunjukkan potensi kenaikan hingga maksimal 10%. Kecerdasan buatan (AI) memperkirakan bahwa hanya sekitar 1 dari 100 saham yang akan naik. Namun, karena prediksi AI memiliki tingkat ketidakpastian, terkadang hasil yang sama untuk saham yang sama dapat berbeda-beda. Oleh karena itu, perlu dilakukan penyaringan lebih lanjut. Saya belum sepenuhnya mempercayai AI, sehingga saya belum siap untuk membeli saham secara mekanis hanya berdasarkan hasil ini. Namun, AI terkadang dapat mengungkap saham-saham yang tidak terduga, dan saya tidak mungkin memeriksa seluruh saham yang terdaftar di Bursa Efek Tokyo sendiri. Oleh karena itu, saya merasa penggunaan AI untuk penyaringan adalah hal yang wajar. Target saya adalah menyaring 3600 saham menjadi sekitar 30 saham sebagai kandidat, kemudian mempersempitnya lebih lanjut menjadi 10 saham atau kurang.

Analisis valuta asing (FX) juga menggunakan AI. Namun, karena analisis dilakukan untuk setiap mata uang, belum tentu hasilnya berguna. Untuk saat ini, saya akan mengamatinya saja. Karena perdagangan valuta asing itu sulit...

Saya menjalankan analisis harga saham menggunakan AI di komputer rumah (memakan waktu), dan siang harinya saya pergi ke Gunung Takao. Daftar saham dengan potensi kenaikan tertinggi yang muncul hingga pagi ini menunjukkan hasil yang lumayan (tetapi saya belum membelinya), tetapi masih ada banyak variasi. Mungkin ada metode untuk membeli setiap saham dalam jumlah minimum, menjual yang turun dengan cepat, dan hanya mempertahankan yang naik. Pada akhirnya, tidak ada yang tahu saham mana yang akan naik.

Ramalan: "吉 (Baik). Meskipun ada banyak kesulitan sejauh ini, akhirnya keberuntungan terbuka, kekhawatiran hilang, dan segala sesuatu akan berhasil."
Apakah ramalan ini akan benar, ya?

Selama satu minggu terakhir, saya mencoba membeli saham yang telah difilter oleh AI sebagai eksperimen.
Setelah AI mempersempit menjadi sekitar 30 saham, saya memeriksanya sendiri dan mempersempitnya menjadi sekitar 10 saham, lalu membeli beberapa saham yang memiliki grafik yang bagus.
Karena kondisi pasar minggu lalu cukup baik, saham-saham tersebut menunjukkan hasil yang "cukup stabil dan tidak terlalu turun. Beberapa saham mengalami kenaikan." Meskipun tidak ada kenaikan yang signifikan, setidaknya saya tidak mengalami kerugian, jadi hasilnya lumayan. Secara keseluruhan, kenaikannya sekitar beberapa persen dalam satu minggu. Sebagai eksperimen, hasilnya cukup baik.
Namun, hari ini (Senin), pasar Tokyo jatuh karena terpengaruh oleh pasar New York, sehingga sebagian saham yang saya beli ikut terpengaruh dan kembali ke posisi semula. Tentu saja, bahkan AI pun tidak bisa menghindari penurunan pasar... Kondisi pasar memang lebih berpengaruh, yang mana sudah bisa diprediksi.
Saat ini, analisis AI dilakukan secara individual untuk setiap saham, sehingga tidak ada informasi tentang hubungan dengan pasar New York. Saya pikir perlu untuk mengajarkan hal ini kepada AI.
Mungkin tidak perlu mengajarkannya untuk mengingat hubungan, tetapi cukup dengan meminta AI untuk memprediksi pasar New York secara terpisah, dan jika diperkirakan akan turun pada malam hari, mengurangi posisi terlebih dahulu.
(Gambar ini tidak terkait dengan saham yang saya beli.)

■Google TPU
Tertulis bahwa waktu pengiriman adalah 3 minggu, tetapi sebenarnya tiba dalam sekitar 10 hari. Ternyata lebih cepat dari yang diperkirakan. Karena tidak bisa digunakan di Matlab, nanti akan saya coba gunakan dengan Python.

■Pengalaman Pertama dengan Python
Karena ini adalah pengalaman pertama saya dengan Python, saya mencoba membaca data yang sudah dianalisis dengan Matlab dan menampilkannya dalam bentuk grafik. Sepertinya Python bisa menjadi alternatif untuk Matlab. Mungkin saya tidak perlu membeli Matlab? Jika saya bisa beralih ke Python selama masa percobaan Matlab, mungkin saya tidak akan membelinya. Namun, Matlab mudah digunakan, jadi saya masih ragu apakah akan membelinya atau tidak. Selain AI, Matlab juga bisa digunakan untuk hal lain. Hanya Python yang bisa menggunakan chip AI buatan Google, dan tidak bisa digunakan dengan Matlab. Oleh karena itu, migrasi ke Python adalah suatu keharusan.
Python memiliki sintaks yang aneh atau kebiasaan bahasa yang jarang terlihat pada bahasa lain, yang bisa dibilang menarik atau kurang memuaskan. Namun, karena Python memiliki keunggulan dalam penggunaan array, kekurangan dari sintaks yang aneh itu bisa diatasi. Yah, mungkin hanya masalah kebiasaan.
Selain itu, bagian utama AI perlu diganti, tetapi itu masih dalam tahap perencanaan.

Baru-baru ini, saya mengimplementasikan analisis regresi proses Gaussian (Gaussian Process, GP) di Python, yang sebelumnya saya lakukan di Matlab. Kali ini, karena hasilnya sangat berbeda tergantung pada parameter, saya mengimplementasikan dengan parameter yang paling sederhana. Ini bukan topik utama, karena topik utama adalah AI, jadi ini sudah cukup. Saya sudah menggunakannya selama beberapa hari, dan saya mulai terbiasa dengan Python.

