股票交易信息显示程序及系统的制作方法

1.本发明涉及进行与股票交易的交易品种相关的建议的股票交易信息显示程序及系统。


背景技术：

2.近年来，利用了进行在股票交易时的各种建议的应用和进行股票交易的自动化即自动交易的系统。在利用这样的应用和系统时，在庞大的数据分析下进行建议则能够进一步提高获胜率，也能够期待回报的增加。但是，即便能够取得该庞大的数据，将能够对这些数据进行分析并对用户进行准确的建议这样的输出解汇总在一起也需要相当大的劳动力。另外，现实情况是，以往未提出能够自动地进行这些作业的系统。


技术实现要素：

3.发明要解决的问题
4.因此，本发明是鉴于上述的问题点而完成的，其目的在于，提供一种在进行与股票交易的交易品种相关的建议的股票交易建议程序中、能够取得庞大的数据并且对这些数据进行分析而将能够对用户进行准确的建议这样的输出解汇总在一起的股票交易信息显示程序及系统。
5.用于解决问题的手段
6.为了解决上述问题，本发明的股票交易信息显示程序是显示与股票交易的交易品种相关的信息的股票交易信息显示程序，其特征在于，该股票交易信息显示程序使计算机执行如下步骤：信息取得步骤，新取得与进行股票交易的时期内的市场情况相关的市场情况信息；以及显示步骤，利用预先取得的与过去的市场情况相关的参照用市场情况信息、与针对该过去的市场情况的之后的时间点的各交易品种的股价的增减数据之间的3个阶段以上的关联度，使对应于在上述信息取得步骤中取得的市场情况信息的参照用市场情况信息与各交易品种的股价的增减数据之间的3个阶段以上的关联度中的较高的关联度优先，而显示上述各交易品种的股价的增减数据。
7.本发明的股票交易信息显示系统是显示与股票交易的交易品种相关的信息的股票交易信息显示系统，其特征在于，具备：信息取得单元，其新取得与进行股票交易的时期内的市场情况相关的市场情况信息；以及显示单元，其利用预先取得的与过去的市场情况相关的参照用市场情况信息、与针对该过去的市场情况的之后的时间点的各交易品种的股价的增减数据之间的3个阶段以上的关联度，使对应于由上述信息取得单元取得的市场情况信息的参照用市场情况信息与各交易品种的股价的增减数据之间的3个阶段以上的关联度中的较高的关联度优先，而显示上述各交易品种的股价的增减数据。
8.发明的效果
9.即便没有特殊的技能或经验，针对顾客想要解决的经营上的问题点或课题，也能够通过人工智能自动地得到与股票交易相关的建议。
附图说明
10.图1是示出应用了本发明的股票交易信息显示系统的整体结构的框图。
11.图2是示出搜索装置的具体结构例的图。
12.图3是示出预先设定了参照用市场情况信息与各交易品种的股价的增减数据之间的3个阶段以上的关联度的例子的图。
13.图4是示出预先设定了参照用市场情况信息与参照用事件信息的组合的关联度的例子的图。
14.图5是示出预先设定了参照用市场情况信息与参照用外部环境信息的组合的关联度的例子的图。
15.图6是示出预先设定了参照用市场情况信息与参照用家计信息的组合的关联度的例子的图。
16.图7是示出预先设定了参照用市场情况信息与参照用家计信息的组合的关联度的例子的图。
17.图8是示出预先设定了参照用市场情况信息与参照用自然环境信息的组合的关联度的例子的图。
18.图9是示出预先设定了三种参照用信息的组合的关联度的例子的图。
19.图10是示出除了给出股价的增减数据之外还进行建议的例子的图。
20.图11是示出形成关联度的其他变形方式的图。
21.图12是示出由人工智能中的神经网络的节点构成关联度的例子的图。
具体实施方式
22.以下，参照附图对应用了本发明的股票交易建议程序详细进行说明。
23.图1是示出安装有应用了本发明的股票交易建议程序的股票交易信息显示系统1的整体结构的框图。股票交易信息显示系统1具备信息取得部9、与信息取得部9连接的搜索装置2、以及与搜索装置2连接的数据库3。
24.信息取得部9是用于供利用本系统的人输入各种命令和信息的设备，具体而言，由键盘、按钮、触摸面板、鼠标、开关等构成。信息取得部9不限定于用于输入文本信息的设备，也可以由麦克风等这样的能够检测声音并将其转换成文本信息的设备构成。另外，信息取得部9也可以构成为照相机等能够拍摄图像的摄像装置。信息取得部9也可以由扫描仪构成，该扫描仪具备能够根据纸介质的文档来识别字符串的功能。另外，信息取得部9也可以与后述的搜索装置2一体化。信息取得部9向搜索装置2输出检测到的信息。另外，信息取得部9也可以由通过扫描地图信息来确定位置信息的单元构成。另外，信息取得部9也包括温度传感器、湿度传感器、流量传感器、能够确定其他物质或物性的传感器。信息取得部9也可以由自动地取入登载于因特网上的站点的字符串和数据的单元构成。
25.数据库3蓄积在进行股票交易建议时需要的各种信息。作为在进行股票交易建议时需要的信息，存储有如下信息与该过去的市场情况下的各交易品种的股价的增减数据的数据集，这些信息为，与过去的市场情况相关的参照用市场情况信息、反映出在过去的市场情况的检测时期发生的事件的参照用事件信息、反映出过去的市场情况的检测时期内的外部环境的参照用外部环境信息、反映出过去的市场情况的检测时期内的与家计相关的统计
数据的参照用家计信息、反映出过去的市场情况的检测时期内的与不动产相关的统计数据的参照用不动产信息、反映出在过去的市场情况的检测时期发表的专家意见的参照用专家意见信息、反映出过去的市场情况的检测时期内的自然环境的信息的参照用自然环境信息。
