https://jp.mathworks.com/pricing-licensing.html?intendeduse=home&prodcode=ML&fbclid=IwAR0zonp3Hw92OG7K7gv_xNsfmUuq993uUwimw8D2P2FoUafKSbjT08mQ5fI
我没有注意到它竟然以这么便宜的价格出售... 如果我早点知道就好了...
不知什么时候出现了Home版本。以前只有十几万日元的版本，所以个人用户只能使用免费的“R”等软件。
如果这个软件只要1.6万日元就能使用，那真是太棒了，大家肯定会选择它。
虽然深入研究这个领域非常困难，但似乎可以免费试用30天，所以我想先用它来做一些简单的股票分析，以确认一下它的易用性。
■拟合
我运行了一个很久以前制作的学习用示例，结果可以直接运行。真不错。
因为不太记得了，所以要重新学习一下。
我记得这是对带有噪声的周期函数执行“拟合”函数，进行“类推”处理，然后显示图形。
点是原始数据，波形是类推得到的图形。
通过对已知答案进行拟合，可以确认方法的正确性。
■人口统计以前我为了学习而制作的示例。从人口统计数据中，大致预测未来并进行图表显示。
■股价近似我尝试用简单的图表对在网上找到的半年股价数据进行近似和预测，但显然，我只是花了一个小时左右的时间玩了一下，结果完全没有用处。我觉得我需要再好好学习一下。如果有什么好的“理论”就好了。虽然这样玩挺有趣的，但如果能真正派上用场就更好了。
蓝色点：实际股价。
红色线：近似的图表。
数据：6754 安利茨株式会社。
我已经玩了几个小时。■ 蓝色点：实际的过去股价。
■ 红色线：过去股价的近似图（左侧）和未来预测图（右侧）。 假设只使用蓝色点的数据来进行未来预测。
■ 黄色：未来股价的答案。
如果未来的红色图与黄色圆点一致，则说明预测是准确的，但显然不可能一开始就完全一致。 因为原始数据存在数学上不正常的（异常）波动，所以近似的图也会出现奇怪的“胡须”，从而造成干扰。
如果能这么容易地预测股价，那就太厉害了... 这个领域非常困难，但如果只是为了娱乐，这个主题的难度很高，而且很有趣。 也许，如果真的出现了一些有用的东西（虽然可能性很小），那也是可以使用的。
总之，至少对于今天的下午的娱乐和学习来说，这是一个很好的素材。
数据：6754 安利茨株式会社。
逐渐出现了一些可以用于股票分析的图表。■右侧的紫色图表：预测股价
■右侧的黄色圆圈：实际的未来股价
感觉它们有些相似。
虽然精度会因参数的不同而有所差异，但与之前相比，效果已经好多了。
如果只是简单地制作出这样的图表，并且能达到这样的精度，那应该算是不错的吧。
我有一段时间没有使用数学了，所以忘记了很多东西，但通过尝试和摸索，我逐渐记起来了一些。
不过，我仍然不理解生成这些图表的“高斯过程回归”这种数学公式。
这并不是因为我有多厉害，而是因为MatLab的文档非常完善。
虽然即使不理解，也能得到结果，但为了应用它，我可能还需要重新学习一些数学。
如果一切顺利，我可能会考虑用它做一个股票预测的网站。（笑）
我不知道是否真的会认真去做，但为了让Google更快地识别，我简单地创建了一个股票分析网站的首页。这类事情通常需要几个月甚至几年的时间，所以最好先创建一个网站。 意外地，我找到了一些比较短的可用域名并注册了。AI股票预测 - https://kabu2u.com
https://kabu2u.com
■AI的LSTM（长短期记忆网络）
我尝试了LSTM。
MATLAB太厉害了。（虽然我还没有完全理解其中的数学内容） 它可以轻松地创建出这样的东西。（我没有在Python中尝试过，所以无法进行比较）
我现在刚从瑜伽回来，原本想在睡觉前的30分钟里快速地研究一下并进行实验，但MATLAB让我毫不犹豫地快速创建了它，真是太棒了。
这个LSTM是用于进行深度学习的。 也就是所谓的AI，但它不是像漫画中的阿童木那样厉害的AI，而实际上是这种机器学习。
代码是从示例中直接复制过来的，但每次运行，学习结果都会不同，有时会得到一个聪明的AI，有时会得到一个愚蠢的AI。 这个附带的图像看起来表现不错。 背景是学习过程中出现的画面，前方的图表中的“Forecast”部分是预测结果。 它与实际的图表非常相似，真是太厉害了。 毕竟，有时也会得到一个愚蠢的AI，结果的不稳定性也是深度学习的优点和缺点。 当得到一个好的AI时，可能会让我感到非常惊讶。 我可能会在明天之后详细地看看里面在做什么。
我尝试用前半部分的数据来预测后半部分。果然，最后部分的误差很大，但连接的部分的精度相当高。
人工智能太厉害了...