Satu-satunya kesulitan adalah kecepatan eksekusi Python yang lebih lambat dibandingkan Matlab, sehingga analisis membutuhkan waktu beberapa detik. Matlab memang sangat unggul. Sepertinya sudah menjadi kebiasaan bahwa Python lebih lambat, tetapi karena chip AI yang baru saya beli seharusnya membuat analisis AI menjadi cepat, jadi seharusnya tidak masalah menggunakan Python. Karena chip ini khusus untuk AI, kecepatan pemrosesan lainnya mungkin lebih lambat, dan itu tidak bisa dihindari.

■TensorFlow
Hari ini, saya mencoba mengimplementasikan AI dengan TensorFlow 2+Python 3, tetapi sebagian besar informasi di internet adalah tentang TensorFlow 1, dan contoh untuk TensorFlow 2 sangat sedikit. Saya mencoba dan melakukan kesalahan, dan akhirnya berhasil membuat prototipe, tetapi nilai yang dihasilkan terasa aneh, dan tidak memberikan jawaban yang benar. Dulu, saat menggunakan Matlab, saya bisa membuatnya dengan cepat dalam satu hari, tetapi sepertinya ini akan membutuhkan waktu lebih lama. Memang benar, Matlab sangat mudah digunakan karena merupakan produk. Saya juga mulai terbiasa dengan Python, jadi sepertinya akan bisa diatasi, tetapi yang merepotkan adalah setiap library memiliki aturan dan konversi yang berbeda.

Ngomong-ngomong, chip TPU untuk AI yang saya beli tampaknya lebih baik digunakan dengan Raspberry Pi, jadi saya sedang melakukan pengaturan ulang Raspberry Pi yang sudah lama saya beli dan biarkan. Ternyata, ini akan berguna dalam cara yang tidak terduga. Raspberry Pi saya sebelumnya tidak memiliki casing, tetapi karena saya akan menggunakannya dalam waktu yang lama, saya membeli casing. Awalnya, ketika saya menyalakan perangkat untuk pertama kalinya setelah sekian lama, perangkat tidak berfungsi, dan ketika saya mencoba mencabut kartu Micro SD, kartu tersebut patah, jadi saya harus membeli yang baru. Saya juga melakukan pengaturan ulang sistem operasi. Ini merepotkan, tetapi tidak bisa dihindari.

■ Simulasi Keuntungan dan Kerugian Pemegang Saham
Mensimulasikan dan memvisualisasikan keuntungan dan kerugian pemegang saham secara sederhana.
Grafik di atas menunjukkan pergerakan harga saham yang sebenarnya dan persamaan aproksimasi. Grafik di tengah adalah yang baru ditambahkan, di mana di atas 0 menunjukkan keuntungan dan di bawah 0 menunjukkan kerugian. Jika grafik berada di atas 0, diasumsikan secara rata-rata semua pemegang saham mendapatkan keuntungan, dan jika di bawah 0, diasumsikan secara rata-rata mengalami kerugian. Karena kita tidak tahu siapa yang melakukan jual beli, kami berasumsi bahwa secara rata-rata semua pemegang saham melakukan transaksi. Namun, bahkan dengan asumsi seperti itu, grafik yang dihasilkan cukup mirip. Jika grafik berada di bawah 0, berarti semua mengalami kerugian, dan jika di atas 0, berarti semua mendapatkan keuntungan.
Dari sini, kita dapat melihat bahwa sekitar November 2018, harga saham turun dan semakin banyak orang yang mengalami kerugian, dan sekarang situasinya sudah lebih stabil. Namun, apakah ini saat yang tepat untuk membeli atau tidak, tidak dapat diketahui dari sini. Bahkan, indikator seperti ini mungkin berfungsi sebagai sinyal untuk tidak membeli. Pada bulan April 2018, meskipun harga saham tidak banyak berfluktuasi, ada beberapa orang yang mendapatkan keuntungan karena pemulihan, tetapi selain itu, sebagian besar mengalami kerugian.
Ini hanyalah simulasi, bukan kecerdasan buatan atau pembelajaran mesin. Namun, mungkin saja simulasi seperti ini bisa berguna secara diam-diam.

■ Simulasi Keuntungan Potensial Pemegang Saham
Analisis lebih lanjut. Mensimulasikan keuntungan potensial pemegang saham dan menampilkannya dalam bentuk grafik. Semakin terlihat seperti yang diharapkan.

Dengan grafik baru ini, misalnya, kita dapat menyadari hal-hal berikut:
■ Meskipun harga saham meningkat berkali-kali, keuntungan potensial (rata-rata dari semua pemegang saham) ternyata tidak meningkat secara signifikan sampai akhir (bagian ①).
■ Selama penurunan tajam harga saham terakhir (bagian ②), keuntungan potensial ternyata tidak berkurang terlalu banyak (bagian ③). Ini memberikan kesan bahwa ada yang secara konsisten merealisasikan keuntungan di atas.
■ Selama penurunan tajam harga saham terakhir (bagian ④), volume perdagangan meningkat, dan pada saat yang sama, keuntungan potensial juga meningkat (bagian ⑤). Ini berarti, mungkin saja investor besar menangkap saham yang dilempar oleh investor kecil dan mendapatkan keuntungan dari pembalikan harga.
Hal-hal yang sebelumnya tidak terlihat, mulai terlihat. Analisis itu menarik.