26.即，在数据库3中，除了这样的参照用市场情况信息之外，将参照用事件信息、参照用外部环境信息、参照用家计信息、参照用不动产信息、参照用专家意见信息、参照用自然环境信息中的任意一个以上与过去的市场情况下的各交易品种的股价的增减数据相互关联起来存储。
27.搜索装置2例如由以个人计算机(pc)等为代表的电子设备构成，但除了pc以外，还可以实现为便携电话、智能手机、平板终端、可穿戴终端等其他任何的电子设备。用户能够得到该搜索装置2的搜索解。
28.图2示出搜索装置2的具体结构例。在该搜索装置2中，用于控制搜索装置2整体的控制部24、用于经由操作按钮或键盘等而输入各种控制用的指令的操作部25、用于进行有线通信或无线通信的通信部26、进行各种判断的估计部27、以及以硬盘等为代表的用于存储进行应执行的检索用的程序的存储部28与内部总线21分别连接。此外，在该内部总线21连接有作为实际显示信息的显示器的显示部23。
29.控制部24是用于通过经由内部总线21发送控制信号来控制安装在搜索装置2内的各结构要素的所谓的中央控制单元。此外，该控制部24根据经由操作部25的操作而经由内部总线21来传递各种控制用的指令。
30.操作部25由键盘、触摸面板实现，从用户输入用于执行程序的执行命令。该操作部25在从用户输入了上述执行命令的情况下，向控制部24通知该执行命令。接受该通知的控制部24以估计部27为首，与各结构要素协同配合地执行所希望的处理动作。该操作部25也可以实现为上述的信息取得部9。
31.估计部27估计搜索解。该估计部27在执行估计动作时，读出存储于存储部28的各种信息和存储于数据库3的各种信息作为所需信息。该估计部27也可以通过人工智能来控制。该人工智能也可以基于任何众所周知的人工智能技术来实现。
32.显示部23由基于控制部24的控制而作出显示图像的图形控制器构成。该显示部23例如由液晶显示器(lcd)等实现。
33.存储部28在由硬盘构成的情况下，基于控制部24的控制，对各地址写入规定的信息，并且根据需要读出该规定的信息。此外，在该存储部28中存储有用于执行本发明的程序。该程序由控制部24读出并执行。
34.对由上述结构构成的股票交易信息显示系统1中的动作进行说明。
35.在股票交易信息显示系统1中，例如如图3所示，预先设定并取得参照用市场情况信息与各交易品种的股价的增减数据的3个阶段以上的关联度成为前提。参照用市场情况信息是指与市场情况相关的各种信息。作为该参照用市场情况信息的例子，将利率、汇兑、各交易品种的股价、原油、期货、贵金属、比特币等的价格变动作为对象。该参照用市场情况信息也可以针对这些对象按照时间序列的图表、折线图等进行显示。另外，也可以标注布林带、macd、移动平均线等信息。此外，在该市场情况信息中也可以加入各交易品种的企业的基础指标，除了年间的销售、回报、成本之外还可以加入per(股价收益率)、pbr(股价纯资产
倍率)、roe(股本回报率)等指标。针对汇兑，也可以标注表示各货币间的价格变动的图表、布林带、macd、移动平均线等信息。
36.各交易品种的股价的增减数据是表示在取得该参照用市场情况信息之后的时间点、各交易品种的股价的增减为何种程度的数据。该增减数据可以以实际增减的价格幅度计数，也可以以增减率表现。该增减数据由测定时间点(之后的时间点)的股价相对于之前的时间点(即，取得了参照用市场情况信息的时间点)的股价的增减来表示。这里所说的之前的时间点也可以如比测定时间点提前10秒、提前1分钟、提前30分钟、提前1小时、提前4小时、提前1日、提前10日、提前1个月、提前1年、提前5年等那样相对于测定时间点具有任何的时间宽度而构成。即，股价的增减数据表示在将图表中的某个时间点设为测定时间点时，该测定时间点的股价相对于该之前的时间点的股价的增减。或者，该股价的增减数据也可以是表现股价的图表中所说k线本身的数据。
37.即，通过该参照用市场情况信息和股价的增减数据的数据集，可知在参照用市场情况信息中发送的各种技术事件(例如图表连续3日上升的、在图表上出现暂时标注了高值的上影线的情况等)之后的时间点，股价如何增减。即，针对技术事件的股价的增减结果成为数据集。因此，通过预先收集参照用市场情况信息和股价的增减数据的数据集，能够知晓在过去成为怎样的市场情况之后的时间点，股价如何进行了增减。
38.在图3的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03。作为这样的输入数据的参照用市场情况信息与输出连结。在该输出中，显示出作为输出解的股价的增减数据。
39.参照用市场情况信息通过3个阶段以上的关联度而与作为该输出解的股价的增减数据相互关联。参照用市场情况信息经由该关联度排列在左侧，各股价的增减数据经由关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息与哪个股价的增减数据的关联性高的程度。换言之，该关联度是表示各参照用市场情况信息与什么样的股价的增减数据关联的可能性高的指标，表示根据参照用市场情况信息选择最可能的股价的增减数据时的准确性。在图3的例子中，作为关联度而示出w13～w19。该w13～w19如以下的表1所示那样以10个阶段表示，越接近10分，表示作为中间节点的各组合与作为输出的股价的增减数据相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与作为输出的股价的增减数据相互关联的程度越低。
40.[表1]
[0041]