我觉得，人类可能无法胜过它。
前几天只使用了1个数据（仅收盘价）进行学习，所以我尝试使用包括开盘价、最高价、最低价、收盘价和成交量的组合进行深度学习，但效果并没有太大变化…… 也许是我在某个地方犯了错误，因为我并没有完全理解。 我虽然理解深度学习的基础理论，但尝试理解像LSTM（长短期记忆网络）这样复杂的算法，感觉头会爆炸。我听说过，深度学习需要大量的CPU算力，所以可能需要购买一些硬件芯片。 现在我使用的是笔记本电脑，所以我会看看是否有可以连接到USB的芯片…… 因为无法安装显卡。
呵呵。我的半吊子AI君说，1332 N的股价目前在812左右，可能会横盘一段时间。如图右上方的红色部分。两周后的预测股价是822，只上涨了1%。也就是说，这里不是买入的时机。如果现在持有，可能需要暂时卖出，换成现金。（请不要相信。我只是在开玩笑。我只是在做个爱好，我的AI小可爱刚出生。如果有人相信并购买，我会很困扰，并且不承担任何责任。）
自昨天开始，扫描东京证券交易所所有股票。使用Mac的笔记本电脑，Intel Core i7处理器，分析过去360天（最长）的数据，每只股票大约需要1分钟。目前已经完成了1200只，还剩下2400只。根据统计，大约有10只股票可能上涨最多10%。人工智能判断，大约每100只股票中只有1只会上涨。但是，人工智能的预测会有偏差，因此即使是同一只股票，多次运行也可能得到不同的预测结果，所以需要进一步筛选。虽然我还没有完全信任人工智能，不能仅仅根据结果进行机械买入，但它确实能发现一些意想不到的股票，而且我自己不可能检查东京证券交易所的所有股票，所以可以将其用于筛选。从3600只股票的目标中，首先筛选出30只左右的候选股票，然后进一步筛选，最终缩小到10只以下，这样可能是一个不错的策略。
使用人工智能进行外汇（FX）分析。但是，它分别分析每种货币，因此尚不清楚其是否有用。目前，我只是观察一下。毕竟，外汇交易很难……
在家里的电脑上运行人工智能股票分析（需要较长时间），下午去高尾山。今天早上为止，筛选出来的上升预期最高的股票表现还算不错（但没有买入），但仍然存在波动。或许可以尝试一种方法，即全部买入一个交易单位，然后迅速卖出下跌的股票，只保留上涨的股票。但最终哪只股票会上涨，谁也无法确定。抽签结果是“吉。虽然到目前为止经历了很多困难，但终于时运到来，不再有令人担忧的事情，并且事物也将成功的时候。”
希望应验吧。
过去一周，我尝试性地购买了一些由人工智能筛选出的股票。人工智能预测后，我将股票数量缩小到30多个，然后我自己进行检查，最终选出了大约10只股票进行购买。
由于上周市场整体表现良好，这些股票表现出“整体上具有较强的抗跌性，价格不太下跌。部分股票有所上涨”，结果还算不错。虽然没有出现暴涨，但至少没有亏损，总的来说，一周上涨了几个百分点。作为一项实验，结果还算不错。
不过，今天（星期一），东京股市受到纽约市场的拖累而暴跌，部分股票也受到了影响，价格回到了原位。果然，即使是人工智能，也会受到暴跌的影响……市场整体表现比个股更强，这是理所当然的。
目前，我只对个股进行人工智能分析，没有告知人工智能与纽约市场的相关性。我认为，在人工智能中也需要加入这些信息。
与其说是让它记住相关性，不如让它单独预测纽约市场，如果预测到晚上会下跌，可以提前稍微减少持仓，或许也是一种应对方法。
（这张图片与我购买的股票无关）
■Google TPU虽然写着预计交货时间为3周，但实际上大约10天就到了。出乎意料地快。
由于在Matlab中无法使用，稍后可能用Python来尝试一下。
■首次尝试Python因为是第一次使用Python，所以我尝试读取已经在Matlab中分析过的数据，并将其显示为图表。它有可能成为Matlab的替代品。也许我不需要购买Matlab了？如果我能在Matlab的试用期内迁移到Python，我可能不会购买。但是，Matlab用起来很方便，所以我在考虑是否要购买。它不仅可以用于AI，还可以用于其他用途。只有Python可以使用Google的AI芯片，而Matlab无法使用，所以无论如何，迁移到Python都是必须的。