Sekarang, mari kita analisis saham ini. Perusahaan ini sempat menjadi berita utama, tetapi harga sahamnya anjlok (nomor 1).
Saat harga saham turun, keuntungan yang belum direalisasi (perkiraan) juga terus menurun (nomor 2). Kemudian, harga mencapai titik terendah dan mulai membaik (nomor 3). Meskipun terjadi pemulihan, keuntungan yang belum direalisasi meningkat (nomor 4), tetapi di sisi lain, kerugian pemegang saham adalah negatif (nomor 5. Jika berada di bawah garis merah tengah, berarti rugi). Ini menunjukkan bahwa meskipun keuntungan yang belum direalisasi meningkat sementara saat pemulihan, banyak orang yang akhirnya melakukan pemotongan kerugian karena tidak dapat merealisasikan keuntungan. Ini hanyalah interpretasi berdasarkan simulasi.
Meskipun satu saham ini tidak dapat mewakili semuanya, mungkin ini menunjukkan bahwa "ada kemungkinan lebih besar untuk rugi daripada untung jika mencoba memanfaatkan pemulihan." Grafik ini dengan jelas menunjukkan bahwa bahkan jika terjadi pemulihan, rata-rata pemegang saham akan mengalami kerugian.
Berdasarkan apa yang saya lihat, mencoba memanfaatkan pemulihan pada saham yang harganya sedang turun mungkin sebaiknya dihindari.
<Ini adalah interpretasi pribadi saya, dan kemungkinan besar berbeda dari interpretasi umum. Saya bukan ahli saham, jadi harap berhati-hati.>
■Rata-rata Bergerak
Menambahkan sinyal jual beli berdasarkan kondisi naik turun rata-rata bergerak (9 hari, 25 hari, 75 hari).
Ini adalah implementasi langsung dari algoritma yang terdapat dalam buku panduan berjudul "Cara Membaca dan Menggunakan Rata-rata Bergerak Secara Maksimal".
Warna di sekitar sinyal menunjukkan hal berikut:
・Merah pekat menunjukkan sinyal beli yang kuat.
・Hijau pekat menunjukkan sinyal jual yang kuat.
Warna antara menunjukkan kondisi di antaranya.

Meskipun ini adalah seperti buku teks, jika sinyal muncul dan diikuti segera, kemungkinan akan menghasilkan sedikit keuntungan.
Dasar-dasar itu penting.

■MACD
Menampilkan MACD (MACD itu sendiri + rata-rata MACD + histogram), yang merupakan alat analisis yang umum digunakan. Selain itu, menampilkan tahapan saat ini dengan label. Garis juga ditambahkan untuk menunjukkan kapan tahapan berubah.

■RCI
Menambahkan indikator saham bernama RCI. RCI standar memiliki dua garis, yaitu garis jangka pendek dan jangka panjang, tetapi saya menambahkan histogram (grafik batang) seperti sinyal MACD untuk membuatnya lebih mudah dilihat (grafik batang hijau di area RCI adalah itu). Sangat bagus dan terasa aneh karena alat saham biasa tidak memiliki tampilan ini.
Selain itu, karena membandingkan RCI dan MACD secara bersamaan terasa merepotkan, saya menambahkan tanda merah di antara keduanya jika keduanya positif, dan tanda hijau jika keduanya negatif, untuk memudahkan identifikasi sinyal.
Dengan melihatnya seperti ini, perbedaan antara sinyal moving average (di atas RCI) dan sinyal yang baru ditambahkan (sinyal di antara RCI dan MACD) dapat dibandingkan, yang sangat menarik.
Ini menunjukkan perbedaan antara analisis jangka panjang dan jangka pendek. Ini sangat menarik. Sinyal yang ditambahkan hari ini terlihat cukup berguna.

■ Grafik Pergerakan Jangka Pendek
Grafik ini menampilkan hanya pergerakan jangka pendek dengan mengurangkan nilai rata-rata bergerak (tren) dari harga saham awal. Dengan ini, pergerakan jangka pendek menjadi lebih mudah dilihat tanpa terpengaruh oleh tren.
(Grafik akan berubah tergantung pada periode rata-rata bergerak yang digunakan, sehingga sistem akan mencoba secara otomatis menentukan dan menampilkan nilai yang cenderung sejajar secara horizontal.)
Ini adalah contoh grafik selisih antara harga saham awal dan nilai rata-rata bergerak selama 89 hari.
Awalnya, saya mencoba melakukan analisis deret waktu, tetapi karena tidak menemukan pola periodik yang baik, saya hanya menampilkan grafik yang dihasilkan selama proses tersebut. Grafik ini ternyata cukup berguna.

■Aturan Donchans
Saya telah memvisualisasikan "aturan Donchans" yang menyatakan "beli jika harga tertinggi dalam empat minggu terlampaui, dan jual jika harga terendah terlampaui," dan mengubahnya sehingga menampilkan label jika harga penutupan pada hari terakhir melampaui ambang batas. Ini membuatnya sangat mudah dilihat.
Meskipun sudah ada berbagai aturan, jika kita tidak memastikan aturan mana yang benar-benar efektif, kita mungkin akan kewalahan dengan banyaknya sinyal dan justru menjadi sulit untuk digunakan.
Saya mungkin akan melakukan simulasi untuk memverifikasinya nanti...