记号关联度w137w142w159w165w172w181w198w206w2110
w223
[0042]
搜索装置2预先取得这样的图3所示的3个阶段以上的关联度w13～w19。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和采用了该情况下的股价的增减数据中的哪一个这样的过去的数据，通过对它们进行分析、解析而预先制作出图3所示的关联度。
[0043]
例如，假设某个参照用市场情况信息是在某个交易品种的股价图表中，先行的macd从下往上超出滞后的同平均线(signal)时的信息。在这样的市场情况下，该交易品种的股价在之后的时间点大多上升30％。在这样的情况下，该交易品种的股价上升30％的关联度变强。与此相对，假设在完全相同的市场情况下，该交易品种的股价在之后的时间点大多下降25％，该交易品种的股价很少上升30％。在上述情况下，该交易品种的股价下降25％的关联度变强，该交易品种的股价上升30％的关联度变低。
[0044]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01的情况下，根据过去的各交易品种的股价的价格变动数据进行分析。这例如也可以从过去的股价图表的电子数据中提取。在为参照用市场情况信息p01的情况下，当各交易品种的股价的增减数据a1(交易品种〇
×
公司上升75％)的事例较多时，将与该增减数据a1连接的关联度设定得较高，当增减数据a3(交易品种
△□
公司下降25％)的事例较多时，将与该增减数据a3连接的关联度设定得较高。例如在参照用市场情况信息p01的例子中，与增减数据a1及增减数据a3连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a3连接的w14的关联度设定为2分。
[0045]
此外，该图3所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。另外，不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0046]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际在今后对顾客新进行与股票交易的交易品种相关的建议时，利用上述的学习完毕数据来预测股价的增减。在上述情况下，实际新取得与进行股票交易的时期内的市场情况相关的市场情况信息。该市场情况信息由与上述的参照用市场情况信息相同种类的数据构成。
[0047]
新取得的市场情况信息由上述的信息取得部9输入。信息取得部9也可以将图表、价格变动的数据等作为电子数据来取得。
[0048]
基于像这样新取得的市场情况信息，来实际预测针对该市场情况信息产生的可能性高的将来的股价(即，将来的股价的增减数据)。在上述情况下，参照预先取得的图3(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似的情况下，通过关联度w15与增减数据a2建立关联，通过关联度w16与增减数据a3建立关联。在上述情况下，将关联度最高的增减数据a2选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a3选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0049]
这样，能够根据新取得的市场情况信息，通过股价的增减数据来搜索将来可能产生的各交易品种的股价的状况并显示给用户(顾问)。通过观察该搜索结果，用户(顾问)能
够基于搜索到的股价的增减数据而得到应买卖的交易品种的方针。即便仅使用户观察股价的增减数据的搜索结果，也能够对用户给出有益的建议。顺便说一下，在构成该建议时，除了仅仅显示搜索到的股价的增减数据之外，也可以基于该增减数据，通过具体显示以何种程度买入或卖出哪些交易品种的股票来构成建议。
[0050]
在图4的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用事件信息p14～17。将作为这样的输入数据的参照用市场情况信息与参照用事件信息组合而得到的是图4所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0051]
在图4的例子中，形成参照用市场情况信息与参照用事件信息的组合成为前提。参照用事件信息是如下的概念：除了包括在国内或国外发生的各种社会新闻、突发事件、事件、庆典、喜事等之外，还包括在各企业发生的新闻、突发事件、事件、庆典、喜事等。能够从与各企业、社会整体相关的博客、分析师报告、有价证券报告书、广告、新闻稿、新闻记事等取得该参照用事件信息。这些参照用事件信息也可以是经由通过文本挖掘对新闻记事进行分析而得到的字符串、依存关系等而提取的。
[0052]
在图4的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用事件信息p14～17。将作为这样的输入数据的参照用市场情况信息与参照用事件信息组合而得到的是图4所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0053]