Python有一些在其他语言中很少见到的奇怪的语法，或者说是一种语言的特性，让人觉得有趣，但也有些微妙。但是，由于它可以使用数组，所以这种奇怪语法的缺点似乎被消除了。总之，这可能只是需要习惯的问题。
接下来，我需要替换主要的AI部分，但那部分还没有开始。
最近，我用Python实现了在Matlab中也做过的高斯过程回归（Gaussian Process, GP）分析。在Matlab时，我忽略了参数的影响，但这次发现结果会因参数而有很大差异，所以暂时使用了最简单的参数。这并不是重点，重点是人工智能。虽然我已经使用了几天，但逐渐习惯了Python。难点在于，与Matlab相比，Python的执行速度较慢，进行分析需要等待几秒钟。果然，Matlab很优秀。虽然Python通常被认为很慢，但既然我购买了AI芯片，应该可以使AI分析速度很快，所以用Python也没问题。由于芯片是专门用于AI的，所以其他处理速度较慢是不可避免的。
■TensorFlow今天，我尝试使用TensorFlow 2 + Python 3来实现人工智能，但网络上的信息大多是TensorFlow 1的，TensorFlow 2的示例很少，经过反复尝试，我勉强做到了原型阶段，但输出的值感觉很奇怪，得不到正确的答案。使用Matlab时，我可以在一天内轻松完成，但这个可能需要更多时间。果然，Matlab作为产品，用起来很方便。我也逐渐习惯了Python，感觉应该可以解决问题，但每个库都有自己的规则和转换，这很麻烦。
另外，我购买的Google AI专用TPU芯片似乎最好与Raspberry Pi一起使用，所以我正在重新设置之前购买但一直闲置的Raspberry Pi。它似乎会以意想不到的方式发挥作用。我之前没有给Raspberry Pi买外壳，因为打算长期使用，所以现在购买了一个。最初，我重新开机时，它竟然无法启动，我试图拔出Micro SD卡，结果卡片断裂了，所以需要重新购买。操作系统也需要重新设置。虽然很麻烦，但没办法。
■股东的损益模拟简单地模拟并图示股东的损益。
上方的图表是实际股价变动和近似公式。中间的图表是这次新增的，0以上为盈利，以下为亏损。图表在0以上表示平均而言所有股东都盈利，在0以下表示平均而言亏损。由于不知道是谁买卖的，所以假设平均而言所有股东都在交易。即使是这样的假设，也意外地得到了比较符合实际的图表。如果图表在0以下，可以理解为大家都在亏损，在0以上可以理解为大家都在盈利。
通过这个图表，可以看出2018年11月左右股价下跌，导致亏损的人增多，现在情况已经稳定。但是，这并不能说明现在是否应该购买。反而，这种图表可能作为一种“不应该购买”的指标发挥作用。2018年4月，股价没有太大波动，但由于反弹，有人获得了利润，除此之外，大部分都是亏损。
这只是模拟，而不是人工智能或机器学习。但是，这种简单的模拟可能在某些方面发挥作用。
■ 股东的潜在收益模拟进一步分析。模拟股东的潜在收益，并以图表形式显示。逐渐变得越来越像样子了。
在这个新的图表中，例如，可以发现以下几点：
■ 股价上涨了好几倍，但到最后，（所有股东的平均）潜在收益意外地没有太大增长（①处）。
■ 在最后一次股价暴跌时（②处），潜在收益似乎并没有减少很多（③处）。这表明，可能有人在上方进行了稳健的盈利了结。
■ 在最后一次股价暴跌时，成交量增加（④处），同时潜在收益也在增加（⑤处）。这意味着，可能是大户在捕捉到被散户抛售的股票，然后通过反弹获得利润。
现在可以看到以前看不到的东西。分析真是太有趣了。
这次分析这只股票。虽然这家公司在新闻中引起了很大的轰动，但股价却大幅下跌（1）。
股价下跌的同时，未实现利润（估计）也在不断下降（2）。
最后触底反弹（3）。
虽然反弹会增加未实现利润（4），但另一方面，如果股东的盈亏为负（5，低于中央红线即为负），那么可以推断，虽然在最后一次反弹时，未实现利润暂时增加，但很多人最终没有获利，而是选择止损。
这只是基于模拟的推测。
虽然这只股票可能并不能代表所有情况，但它可能暗示着“即使是狙击反弹，也有更高的可能性会亏损”。