■Simulasi
Lakukan simulasi, dan tampilkan apakah harga akan mencapai 5% di atas atau di bawah harga penutupan hari itu, dengan warna merah/hijau.
Dengan ini, perkiraan tentang "di mana sebaiknya membeli" dan "di mana sebaiknya menjual" menjadi lebih mudah didapatkan.
Sepertinya, apakah histogram (grafik batang) RCI muncul sedikit atau tidak, dapat digunakan sebagai sinyal.
Ngomong-ngomong, tentang saham yang sudah saya perhatikan sejak lama. Ini adalah perusahaan yang dulunya bergerak di bidang LSI grafis 3D, yang mengakuisisi salon kecantikan yang dikenal oleh semua wanita. Mungkin hanya orang yang tahu yang tahu, tetapi harga sahamnya sangat aneh. Pendapatan 500 miliar, tetapi rugi operasional, kapitalisasi pasar 34 miliar. Meskipun rugi, arus kasnya sangat positif, dan "biaya akuisisi" dari merger dan akuisisi akan menjadi beban dalam laporan keuangan selama 5 tahun, tetapi itu akan berakhir dalam beberapa tahun lagi, dan sepertinya akan meningkat di masa depan. Ketika mencapai laba 50 miliar dengan pendapatan 500 miliar, kapitalisasi pasar 34 miliar tidak mungkin, dan setidaknya akan naik menjadi angka positif. Biasanya, seharusnya setara dengan pendapatan, jadi batas atasnya adalah kapitalisasi pasar 500 miliar, yang berarti berpotensi menjadi saham yang meningkat 10 kali lipat. Bahkan jika tidak mencapai itu, jika terlihat akan menjadi laba, ekspektasi peningkatan dua kali lipat dari sini adalah mungkin. Namun, ada kemungkinan penurunan yang signifikan karena transaksi besar. Karena harga sahamnya sudah aneh, saya tidak akan terkejut jika turun setengahnya lagi dari sini. Faktanya, saya sudah mengamatinya sejak akhir Maret dan beberapa kali masuk/keluar, tetapi penurunan setelah mendapatkan hadiah (voucher salon kecantikan) di akhir Maret sangat parah (tertawa). Selain itu, ada penjualan besar yang menyebabkan penurunan 10% sekaligus. Mungkin akan turun lagi dari sini, tetapi bulan depan adalah laporan keuangan, dan salon kecantikan adalah saham yang populer di kalangan wanita pada musim panas (karena kulitnya terbuka, mereka ingin pergi ke salon kecantikan). Ini adalah saham yang menarik untuk enam bulan ke depan.
→ Namun, setelah saya menyelidiki lebih lanjut, ternyata pendapatan tersebut mungkin hanya angka palsu dalam laporan keuangan. Kinerja yang agak mencurigakan.

■ Mengejar Kesetaraan dengan Matlab
Implementasi AI (deep learning) menggunakan Python + TensorFlow (Versi 2). Prosesnya hampir sama dengan yang dilakukan di Matlab.
Titik hijau yang berada di tengah kanan pada grafik adalah prediksi harga saham di masa depan oleh AI. Hasilnya cukup mirip dengan Matlab, jadi pada dasarnya prosesnya sama.
Awalnya, saya kesulitan memahami gaya penulisan khusus TensorFlow (Versi 2), sehingga sulit untuk membuatnya. Namun, setelah menemukan contoh, saya bisa membuatnya dengan lancar. Saya belum menggunakan chip Google TPU, jadi eksekusinya lambat di CPU Mac. Kira-kira seberapa cepat jika menggunakan chip Google TPU? Itu akan dibahas di lain waktu.
Ini hanyalah contoh sederhana, tetapi dengan ini, apakah saya bisa dianggap sebagai bagian dari komunitas insinyur AI? (tertawa)

■FX
Saya telah memodifikasi sistem untuk memperkirakan harga saham dengan mempertimbangkan nilai tukar asing (USD). Sampai kemarin, sistem hanya mempertimbangkan harga saham dari saham yang relevan (satu variabel), tetapi sekarang sistem mempertimbangkan harga saham dan nilai tukar asing USD (dua variabel).
Namun, secara sekilas, hasilnya sepertinya tidak banyak berubah... Sepertinya perlu dilakukan verifikasi. Mungkin tidak ada korelasi yang kuat. Mungkin ada korelasi pada saham-saham besar di Bursa Efek Tokyo bagian 1. Saya akan mencoba menambahkan elemen lain.

Selanjutnya, analisis dilakukan dengan tiga variabel: "harga saham, volume perdagangan, dan nilai tukar USD (FX)".
Karena kami sudah bisa mengubah satu variabel menjadi dua variabel, mengubahnya menjadi tiga variabel sangat mudah.
Yah, penampilannya tidak terlalu berbeda.
Bagaimana dengan akurasinya?
Mungkin lebih baik jika memasukkan data seperti Indeks Dow Jones.



■Google TPU belum mendukung LSTM
Saya mencoba menjalankan chip Google TPU (USB) di Raspberry Pi, tetapi ternyata tidak mendukung LSTM (RNN) yang ingin saya gunakan, hanya mendukung klasifikasi dan sejenisnya. Rasanya sangat merepotkan, tetapi saya belajar sesuatu, jadi mungkin tidak terlalu buruk. Tentu saja, harganya murah karena chipnya. Bahkan mainan yang kurang lengkap seperti ini masih bisa dijual, hanya Google yang bisa melakukan itu. Sepertinya bagus untuk penggunaan khusus seperti pengenalan gerakan.