参照用市场情况信息与参照用事件信息的各组合(中间节点)通过3个阶段以上的关联度而与作为该输出解的各交易品种的股价的增减数据相互关联。参照用市场情况信息和参照用事件信息经由该关联度排列在左侧，各交易品种的股价的增减数据经由该关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息和参照用事件信息与各交易品种的股价的增减数据的关联性是否高的程度。换言之，该关联度是表示各参照用市场情况信息和参照用事件信息与什么样的各交易品种的股价的增减数据关联的可能性高的指标，表示根据参照用市场情况信息和参照用事件信息选择最可能的各交易品种的股价的增减数据时的准确性。除了市场情况数据之外，之后的时间点的各交易品种的股价的增减数据也根据实际在社会整体或各企业发生的各种事件而不同。因此，通过这些参照用市场情况信息与参照用事件信息的组合来搜索最优的交易品种的股价的增减数据。
[0054]
在图4的例子中，作为关联度而示出w13～w22。该w13～w22如表1所示那样以10个阶段示出，越接近10分，表示作为中间节点的各组合与输出相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与输出相互关联的程度越低。
[0055]
搜索装置2预先取得这样的图4所示的3个阶段以上的关联度w13～w22。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和参照用事件信息以及该情况下的各交易品种的股价的增减数据中的哪一个合适这样的过去的数据，通过对它们进行分析、解析而预先制作出图4所示的关联度。
[0056]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01且为参照用事件信息p16的情况下，根据过去的数据对该各交易品种的股价的增减数据进行分析。在各交易品种的股价的增减数据为增减数据a1(交易品种〇
×
公司上升75％)的事例较多的情况下，将与该增减数据a1连接的关联度设定得较高，在增减数据a2
(交易品种〇
×
公司下降50％)的事例较多且增减数据a1的事例较少的情况下，将与增减数据a2连接的关联度设定得高，将与增减数据a1连接的关联度设定得低。例如在中间节点61a的例子中，与增减数据a1及增减数据a2的输出连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a2连接的w14的关联度设定为2分。
[0057]
此外，该图4所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0058]
在图4所示的关联度的例子中，节点61b是参照用事件信息p14与参照用市场情况信息p01的组合的节点，增减数据a3的关联度成为w15，增减数据a5的关联度成为w16。节点61c是参照用事件信息p15、p17与参照用市场情况信息p02的组合的节点，增减数据a2的关联度成为w17，增减数据a4的关联度成为w18。
[0059]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际在今后进行股票交易建议用的增减数据的搜索时，利用上述的学习完毕数据来进行。在上述情况下，新取得与进行股票交易的时期内的市场情况相关的市场情况信息，并且，新取得反映出在进行股票交易的时期发生的事件的事件信息。该事件信息也可以对应于上述的参照用事件信息，例如取入新闻、报纸、博客等的数据，或者直接输入。
[0060]
基于像这样新取得的市场情况信息、事件信息，来搜索最优的各交易品种的股价的增减数据。在上述情况下，参照预先取得的图4(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似、且事件信息为p17的情况下，经由关联度与节点61d建立关联，该节点61d通过w19与增减数据a3建立关联，通过关联度w20与增减数据a4建立关联。在上述情况下，将关联度最高的增减数据a3选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a4选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0061]
此外，以下的表2示出从输入延伸的关联度w1～w12的例子。
[0062]
[表2]
[0063]
记号关联度w18w21w37w46w55w69w73w89w92w104w1110w122
[0064]
也可以基于从该输入延伸的关联度w1～w12来选择中间节点61。即，也可以是，关联度w1～w12越大，使中间节点61的选择的加权越重。但是，该关联度w1～w12均可以是相同值，中间节点61的选择的加权均可以全部相同。
[0065]
图5示出设定了上述的参照用市场情况信息和参照用外部环境信息的组合与针对该组合的各交易品种的股价的增减数据的3个阶段以上的关联度的例子。
[0066]
参照用外部环境信息包括企业外部的gdp、就业统计、矿工业生产指数、资本投资、劳动力调查等与政治、经济、社会、技术等相关的各种数据。
[0067]
在图5的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用外部环境信息p18～21。将作为这样的输入数据的参照用市场情况信息与参照用外部环境信息组合而得到的是图5所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0068]