从这个图表可以看出，即使反弹，大多数股东也会亏损。
从目前来看，对于股价下跌的股票，如果想进行反弹狙击，最好不要轻易尝试。
<请注意，这只是我个人的解读，与普遍的解读可能存在很大差异。我不是一个擅长股票的人。>
■移动平均线增加了根据移动平均线（9日、25日、75日）上下状态产生的买卖信号。
这是直接实现了“移动平均线 终极解读・使用方法”这本书里记载的算法。
信号上方区域的颜色表示以下含义：
・深红色：强烈的买入信号
・深绿色：强烈的卖出信号
中间颜色表示介于两者之间。
虽然是教科书上的内容，但如果信号出现后立即按照其指示进行操作，应该能获得一定的利润。
基本面非常重要。
■MACD显示MACD（MACD本身 + MACD的平均 + 直方图），这是分析中的常用指标。此外，还用标签显示当前的阶段。为了显示阶段何时发生变化，还添加了线条。
■RCI添加了一个名为RCI的股票指标。普通的RCI只有短期线和长期线的两条线，但为了更易于观察，我添加了一个类似于MACD信号的直方图（RCI区域内的绿色柱状图）。 感觉这个功能非常好，但普通的股票工具中几乎没有这种显示。
此外，为了避免同时查看RCI和MACD的麻烦，当两者都为正时，会在其间显示一个红色标记，当两者都为负时，显示一个绿色标记，以便更清晰地显示信号。
通过这种方式，可以比较移动平均线的信号（RCI上方）和这次添加的信号（RCI和MACD之间的信号）之间的差异，这很有趣。
这表明长期分析和短期分析可能会出现差异。 感觉这次添加的信号还算实用。
■短期价格变动图表从原始股价中减去移动平均线（趋势）的值，只显示短期价格变动。这样可以减少受到趋势的干扰，更容易观察到短期价格变动。
（移动平均线的周期会影响图表，因此尽可能自动判断并显示大致水平排列的数值。）
例如，这是从原始股价中减去89日移动平均线数值的差值图表。
最初是为了进行时间序列分析，但分析结果显示没有明显的周期性特征，所以只是显示了分析过程中生成的图表。这个图表本身可能很有用。
■唐山策略规则将被称为“唐山策略”的“如果超过四周内的最高价就买入，低于四周内的最低价就卖出”进行可视化，并且实际修改为，如果最终日收盘价超过阈值，则显示标签。这样就变得非常容易查看了。
虽然已经制定了很多规则，但是如果不验证哪些规则真正有效，可能会出现过多的信号，反而变得难以使用。
也许以后会进行模拟验证。
■模拟通过模拟，如果以当天的收盘价买入，然后显示是先达到5%的涨幅还是跌幅，并用红色/绿色表示。
这样，可以更容易地判断“在哪里买比较好”和“在哪里卖比较好”的参考标准。
似乎RCI的直方图（柱状图）是否出现突起可以作为信号。
顺便说一下，最近一直在关注的这家公司。这家公司是收购了所有女性都知晓的某美容院，并且以曾经的3D图形LSI业务为起家的公司，虽然知道的人可能不多，但股价非常奇怪。虽然销售额为500亿日元，但营业额为亏损，市值为34亿日元。即使是亏损，现金流也大幅为正，而且虽然“商誉”在未来5年内会计上会造成负担，但预计很快就会结束，未来似乎会上升。如果销售额达到500亿日元，营业额恢复到盈利50亿日元，市值为34亿日元是绝对不可能的，至少会上升到盈利的数值，通常应该与销售额相当，所以上限可能是市值为500亿日元，这可能是一个非常具有潜力的股票。即使没有达到那么高，如果能看到盈利的迹象，也值得期待翻倍。当然，也有可能通过大户的操纵进一步大幅下跌。因为股价已经很奇怪了，所以即使从现在开始再跌一半，也不会感到惊讶。实际上，从3月末开始一直在关注，并且多次买入/卖出，但3月末为了获得“美容券”而进行的下跌非常严重（苦笑），而且之后，大户的抛售导致股价一下子下跌了1成。虽然可能还会从现在开始下跌，但下个月就是本期财报，而且美容院是夏季才最受女性欢迎的行业（因为需要露出皮肤，所以会想去美容院）。从现在开始的半年，这家公司会很有趣。
→ 结果，后来调查发现，似乎销售额是会计上的虚假数据。业绩有些可疑。
■ 达到与Matlab相当的水平使用Python + TensorFlow(版本2)实现AI（深度学习），与在Matlab中进行的操作几乎相同。