・Hanya dengan memasang library TensorFlow, saya harus menunggu 30 menit atau bahkan 1 jam. Raspberry Pi sangat lambat.
・Secara standar, TensorFlow menggunakan versi 1, dan versi 2 harus dibangun dari sumber, jadi saya mencoba membuat lingkungan pembangunan, tetapi membangun alat bernama Bazel membutuhkan waktu lebih dari 24 jam, dan pada akhirnya, versi terbaru Bazel tidak didukung, jadi saya harus membangun kembali Bazel versi lama, yang berarti saya harus mengulanginya. Bahkan dengan begitu, TensorFlow versi 2 tidak berfungsi dengan baik. Rasanya sangat merepotkan. Karena gagal dengan sistem operasi standar Raspberry Pi, saya mencoba menggantinya dengan Ubuntu, tetapi hasilnya tetap sama. Saya harus mengulanginya, tetapi saya kembali ke sistem operasi awal.
・Karena CPU Raspberry Pi adalah Arm, library dan Docker yang biasanya tersedia di Google TPU tidak dapat digunakan secara langsung, dan hanya library khusus untuk Raspberry Pi yang dapat digunakan, yang sangat tidak nyaman.
・Sistem operasi standar menggunakan Python versi 3.5, jadi saya pertama-tama membangun versi 3.7 dari sumber, tetapi sepertinya tidak didukung oleh TensorFlow, jadi saya mencoba versi 3.6, tetapi tidak banyak perubahan, jadi saya kembali ke versi 3.5 standar.
・Saya mencoba membangun beberapa library dari sumber, tetapi tetap tidak berfungsi.
・Pada akhirnya, saya menyimpulkan bahwa menggunakan TensorFlow melalui Keras, versi 1 dan versi 2 tidak terlalu berbeda, dan saya mengonfirmasi bahwa keduanya berfungsi di Mac.
・Google TPU tidak mendukung "pelatihan dari awal", hanya mendukung "pelatihan ulang". Saya mengetahui bahwa model harus dibuat di CPU, kemudian dikonversi secara khusus, dan kemudian dikonversi lagi di halaman cloud untuk dapat digunakan, tetapi konversi ini tidak mendukung LSTM/RNN yang ingin saya gunakan. Rasanya sangat merepotkan.

Sekarang, apakah saya harus membeli PC murah dan set GPU NVIDIA, ataukah saya harus bersabar dengan PC yang sudah ada?

■Pembuatan Situs Analisis Saham dengan AI
https://kabu2u.com
https://kabu2u.com
Saya telah memperbarui situs analisis saham dengan AI. Saya akan mulai dengan menampilkan saham yang memiliki volatilitas tinggi. Saya belum yakin seberapa detail informasinya yang harus ditampilkan, jadi untuk saat ini, saya hanya menampilkan data lama yang telah dianalisis selama 2 minggu. Saya belum akan menampilkan prediksi masa depan. Akan merepotkan jika menampilkan prediksi masa depan dan ada keluhan. Mungkin di masa depan, jika akurasinya meningkat, saya bisa mengenakan biaya untuk prediksi masa depan. Bagaimanapun, akurasinya belum terlalu baik, jadi saya pikir ini adalah awal yang baik.

■Analisis Gelombang Elliott
Saya sedang mencoba analisis gelombang Elliott. (Silakan cari tahu apa itu gelombang Elliott di internet).
Saya mencoba membuat AI untuk menentukan gelombang ke berapa yang sedang berlangsung berdasarkan grafik aktual, tetapi sepertinya itu sulit, jadi saya mengubah arah.
Saya ingin mensimulasikan gelombang Elliott, membuat AI mempelajari hasil simulasi, dan kemudian membuat prediksi.
Gambar di pojok kiri atas menunjukkan deret Fibonacci yang bergantian ditambahkan dan dikurangi untuk ditampilkan dalam grafik. Namun, jika ditampilkan apa adanya, akan muncul nilai negatif (yang tidak mungkin terjadi pada harga saham), jadi saya mengangkatnya secara linier agar menjadi positif secara keseluruhan, seperti yang ditunjukkan pada gambar di pojok kanan atas. Hmm... Rasanya ada yang kurang.
Selain mengangkatnya secara linier, saya mengangkatnya menggunakan kurva kuadrat, seperti yang ditunjukkan di bagian bawah kiri. Ini terlihat lumayan, tetapi ada sesuatu yang terasa berbeda. Namun, karena pergerakan harga saham yang sebenarnya juga sangat tidak terduga, mungkin ini sudah cukup.
Saya berhasil membuat grafik, jadi saya akan membuat harga saham palsu berdasarkan ini, dan kemudian melakukan analisis AI. Grafik yang dihasilkan adalah yang ditunjukkan di bagian bawah kanan.
Saya telah membuat AI mempelajari ini, tetapi seberapa akurat hasil prediksinya masih harus dilihat.



■Konstruksi PC khusus untuk analisis AI
Saya memasang Ubuntu Linux di laptop (PC cadangan). Awalnya, Windows terinstal, tetapi karena sering macet setiap beberapa jam saat menjalankan analisis AI, sehingga menghambat proses, saya terpaksa memasang Linux Ubuntu, dan ternyata sangat nyaman. Era di mana kenyamanan Linux mulai melampaui Windows mungkin telah dimulai. Windows modern tidak stabil dan lambat, dan rasanya seperti saya sendiri yang menyulitkan diri sendiri. Karena saya membutuhkan WORD/Excel untuk pekerjaan kantor, saya masih harus menggunakan Windows, tetapi selain itu, tampaknya Windows sudah tidak diperlukan lagi. Jika saya membuatnya sekarang, jika saya menjadikan web sebagai dasar dan menghilangkan kebutuhan akan Word/Excel/PowerPoint, mungkin saya tidak memerlukan Windows. Saya pada dasarnya menyukai Microsoft, tetapi saya sangat kesulitan dengan ketidakstabilan Windows modern. Kecepatannya juga lebih cepat di Linux. Chip TPU (USB) Google juga dapat digunakan dengan normal.