参照用市场情况信息和参照用外部环境信息的各组合(中间节点)通过3个阶段以上的关联度而与作为该输出解的各交易品种的股价的增减数据相互关联。参照用市场情况信息与参照用外部环境信息经由该关联度排列在左侧，增减数据经由该关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息和参照用外部环境信息与增减数据的关联性是否高的程度。换言之，该关联度是表示各参照用市场情况信息和参照用外部环境信息与什么样的增减数据关联的可能性高的指标，表示根据参照用市场情况信息和参照用外部环境信息选择最可能的各交易品种的股价的增减数据时的准确性。除了市场情况数据之外，股价还根据实际的外部环境处于什么样的状态而变化。因此，通过这些参照用市场情况信息与参照用外部环境信息的组合来搜索最优的各交易品种的股价的增减数据。
[0069]
在图5的例子中，作为关联度而示出w13～w22。该w13～w22如表1所示那样以10个阶段示出，越接近10分，表示作为中间节点的各组合与输出相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与输出相互关联的程度越低。
[0070]
搜索装置2预先取得这样的图5所示的3个阶段以上的关联度w13～w22。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和参照用外部环境信息以及该情况下的增减数据中的哪一个合适这样的过去的数据，通过对它们进行分析、解析而预先制作出图5所示的关联度。
[0071]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01且为参照用外部环境信息p20的情况下，根据过去的数据对该增减数据进行分析。例如在中间节点61a的例子中，与增减数据a1及增减数据a2的输出连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a2连接的w14的关联度设定为2分。
[0072]
此外，该图5所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0073]
在图5所示的关联度的例子中，节点61b是参照用外部环境信息p18与参照用市场情况信息p01的组合的节点，增减数据a3的关联度成为w15，增减数据a5的关联度成为w16。节点61c是参照用外部环境信息p19、p21与参照用市场情况信息p02的组合的节点，增减数据a2的关联度成为w17，增减数据a4的关联度成为w18。
[0074]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际在今后进行建议时，利用上述的学习完毕数据来进行。在上述情况下，除了取得上述的市场情况数据之外，还新取得反映出进行股票交易的时期内的外部环境的外部环境信息。关于外部环境信息，例如如果为就业统计信息，则也可以直接取入该数据。如果为其他的统计数据，则也可以直接取得该数据。
[0075]
基于像这样新取得的市场情况信息、外部环境信息，为了构成最优的建议而搜索各交易品种的股价的增减数据。在上述情况下，参照预先取得的图5(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似、且外部环境信息为p21的情况下，经由关联度与节点61d建立关联，该节点61d通过w19与增减数据a3建立关联，通过关联度w20与增减数据a4建立关联。在上述情况下，将关联度最高的增减数据a3选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a4选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0076]
图6示出设定了上述的参照用市场情况信息和参照用家计信息的组合与针对该组合的各交易品种的股价的增减数据的3个阶段以上的关联度的例子。
[0077]
参照用家计信息包括家计消费状况调查、家计数据、一周内的平均就业时间、储蓄金额的统计数据、年收入的统计数据、与关于家计等相关的各种数据。
[0078]
在图6的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用家计信息p22～25。将作为这样的输入数据的参照用市场情况信息与参照用家计信息组合而得到的是图6所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0079]
参照用市场情况信息和参照用家计信息的各组合(中间节点)通过3个阶段以上的关联度而与作为该输出解的各交易品种的股价的增减数据相互关联。参照用市场情况信息和参照用家计信息经由该关联度排列在左侧，增减数据经由该关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息和参照用家计信息与增减数据的关联性是否高的程度。换言之，该关联度是表示各参照用市场情况信息和参照用家计信息与什么样的增减数据关联的可能性高的指标，表示根据参照用市场情况信息和参照用家计信息选择最可能的各交易品种的股价的增减数据时的准确性。存在除了根据市场情况数据之外股价的变化还根据实际的家计的状况处于什么样的状态而变动的交易品种。因此，通过这些参照用市场情况信息与参照用家计信息的组合，来搜索最优的各交易品种的股价的增减数据。
[0080]