在图表中，右中央的绿色点是AI预测的未来股价。Matlab和结果比较相似，所以基本原理是一样的。
最初，因为不熟悉TensorFlow(版本2)特有的编写方式，所以创建起来比较困难，但在找到示例后，就可以顺利地创建了。目前还没有使用Google TPU芯片，在Mac的CPU上运行速度确实很慢，不知道使用Google TPU芯片可以提高多少速度。 稍后会再讲。
虽然只是这样简单的东西，但这样我也算是加入了AI工程师的行列了吗（苦笑）。
■外汇我对其进行了改造，使其也考虑外汇（美元）。到昨天为止，它只预测相关股票的价格（一个变量），但现在它预测股票价格和美元外汇（两个变量）。
但是，从表面上看，结果似乎并没有太大变化…… 似乎需要进行验证。 也许它们之间没有太大的相关性。 也许在东京证券交易所第一部的蓝筹股中可能存在相关性。 我想再加入一些其他的因素。
接下来，我们用三个变量进行分析：“股价”、“成交量”、“美元外汇（FX）”。因为我们已经可以将一个变量改造为两个变量，所以将它扩展到三个变量非常简单。
嗯，外观上并没有太大变化。
精度怎么样呢？
也许应该加入纽约道琼斯指数之类的指标吗？
■Google TPU 不支持 LSTM
我尝试在 Raspberry Pi 上运行 Google TPU 芯片（USB），但发现它不支持我想要使用的 LSTM（RNN），只支持分类等功能。感觉很无奈，但总算学到了一些东西，所以也就这样吧。果然，芯片便宜就是有原因的。 即使是这样半途而废的东西，Google 也能卖出去，真是厉害。 看起来对于某些特定用途，比如动态识别，还是不错的。
・ 仅仅是安装 TensorFlow 的库，就经常要等待 30 分钟或 1 小时。 Raspberry Pi 实在是太慢了。
・ 默认情况下是 TensorFlow Ver1 系列，Ver2 需要从源代码构建。 我尝试搭建构建环境，但构建 Bazel 这个工具竟然花费了 24 小时以上，而且最终发现 Bazel 的最新版本不受支持，所以不得不重新构建旧版本的 Bazel，真是白费力气。 即使这样，TensorFlow Ver2 仍然无法正常工作。 真是无奈。 因为在 Raspberry Pi 的标准操作系统上失败了，所以我尝试更换为 Ubuntu，结果仍然是相同的。 虽然是白费力气，但我又恢复回了原来的操作系统。
・ 由于 Raspberry Pi 的 CPU 是 Arm 架构，所以无法直接运行 Google TPU 上默认提供的库和 Docker，只能使用 Raspberry Pi 专用的版本，这很不方便。
・ 操作系统默认的 Python 是 Ver3.5，所以我首先从源代码构建了 Ver3.7，但发现 TensorFlow 不支持，所以又安装了 Ver3.6，但效果并不明显，所以又恢复回了默认的 Ver3.5。
・ 我以为是库的问题，所以尝试从源代码构建了一些库，但仍然无法运行。
・ 最终，我得出结论，使用 Keras 访问 TensorFlow 时，Ver1 和 Ver2 的版本差异不大。 我在 Mac 上确认了这一点，无论使用哪个版本都可以正常工作。
・ Google TPU 本身不支持“从零开始的训练”，只支持“再训练”。 也就是说，需要在 CPU 上创建模型，然后进行特殊的转换，然后在云端的页面上进行进一步的转换，才能使用。 但是，我发现这个转换不支持我想要使用的 LSTM/RNN。 真是无奈。
是购买一套便宜的 PC 和 NVIDIA 的 GPU，还是在现有的 PC 上忍受？
■AI股票分析网站创建
https://kabu2u.com
https://kabu2u.com
虽然很简单，但更新了股票AI分析网站。将波动性较高的股票逐渐添加到网站上。
我还不确定应该以多大的细节程度来展示，所以暂时只发布分析后2周的旧数据。
暂时不发布未来预测，因为如果发布了未来预测而收到投诉会很麻烦。
将来如果精度提高，或许可以考虑将未来预测作为付费服务。