■ Fitur yang diekstrak dan dianalisis
Saat ini, saya sedang mengekstrak dan menganalisis fitur-fitur yang mungkin menjadi perhatian orang. Tergantung pada sahamnya, terkadang hasilnya cukup baik.
Karena pembelajaran mendalam pada dasarnya meniru cara kerja neuron otak, masuk akal jika akurasi meningkat dengan memecah fitur-fitur sebagai input. Namun, jika terlalu fokus pada fitur-fitur tersebut, akurasinya bisa sangat buruk pada saham yang tidak terkait dengan fitur-fitur tersebut. Analisis harga saham pada dasarnya sulit, jadi mungkin kita harus bersyukur jika ada kondisi yang bisa digunakan.
Jika fitur-fitur tersebut memiliki makna, kesalahan akan berkurang secara bertahap selama proses pembelajaran mendalam dan mencapai konvergensi. Namun, jika tidak konvergen, mungkin ada bug pada nilai fitur-fitur tersebut, atau mungkin fitur-fitur tersebut sebenarnya tidak memiliki makna (!). Penemuan ini sangat inovatif, dan pembelajaran mendalam mungkin mengungkap bahwa teori yang secara umum dianggap "wajar" di dunia saham sebenarnya tidak memiliki makna. Misalnya, ada yang mengatakan bahwa perpotongan antara rata-rata bergerak jangka pendek dan jangka panjang adalah sinyal beli (golden cross), dan hal serupa dikatakan tentang MACD. Namun, sebenarnya, mungkin tidak ada makna di sana (!), itulah hasil analisis pembelajaran mendalam yang "mungkin". Lanjutan ceritanya besok.

■ Mengikuti Tren
Karena analisis teknis terlihat kurang akurat, saya mencoba membuat AI yang berfokus pada mengikuti tren. Dengan cara ini, kelemahannya adalah rentan terhadap penurunan atau kenaikan tajam, tetapi dalam hal mengikuti tren, hasilnya relatif lebih baik dibandingkan sebelumnya. Garis merah tebal menunjukkan prediksi AI. Mungkin, karena ini adalah mesin, penggunaan seperti ini sebenarnya lebih cocok. Manusia mungkin akan bosan dengan pendekatan mengikuti tren, tetapi karena ini adalah mesin, kita bisa membiarkannya bekerja dengan tenang.

Dalam analisis teknis, saya mencoba berbagai cara dengan memproses input dan melakukan berbagai inovasi, tetapi pendekatan mengikuti tren ini memiliki algoritma yang sangat sederhana. Namun, jika kombinasi parameternya tidak tepat, hasilnya tidak akan berfungsi dengan baik. Jadi, meskipun algoritmanya sederhana, menemukan titik optimal adalah hal yang sulit, dan mungkin inilah tantangan yang cocok untuk pembelajaran mendalam.

■Versi Awal Situs Prediksi Harga Saham Berbasis AI
Prediksi Harga Saham - https://kabu2u.com
https://kabu2u.com
Versi awal telah selesai. Meskipun ada hal-hal yang masih bisa disempurnakan, seperti meninjau model atau menggunakan lebih banyak daya komputasi untuk analisis yang lebih mendalam, mempertimbangkan efisiensi biaya, sepertinya ini adalah titik yang baik untuk menandai penyelesaian sementara. Masih banyak ide yang bisa dicoba, tetapi untuk saat ini. Dimulai dengan Matlab pada pertengahan Maret dan kemudian beralih ke Python+Tensorflow, ini adalah hasil yang lumayan mengingat hanya membutuhkan waktu 2,5 bulan. Satu bulan digunakan untuk berbagai eksperimen. Satu bulan setengah digunakan untuk penyesuaian dan pengembangan situs. Meskipun akurasinya masih perlu ditingkatkan, analisis saat ini diprioritaskan berdasarkan waktu, sehingga dihentikan di tengah jalan. Ke depannya, kami akan melihat seberapa besar akurasi yang dapat ditingkatkan dengan meluangkan lebih banyak waktu. Jika akurasi tidak mencukupi, kami akan mencoba memperbesar model, tetapi perbaikan yang memakan waktu akan dilakukan secara bertahap. Secara umum, fitur-fitur dasarnya sudah selesai. Saat ini, tampilannya terlalu sederhana, jadi kami berencana untuk menambahkan beberapa elemen secara bertahap.

■Penambahan Garis Dukungan
Garis dukungan ditambahkan dengan asumsi pembelian pada harga pembukaan hari berikutnya setelah tanggal prediksi. Ini membuatnya sedikit lebih mudah dibaca.

■Grafik Lilin
Mengubah grafik garis harga penutupan menjadi grafik lilin biasa. Rasanya, hanya dengan tampilan seperti ini saja yang terlihat seperti grafik lilin.



■ Perdagangan Otomatis (Air Trade)
Saya telah memasukkan data tentang perdagangan otomatis. Jika melihat ini, seharusnya saya bisa mendapatkan keuntungan lebih banyak, tetapi mungkin karena saya tidak bisa melakukan perdagangan secara mekanis dan terlalu banyak melibatkan emosi, sehingga hasilnya kurang baik.

■ Peninjauan Algoritma
Meninjau algoritma perdagangan otomatis. Menampilkan hasil perdagangan otomatis untuk semua saham di halaman utama.

■ Perdagangan Otomatis dengan "Perfect Order"
Saya mencoba perdagangan otomatis berdasarkan kondisi yang secara umum disebut "perfect order" (berdasarkan garis pendek, menengah, dan panjang), tetapi hasilnya tidak baik. Mungkin karena kondisi pasar saat ini sedang buruk, atau mungkin seperti analisis teknis, ini hanyalah alasan yang dibuat-buat setelahnya, dan mungkin hanya mitos.
Rata-rata keuntungan/kerugian +0.5%, akumulasi +0.6%.

■ Perbandingan Algoritma
Membandingkan simulasi antara algoritma yang membeli jika harga pembukaan hari berikutnya turun beberapa persen dari harga penutupan hari sebelumnya (setelah AI memprediksi kenaikan), dan algoritma yang membeli jika harga pembukaan hari berikutnya sama atau lebih tinggi dari harga penutupan hari sebelumnya. Secara intuitif, algoritma pertama ("membeli dengan harga murah") tampaknya memberikan hasil yang lebih baik, tetapi sebenarnya algoritma kedua yang menang. Karena harga saham cenderung terus naik jika naik, dan terus turun jika turun, hasil ini bisa dimengerti.
Rata-rata keuntungan/kerugian masing-masing +2.0% dan +0.9%, jadi mungkin ini hanya kesalahan.