在图6的例子中，作为关联度而示出w13～w22。该w13～w22如表1所示那样以10个阶段示出，越接近10分，表示作为中间节点的各组合与输出相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与输出相互关联的程度越低。
[0081]
搜索装置2预先取得这样的图6所示的3个阶段以上的关联度w13～w22。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和参照用家计信息以及该情况下的增减数据中的哪一个合适这样的过去的数据，通过对它们进行分析、解析而预先制作出图6所示的关联度。
[0082]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01且为参照用家计信息p24的情况下，根据过去的数据对该增减数据进行分析。例
如在中间节点61a的例子中，与增减数据a1及增减数据a2的输出连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a2连接的w14的关联度设定为2分。
[0083]
此外，该图6所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0084]
在图6所示的关联度的例子中，节点61b是参照用家计信息p22与参照用市场情况信息p01的组合的节点，增减数据a3的关联度成为w15，增减数据a5的关联度成为w16。节点61c是参照用家计信息p23、p25与参照用市场情况信息p02的组合的节点，增减数据a2的关联度成为w17，增减数据a4的关联度成为w18。
[0085]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际在今后进行建议时，利用上述的学习完毕数据来进行。在上述情况下，除了取得上述的市场情况数据之外，还新取得反映出进行股票交易的时期内的与家计相关的统计数据的家计信息。家计信息例如如果是储蓄金额的统计数据等这样的各政府部门发布的数据，则也可以直接取入该数据。如果是其他的统计数据，则也可以直接取得该数据。
[0086]
基于像这样新取得的市场情况信息、家计信息，为了构成最优的建议而搜索各交易品种的股价的增减数据。在上述情况下，参照预先取得的图6(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似、且家计信息为p25的情况下，经由关联度与节点61d建立关联，该节点61d通过w19与增减数据a3建立关联，通过关联度w20与增减数据a4建立关联。在上述情况下，将关联度最高的增减数据a3选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a4选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0087]
另外，作为图6所示的参照用家计信息的替代，也可以将反映出去的市场情况的检测时期内的与不动产相关的统计数据的参照用不动产信息用作输入数据。通过将参照用家计信息改写为参照用不动产信息并且将家计信息改写为不动产信息而省略上述情况下的详细结构的详细说明。
[0088]
在上述情况下，使用参照用市场情况信息和参照用不动产信息的组合与上述各交易品种的股价的增减数据的3个阶段以上的关联度。节点61规定参照用市场情况信息和参照用不动产信息的组合与上述各交易品种的股价的增减数据的3个阶段以上的关联度。
[0089]
参照用不动产信息包括办公室空置率、每坪单价、租金市场价、地价、与空房相关的统计数据等与不动产相关的所有信息。
[0090]
在预先形成这样的关联度而进行与股票交易相关的建议时，新取得反映出进行股票交易的时期内的与不动产相关的统计数据的不动产信息，基于与该不动产信息相同或相似的参照用不动产信息和参照用市场情况信息的组合与各交易品种的股价的增减数据的3个阶段以上的关联度，进行与股票交易的交易品种相关的建议。
[0091]
图7示出设定了上述的参照用市场情况信息和参照用专家意见信息的组合与针对该组合的各交易品种的股价的增减数据的3个阶段以上的关联度的例子。
[0092]
参照用专家意见信息是指表示专家的与股票的增减相关的见解的所有信息，是专
家的与发表于分析师报告或报纸记事等的股价的预想或股票的增减的原因相关的评论、见解等。
[0093]
在图7的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用专家意见信息p26～29。将作为这样的输入数据的参照用市场情况信息与参照用专家意见信息组合而得到的是图7所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0094]
参照用市场情况信息和参照用专家意见信息的各组合(中间节点)通过3个阶段以上的关联度而与作为该输出解的各交易品种的股价的增减数据相互关联。参照用市场情况信息和参照用专家意见信息经由该关联度排列在左侧，增减数据经由该关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息和参照用专家意见信息与增减数据的关联性是否高的程度。换言之，该关联度是表示各参照用市场情况信息和参照用专家意见信息与什么样的增减数据关联的可能性高的指标，表示根据参照用市场情况信息和参照用专家意见信息选择最可能的各交易品种的股价的增减数据时的准确性。除了市场情况数据之外，股价的变动有时还与实际的专家意见存在相关。因此，通过这些参照用市场情况信息与参照用专家意见信息的组合来搜索最优的各交易品种的股价的增减数据。