无论如何，目前的精度还不够高，所以从这个程度开始是个不错的选择。
■艾略特波浪分析
正在尝试艾略特波浪分析。（什么是艾略特波浪，请自行搜索）
最初尝试根据实际波形判断是第几波，但难度很大，所以改变了方向。
我打算模拟艾略特波浪，让AI记住模拟结果，然后再进行预测。
首先，在左上方的图表中，我交替地对斐波那契数列进行加减运算并进行图形显示，但如果直接显示，会出现负值（股票价格不可能为负），所以为了使整体变为正值，我将其线性地抬高，如图形所示。嗯，感觉有点不一样。
不仅是线性抬高，而是使用二次曲线抬高，如图所示。这感觉还不错，但又感觉有点不一样。
不过，实际的股票价格也经常出现难以理解的波动，所以也许这个程度就足够了。
总之，我绘制了图形，然后基于此创建了虚假的股票价格，并进行AI分析。
生成的图形如图所示。
虽然我已经让AI学习了这些，但实际使用时能达到什么样的精度，还需要进一步观察。
■用于AI解析的专用PC构建我在笔记本电脑（副用电脑）上安装了Ubuntu Linux。原本安装的是Windows，但是如果一直运行AI解析，每隔几个小时就会出现卡顿，导致解析停滞，所以不得不安装了Linux Ubuntu，结果非常流畅。似乎已经到Linux的舒适度超过Windows的时代了。最近的Windows不稳定且速度慢，感觉自己正在自寻烦恼。由于需要使用WORD/Excel，所以还是需要Windows，但除此之外，Windows可能已经不再是必需品了。如果现在构建的话，如果以Web化为基础，并且不需要Word/Excel/PowerPoint，那么可能就不需要Windows了。我基本上喜欢Microsoft，但是最近的Windows的不稳定性确实让人苦恼。在Linux上运行速度也更快。Google TPU芯片（USB）也能正常使用。
■作为特征量提取并进行分析正在提取人们可能意识到的范围作为特征量，并进行分析。虽然是依赖于具体股票，但有时也能获得相当好的精度。
深度学习本质上是模仿大脑神经元的运作方式，因此，通过事先将特征量分解作为输入，可以提高精度，这在逻辑上是合理的。但是，如果过于专注于特定的特征量，那么在与该特征量无关的股票中，精度可能会大幅下降。股票分析本身就是一项困难的任务，也许我们应该认为，只要有可用的条件就足够好了。
如果该特征量是有意义的，那么在深度学习过程中，误差会逐渐减少并最终收敛。但是，如果很难收敛，那么可能是特征量的数值存在错误，或者，该特征量本身可能没有意义（！）。这种发现非常新颖，深度学习可能正在揭示在股票世界中被普遍认为是“理所当然”的理论实际上可能没有意义。例如，有人说短期移动平均线和长期移动平均线的金叉是买入时机，而MACD的金叉也是类似的想法，但实际上，那里可能没有意义（！），这就是“或许”的深度学习分析结果。后续内容明天再看。
■跟随趋势由于技术分析的精度似乎不太好，所以我尝试构建了一个AI，其思路是简单地跟随趋势。这样一来，对于突然下跌或上涨的情况，就难以应对，但就跟随趋势而言，我得到了比以往更好的结果，所以我觉得这还不错。粗红线是AI的预测。也许，因为它是机器，所以这种用法反而更合适。对于人类来说，跟随趋势可能会感到厌倦，但只要让机器默默地进行这项工作就可以了。
在技术分析中，我尝试对输入值进行加工，并进行各种尝试，但这种跟随趋势的方法，在算法上非常简单。但是，如果参数的组合不合适，就无法正常运行，所以，虽然算法很简单，但找到最佳参数非常困难，这可能正是深度学习所擅长的领域。
■AI股票价格预测网站，初期版本AI股票价格预测 - https://kabu2u.com
https://kabu2u.com
初期版本完成。虽然还可以改进模型，或者使用更多的计算资源进行更深入的分析，但考虑到成本效益，目前这个版本可以作为一个初步的完成标准。虽然有很多想法可以继续尝试，但目前为止，这已经算是一个不错的成果了。从3月中旬开始使用Matlab，然后迁移到Python+Tensorflow，在两个半月的时间里完成了这个版本。其中一个月用于各种实验，剩下的半个月用于网站的开发和各种改造。虽然精度还有待提高，但目前的分析是优先考虑速度，所以会在过程中停止，接下来会逐步提高精度。如果精度不够，可以考虑使用更大的模型，这些需要耗费大量时间，但会逐步进行。目前，由于显示过于简单，计划逐步增加一些功能。