■ Kesalahan Perhitungan Perdagangan Otomatis
Ada kesalahan dalam perhitungan perdagangan otomatis. Ya. Saya merasa hasilnya terlalu bagus. Hasil yang baru adalah sebagai berikut: sekitar minus 1%.
Meskipun kondisi pasar sejak awal tahun sangat buruk, kerugian sebesar minus 1% bisa dianggap sebagai hasil yang lumayan.
Saya berharap ini akan menjadi positif jika kondisi pasar membaik.

Perdagangan Otomatis 1 [Rata-rata Seluruh Saham yang Ditargetkan]
Keuntungan/Kerugian: +0.1% (rata-rata tertimbang, fokus pada periode terbaru) -0.1% (rata-rata, seluruh periode) Akumulasi -1.3% (seluruh periode)
Perdagangan Otomatis 2 [Rata-rata Seluruh Saham yang Ditargetkan]
Keuntungan/Kerugian: -0.8% (rata-rata tertimbang, fokus pada periode terbaru) -0.7% (rata-rata, seluruh periode) Akumulasi -1.5% (seluruh periode)
Perdagangan Otomatis 3 [Rata-rata Seluruh Saham yang Ditargetkan]
Keuntungan/Kerugian: -0.8% (rata-rata tertimbang, fokus pada periode terbaru) -0.7% (rata-rata, seluruh periode) Akumulasi -1.6% (seluruh periode)
Perdagangan Otomatis 4 [Rata-rata Seluruh Saham yang Ditargetkan]
Keuntungan/Kerugian: -0.8% (rata-rata tertimbang, fokus pada periode terbaru) -0.7% (rata-rata, seluruh periode) Akumulasi -2.2% (seluruh periode)
Perdagangan Otomatis 5 [Rata-rata Seluruh Saham yang Ditargetkan]
Keuntungan/Kerugian: -0.1% (rata-rata tertimbang, fokus pada periode terbaru) -0.1% (rata-rata, seluruh periode) Akumulasi -0.8% (seluruh periode)

■ Kondisi Pasar (Ge合い) Sangat Penting
Karena kondisi pasar hari ini baik, hasilnya kembali positif. Saya harus memodifikasinya agar bisa menghasilkan keuntungan tanpa bergantung pada kondisi pasar.

AirTrade 1 [Rata-rata Seluruh Saham yang Ditargetkan] Keuntungan/Kerugian: +0.5% (rata-rata tertimbang, fokus pada periode terbaru) +0.1% (rata-rata, seluruh periode) Kumulatif -0.0% (seluruh periode)
AirTrade 2 [Rata-rata Seluruh Saham yang Ditargetkan] Keuntungan/Kerugian: +0.4% (rata-rata tertimbang, fokus pada periode terbaru) +0.2% (rata-rata, seluruh periode) Kumulatif -0.1% (seluruh periode)
AirTrade 3 [Rata-rata Seluruh Saham yang Ditargetkan] Keuntungan/Kerugian: +0.1% (rata-rata tertimbang, fokus pada periode terbaru) -0.0% (rata-rata, seluruh periode) Kumulatif -0.5% (seluruh periode)
AirTrade 4 [Rata-rata Seluruh Saham yang Ditargetkan] Keuntungan/Kerugian: +0.4% (rata-rata tertimbang, fokus pada periode terbaru) +0.2% (rata-rata, seluruh periode) Kumulatif -0.0% (seluruh periode)
AirTrade 5 [Rata-rata Seluruh Saham yang Ditargetkan] Keuntungan/Kerugian: -0.3% (rata-rata tertimbang, fokus pada periode terbaru) -0.4% (rata-rata, seluruh periode) Kumulatif -1.4% (seluruh periode)

■AI Tetaplah Kotak Hitam
Saya mulai melihat prediksi yang tampak masuk akal, tetapi juga ada hasil yang jelas-jelas aneh. Meskipun saya (sebagai manusia) berpikir bahwa ada sesuatu yang salah, harga saham yang sebenarnya bahkan lebih sulit dipahami, jadi bisa dikatakan bahwa ini berada di luar pemahaman saya. Kelemahan dari AI, atau lebih tepatnya deep learning, adalah bahwa hasilnya di tengah proses tidak dapat diketahui, yang merupakan kotak hitam. Sulit untuk menjelaskan mengapa hasil seperti itu muncul. Meskipun ada logika dasar, saya dapat menjelaskannya sampai batas tertentu, tetapi sulit bagi AI untuk menjelaskannya secara rinci. Oleh karena itu, penting untuk membandingkan hasilnya dengan kenyataan untuk melihat apakah hasilnya akurat. Sepertinya arah pergerakan (naik atau turun) sudah cukup jelas, tetapi "kapan" harga naik atau turun, yaitu timing-nya, masih kurang tepat. Mungkin lebih baik jika kita melihat hasil AI untuk mendapatkan arah pergerakan, dan manusia yang menyesuaikan timing-nya?