[0095]
在图7的例子中，作为关联度而示出w13～w22。该w13～w22如表1所示那样以10个阶段示出，越接近10分，表示作为中间节点的各组合与输出相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与输出相互关联的程度越低。
[0096]
搜索装置2预先取得这样的图7所示的3个阶段以上的关联度w13～w22。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和参照用专家意见信息以及该情况下的增减数据中的哪一个合适这样的过去的数据，通过对它们进行分析、解析而预先制作出图7所示的关联度。
[0097]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01且为参照用家计信息p28的情况下，根据过去的数据对该增减数据进行分析。例如在中间节点61a的例子中，与增减数据a1及增减数据a2的输出连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a2连接的w14的关联度设定为2分。
[0098]
此外，该图7所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0099]
在图7所示的关联度的例子中，节点61b是参照用专家意见信息p26与参照用市场情况信息p01的组合的节点，增减数据a3的关联度成为w15，增减数据a5的关联度成为w16。节点61c是参照用专家意见信息p27、p29与参照用市场情况信息p02的组合的节点，增减数据a2的关联度成为w17，增减数据a4的关联度成为w18。
[0100]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际在今后进行建议时，利用上述的学习完毕数据来进行。在上述情况下，除了取得上述的市场情况数据之外，还新取得反映出在进行股票交易的时期发表的专家意见的专家意见信息。关于专家意见信息，例如如果存在在报纸记事中示出专家意见的专家意见信息，则也可以直接取入该数据。
[0101]
基于像这样新取得的市场情况信息、专家意见信息，为了构成最优的建议而搜索各交易品种的股价的增减数据。在上述情况下，参照预先取得的图7(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似、且专家意见信息为p29的情况下，经由关联度与节点61d建立关联，该节点61d通过w19与增减数据a3建立关联，通过关联度w20与增减数据a4建立关联。在上述情况下，将关联度最高的增减数据a3选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a4选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0102]
图8示出设定了上述的参照用市场情况信息和参照用自然环境信息的组合与针对该组合的各交易品种的股价的增减数据的3个阶段以上的关联度的例子。
[0103]
参照用自然环境信息是指灾害数据、气温数据、降水量数据、风向数据、湿度数据等与自然环境相关的所有信息，是气象局发表的与过去的自然环境相关的数据或者民间的企业或个人发表的与过去的自然环境相关的数据等。
[0104]
在图8的例子中，作为输入数据，例如采用参照用市场情况信息p01～p03、参照用自然环境信息p30～33。将作为这样的输入数据的参照用市场情况信息与参照用自然环境信息组合而得到的是图8所示的中间节点。各中间节点进一步与输出连结。在该输出中，显示出作为输出解的各交易品种的股价的增减数据。
[0105]
参照用市场情况信息和参照用自然环境信息的各组合(中间节点)通过3个阶段以上的关联度而与作为该输出解的各交易品种的股价的增减数据相互关联。参照用市场情况信息和参照用自然环境信息经由该关联度排列在左侧，增减数据经由该关联度排列在右侧。关联度表示排列在左侧的参照用市场情况信息和参照用自然环境信息与增减数据的关联性是否高的程度。换言之，该关联度是表示各参照用市场情况信息和参照用自然环境信息与什么样的增减数据关联的可能性高的指标，表示根据参照用市场情况信息和参照用自然环境信息选择最可能的各交易品种的股价的增减数据时的准确性。除了市场情况数据之外，股价的变动也有时与实际的专家意见存在相关。因此，通过这些参照用市场情况信息与参照用自然环境信息的组合，来搜索最优的各交易品种的股价的增减数据。
[0106]
在图8的例子中，作为关联度而示出w13～w22。该w13～w22如表1所示那样以10个阶段示出，越接近10分，表示作为中间节点的各组合与输出相互关联的程度越高，反之，越接近1分，表示作为中间节点的各组合与输出相互关联的程度越低。
[0107]
搜索装置2预先取得这样的图8所示的3个阶段以上的关联度w13～w22。即，搜索装置2在进行实际的搜索解的判别时，预先蓄积参照用市场情况信息和参照用自然环境信息以及该情况下的增减数据中的哪一个合适这样的过去的数据，通过对它们进行分析、解析而预先制作出图8所示的关联度。
[0108]