■添加支撑线
为了方便用户，添加了支撑线的显示，假设用户在预测日后的第二天以开盘价购买股票。这样可以使界面更易于阅读。
■蜡烛图将收盘价的折线图更改为普通的蜡烛图。果然，只有这样才显得像蜡烛图。
■ 空头交易
我尝试加入了空头交易。如果能做到这一点，我本应该赚更多，但可能因为无法进行机械交易，而是掺杂了感情，所以成绩不太好……
■ 算法回顾
回顾了空头交易的算法。在主页上发布了所有股票的空头交易结果。
■ 使用“完美订单”的空头交易
我尝试根据短期、中期和长期线，使用俗称“完美订单”的条件进行空头交易，结果不太好。这可能是因为当前的市场环境不好，或者，就像技术分析一样，可能只是事后找借口，也许只是一个都市传说。
盈亏平均 +0.5%，累计 +0.6%。
■ 算法比较
模拟比较了两种算法：一种是当人工智能预测上涨后，如果次日的开盘价比前一天的收盘价低几个百分点时买入的算法，另一种是当次日的开盘价不低于前一天的收盘价时买入的算法。从人类的感性角度来看，“以更低的价格买入”的前一种算法似乎给人一种好成绩的印象，但实际上后一种算法获胜。因为股票有上涨就会继续上涨，下跌就会继续下跌的倾向，所以这个结果也能理解。
盈亏平均分别为 +2.0% 和 +0.9%，可能只是误差。
■ 空头交易计算错误
空头交易的计算有误。是的。我一直觉得结果太好了。新的结果如下。大约为负1%。
即使今年以来的市场环境非常糟糕，但亏损只有1%左右，也可以说是很努力了。我希望市场环境好转时，能变成盈利……
空头交易1 [所有目标股票的平均] 盈亏：+0.1%（加权平均，近期优先）-0.1%（平均，所有时期），累计 -1.3%（所有时期）。
空头交易2 [所有目标股票的平均] 盈亏：-0.8%（加权平均，近期优先）-0.7%（平均，所有时期），累计 -1.5%（所有时期）。
空头交易3 [所有目标股票的平均] 盈亏：-0.8%（加权平均，近期优先）-0.7%（平均，所有时期），累计 -1.6%（所有时期）。
空头交易4 [所有目标股票的平均] 盈亏：-0.8%（加权平均，近期优先）-0.7%（平均，所有时期），累计 -2.2%（所有时期）。
空头交易5 [所有目标股票的平均] 盈亏：-0.1%（加权平均，近期优先）-0.1%（平均，所有时期），累计 -0.8%（所有时期）。
■ 果然，市场环境很重要
今天的市场环境很好，所以恢复了盈利。如果不进行改造，使其在不考虑市场环境的情况下也能盈利，那就太好了。
AirTrade 1 [所有目标股票平均] 盈亏: +0.5% (加权平均，近期优先) +0.1% (平均，全部期间) 累计 -0.0% (全部期间)
AirTrade 2 [所有目标股票平均] 盈亏: +0.4% (加权平均，近期优先) +0.2% (平均，全部期间) 累计 -0.1% (全部期间)
AirTrade 3 [所有目标股票平均] 盈亏: +0.1% (加权平均，近期优先) -0.0% (平均，全部期间) 累计 -0.5% (全部期间)
AirTrade 4 [所有目标股票平均] 盈亏: +0.4% (加权平均，近期优先) +0.2% (平均，全部期间) 累计 -0.0% (全部期间)
AirTrade 5 [所有目标股票平均] 盈亏: -0.3% (加权平均，近期优先) -0.4% (平均，全部期间) 累计 -1.4% (全部期间)
■AI 果然是黑盒子
虽然开始出现一些看起来不错的预测，但有时也会出现明显错误的结果。即使是我（人类）觉得有问题，实际的股价也更加难以理解，也许可以说已经超出了理解的范畴。AI，或者说深度学习的难点在于，中间结果是无法了解的黑盒子。很难解释为什么会产生这样的结果。虽然有基本的逻辑，可以勉强解释，但AI很难进行详细的解释。因此，重要的是将结果与现实进行比较，看看是否准确。总的来说，虽然大致能把握上涨和下跌的方向，但“何时”上涨，“何时”下跌，这个时机把握不够准确。也许最好是根据AI的结果判断方向，然后由人类来调整时机。