Namun, ketika membuat sesuatu seperti ini, di perusahaan, selalu ada orang yang mengatakan, "Ini bukan hanya hasil karyamu," dan orang-orang parasit yang meminta bagian dari hasil atau mencoba merendahkan kontribusi saya dengan mengatakan, "Ini bukan hanya hasil karyamu," dan orang-orang yang mencoba menghalangi. Ketika saya mengerjakan semuanya sendiri, tidak ada orang lain, dan karena saya tidak bergantung pada pihak luar, semuanya jelas bahwa itu adalah hasil dari kerja saya sendiri, sehingga lebih nyaman karena tidak ada orang yang mencoba menghalangi, mencuri hasil, atau meminta bagian dari hasil. Di perusahaan, ada kontradiksi di mana membuat sesuatu dengan 10 orang yang membuat keributan jauh lebih dihargai daripada membuat sesuatu yang sama sendirian. Dari sudut pandang biaya-efektivitas, membuat sesuatu sendiri jauh lebih efektif 10 kali lipat, tetapi membuat sesuatu yang sama dengan biaya 10 kali lipat justru mendapatkan penilaian yang lebih tinggi. Atasan yang tidak memahami IT mungkin tidak memahami bahwa sesuatu dapat dibuat sendiri. Karena mereka tidak memahami IT, mereka cenderung mempercayai orang-orang yang dengan mudah melebih-lebihkan atau tampak percaya diri. Karena mereka tidak memahami hasil, mereka menilai berdasarkan jumlah orang. Perusahaan seperti itu mungkin tertinggal dalam persaingan global. Para profesional IT juga tidak akan bertahan lama di perusahaan seperti itu. Saya harap tidak semua perusahaan seperti itu. Pada akhirnya, mereka menilai berdasarkan jumlah orang, bukan pemahaman tentang teknologi atau hasil. Industri IT masih merupakan masyarakat yang berorientasi pada "orang-bulan," dan pengembangan pesanan adalah dunia di mana, alih-alih membuat sesuatu secara efisien untuk menghasilkan keuntungan, yang penting adalah membuat "ritual" yang mewah dan meriah untuk pelanggan yang memiliki uang tetapi tidak tahu tentang IT. Tidak mungkin dibayar berdasarkan hasil. Itulah mengapa saya tidak menyukai pengembangan pesanan, dan saya pada dasarnya hanya mempercayai perusahaan atau individu yang menggunakan IT untuk bisnis mereka sendiri. Yah, jika semua orang hanya dihargai berdasarkan hasil, banyak orang mungkin akan kehilangan pekerjaan, jadi mungkin industri IT, yang seringkali boros, tetap penting karena menyediakan lapangan kerja.



■ Pemantauan Air Trade
Rata-rata terbaru Air Trade 4 meningkat menjadi +4,3%. Jumlah saham yang dipantau juga telah melewati 300. Mungkin saja ini hanya kesalahan atau keberuntungan, jadi kami masih terus memantau.
Pelatihan model AI tentu saja masih terus berlanjut. Kami terus melakukan perbaikan kecil setiap hari.

■ 5 menang, 1 kalah
Berdasarkan hasil analisis sebelumnya, perdagangan otomatis (air trade) menghasilkan 5 menang dan 1 kalah. Ini tidak terlalu buruk. Karena ini adalah perdagangan otomatis, saya sebenarnya tidak melakukan pembelian.

Pada hari yang sama, situasinya menjadi semakin tidak terduga. Wow. Ini adalah Air Trek.

■OCR
Saya tidak akan membeli, tetapi Sansan berpotensi menjadi IPO legendaris. Perusahaan ini melakukan IPO dengan kerugian, penjualan yang kecil, tetapi memiliki kapitalisasi pasar 1200 miliar yen, yang sangat tidak masuk akal.
Perhitungan sederhana tentang imbal hasil dividen Sansan dengan asumsi yang optimis. Ini hanya akan terjadi jika perusahaan benar-benar tumbuh seperti yang dikatakan oleh CEO. Jika memasuki era seperti pembayaran seluler, harga sahamnya kemungkinan akan terus turun. Secara teknis, hal ini mudah ditiru, dan sisanya adalah masalah pemasaran. Tergantung pada bagaimana perusahaan besar akan bertindak. Melihat tingkat keuntungan ini, saya mungkin tertarik untuk berinvestasi.

Sansan hanya membaca kartu nama dengan OCR, bukan? Apakah mungkin untuk menjadi perusahaan publik dan menghasilkan banyak uang dengan ini? Konsepnya mirip dengan Amazon, yaitu mendominasi pasar melalui pemasaran. Saya mungkin akan mencoba membuat aplikasi pemindai teks AI yang sedang populer. Dan membuat sesuatu yang "kompatibel dengan Sansan" untuk mencuri semua pelanggan (tertawa), apakah itu terlalu berlebihan? Untuk saat ini, saya akan membuat aplikasi yang dapat menebak string font dari gambar.

Begitulah, saya mencari artikel tentang Sansan, dan saya menemukan artikel yang mengatakan bahwa akurasi 100% diperlukan agar dapat diterima secara luas.
https://www.itmedia.co.jp/news/spv/1906/17/news042_2.html
Ini adalah contoh khas Jepang. Sepertinya rumit. Mungkin itulah yang membuatnya berbeda, tetapi saya merasa orang-orang di seluruh dunia mungkin tidak membutuhkan akurasi seperti itu.
Lagipula, kartu nama mungkin akan segera menghilang.

Sepertinya Google memiliki OCR sumber terbuka, jadi saya mungkin akan mencobanya nanti.

■ Setelahnya
Pelatihan model AI dilakukan setiap hari, dengan penyesuaian kecil, dan situs web terus beroperasi. Sulit untuk mengalahkan kondisi pasar yang buruk, sehingga kinerja operasionalnya cukup sulit. Jika kondisi pasar baik, kinerjanya sekitar 1%, tetapi jika kondisi pasar buruk, hasilnya negatif. Mungkin yang terbaik adalah hanya melakukannya saat kondisi pasar baik. Sulit untuk menggunakannya apa adanya, tetapi karena melakukan pemindaian semua saham sendiri akan melelahkan, menggunakan metode penyaringan tertentu mungkin bisa diterima.

Periode Pembuatan:
Pertengahan Maret 2019, unduh Matlab dan mulai bereksperimen.
Awal April, pertama kali mencoba Python.
Akhir April, versi awal situs web analisis AI selesai.
Akhir Mei, situs web analisis AI hampir selesai.
Setelah itu, model dilatih secara terus-menerus di PC khusus. Penyesuaian dilakukan secara berkala.