不过，每次做类似的东西，公司里总会有一些人，他们会说“这不只是你的成果”，然后会来分一杯羹，或者会挑剔，贬低你的贡献，试图阻止你，总是有人像虫子一样涌出来，贬低你的成果。但如果自己一个人做，因为没有人，也没有外包，所以所有都是自己做的，这一点很明确，而且没有那些阻碍你、偷成果或者要求分成的家伙，所以很清爽。在公司里，即使是同一个人做的，也比十个人大张旗鼓地做出来的东西，评价更高，这是一种矛盾。从成本效益的角度来看，一个人做的成本效益是十个人的十倍，但却会因为花费了十倍的成本而得到更高的评价，这是一种矛盾。不了解IT的上司可能无法理解一个人可以完成的事情。因为不了解IT，所以会很容易相信那些铺天盖地、充满自信的人。因为不了解IT，所以会以人数而不是成果来判断。这样的公司可能会在世界的竞争中被淘汰。IT技术人员也不会在这样的公司长期待下去。我希望不是所有的公司都是这样的。最终，那些人只是不了解技术和成果，所以会以人数来判断。IT行业至今仍然是“人月”的社会，受注开发并不是通过高效的开发来赚钱，而是对那些虽然不懂IT但有钱的客户进行一场盛大的“仪式”，这样才能赚钱。按成果付费是根本不可能的。因此，我不喜欢受注开发，我基本上只信任那些自己创业，利用IT来为自己服务的公司或个人。也许，如果大家都实行严格的成果主义，很多人会失业，从这个角度来说，那些毫无意义的IT行业，也能养活很多人。
■ 股票交易监控中AirTrade 4 的近期平均涨幅为 +4.3%。 监控股票数量已超过 300 支。 也许这只是误差或运气好，所以还需要继续观察。
人工智能模型的训练也在持续进行中。 我每天都在逐步改进一些细节。
■5胜1败基于前几天分析结果进行的虚拟交易，结果是5胜1败。 算是不错的。 毕竟是虚拟交易，实际上并没有购买。
同一天，情况更加夸张了。哇哦。是Air Tre没错吧。
■OCR我不会购买，但Sansan似乎有成为传奇IPO的潜力。虽然是亏损上市，而且销售额很低，但市值却高达1200亿日元，这是一家让人摸不着头脑的上市公司。
根据乐观的前提，我用简单的计算方法估算了Sansan的股息收益率。这只是在假设公司真的像社长所说的那样增长的情况下。如果像移动支付一样进入战国时代，股价很可能会持续下跌。
从技术上来说，很容易模仿，剩下的就是市场营销的问题。这取决于大型公司会如何应对。看到这样的利润率，我也有些想投资的冲动。
Sansan只是通过OCR识别名片，对吧。 这么简单的东西也能上市并赚大钱吗。 这种“先在营销上占据主导地位，就能赚大钱”的想法，和亚马逊很相似。 也许可以尝试开发一个流行的AI文字扫描应用。 然后，如果能做到与Sansan兼容，直接抢走所有客户（苦笑），是不是有点过分了。 暂时先做一个从图像中推断字体字符串的应用程序吧。就这样，我在Sansan上搜索文章，发现“只有100%的精度才会被普及”，这是日本特有的现象。
https://www.itmedia.co.jp/news/spv/1906/17/news042_2.html
意外地麻烦。 这可能就是差异化的原因，但感觉世界各地的人可能并不需要这么高的精度。
而且，名片本身可能就要消失了。
Google有开源的OCR，也许以后会尝试一下。
■之后
每天都在持续训练AI模型，并在不断进行细微调整，网站仍在持续运营。 无法战胜市场环境的恶化，运营业绩一直不太好。 如果市场环境良好，可以达到1%左右的收益，但如果市场环境不好，就会出现亏损。 也许只在市场环境良好的时候进行。 虽然直接使用比较困难，但如果自己要扫描所有股票，会很辛苦，所以将其作为一种一定程度的筛选方法来使用，似乎是可行的。
创建期间：
2019年3月中旬，下载Matlab并开始实验。
4月初，首次尝试Python。
4月末，AI分析网站的初期版本完成。
5月末，AI分析网站基本完成。
之后，模型一直在专用PC上持续训练。 随时进行微调。