该分析、解析也可以通过人工智能来进行。在上述情况下，例如在为参照用市场情况信息p01且为参照用自然环境信息p32的情况下，根据过去的数据对该增减数据进行分析。例如在为参照用市场情况信息p01与参照用自然环境信息p32相关联的中间节点61a的例子中，与增减数据a1及增减数据a2的输出连接，但根据以前的事例，将与增减数据a1连接的w13的关联度设定为7分，将与增减数据a2连接的w14的关联度设定为2分。
[0109]
此外，该图8所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神
经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0110]
在图8所示的关联度的例子中，节点61b是参照用自然环境信息p30与参照用市场情况信息p01的组合的节点，增减数据a3的关联度成为w15，增减数据a5的关联度成为w16。节点61c是参照用专家意见信息p31、p33与参照用市场情况信息p02的组合的节点，增减数据a2的关联度成为w17，增减数据a4的关联度成为w18。
[0111]
这样的关联度成为人工智能中所说的学习完毕数据。在制作出这样的学习完毕数据之后，实际上在今后进行建议时，利用上述的学习完毕数据来进行。在上述情况下，除了取得上述的市场情况数据之外，还新取得反映出进行股票交易的时期内的自然环境的信息的自然环境信息。自然环境信息例如也可以是气象局、民间企业、个人发表的与自然环境相关的数据或信息、或者从记载有这些数据或信息的站点直接取入。
[0112]
基于像这样新取得的市场情况信息、自然环境信息，为了构成最优的建议而搜索各交易品种的股价的增减数据。在上述情况下，参照预先取得的图8(表1)所示的关联度。例如，在新取得的市场情况信息与p02相同或与其相似的情况下且在自然环境信息为p33的情况下，经由关联度与节点61d建立关联，该节点61d通过w19与增减数据a3建立关联，通过关联度w20与增减数据a4建立关联。在上述情况下，将关联度最高的增减数据a3选择为最优解。但是，也可以不是必须将关联度最高的增减数据选择为最优解，而将虽然关联度低但关联性本身得到认可的增减数据a4选择为最优解。此外，除此之外当然也可以选择箭头未相连的输出解，只要基于关联度即可，也可以按照其他任何的优先顺位进行选择。
[0113]
图9示出设定了上述的参照用市场情况信息和除了参照用事件信息之外还结合有参照用外部环境信息的组合与针对该组合的各交易品种的股价的增减数据的3个阶段以上的关联度的例子。
[0114]
在上述情况下，关联度如图9所示，参照用市场情况信息、参照用事件信息以及参照用外部环境信息的组合的集合与上述同样地表现为中间节点的节点61a～61e。
[0115]
例如，在图9中，节点61c通过关联度w3与参照用市场情况信息p02关联，通过关联度w7与参照用事件信息p15关联，通过关联度w11与参照用外部环境信息p19关联。同样，节点61e通过关联度w5与参照用市场情况信息p03关联，通过关联度w8与参照用事件信息p15关联，通过关联度w10与参照用外部环境信息p18关联。
[0116]
在设定有这样的关联度的情况下，也同样地基于新取得的市场情况信息、事件信息以及外部环境信息来判别搜索解。
[0117]
在判别该搜索解时参照预先取得的图9所示的关联度。例如，在所取得的市场情况信息与参照用市场情况信息p02相同或相似、且所取得的事件信息对应于参照用事件信息p15、且所取得的外部环境信息对应于参照用外部环境信息p19的情况下，该组合与节点61c建立关联，该节点61c通过关联度w17与增减数据a2建立关联，并且，通过关联度w18与增减数据a4建立关联。基于这样的关联度的结果w17、w18，实际求出搜索解。
[0118]
在组合3种以上这样的输入参数的情况下，通过参照用市场情况信息、以及参照用事件信息、参照用外部环境信息、参照用家计信息、参照用不动产信息、参照用专家意见信息、参照用自然环境信息中的任意2种以上构成组合，也能够应用。
[0119]
此外，作为输出数据，除了各交易品种的股价的增减数据之外，也可以如图10所示
那样直接显示与实际的股票的购买行动(例如，买入〇
×
公司，持有
×
〇公司)等相关的建议。该建议除了指定建议买卖的交易品种之外，也可以建议到具体的股票数。上述建议也可以基于上述的增减数据而生成。在上述情况下，也可以是，如果将来股价变高，则建议应买入，如果将来股价变低，则建议应卖出。此外，在建议中，除了显示股票交易的回报的可能性之外，还显示风险。此时，作为输入数据和学习的数据，当然也可以代替增减数据而直接使该建议内容包含在数据集中进行学习。
[0120]
此外，本发明也可以实现为自动进行股票交易的自动股票交易程序。在该情况下，在基于上述的步骤搜索到增减数据之后，基于该增减数据，自动地买卖股价的各交易品种。在上述情况下，基于与股票的购买行动(例如，买入〇
×
公司，持有
×
〇公司)等相关的建议，系统侧自动进行股票的买卖。
[0121]
在上述的关联度中，以10个阶段评价表现出关联度，但不限于此，以3个阶段以上的关联度表现即可，反之只要是3个阶段以上，则可以是100个阶段也可以是1000个阶段。另一方面，该关联度不包含2个阶段，即不包含是否相互关联且由1或0中的任意一方表现的情况。
[0122]
根据由上述结构构成的本发明，即便没有特殊的技能和经验，任何人也能够轻松地在进行股票交易时进行最优的交易品种的搜索。另外，根据本发明，相比于由人进行该搜索解的判断，能够高精度地进行该搜索解的判断。此外，通过由人工智能(神经网络等)构成上述的关联度，能够使其学习来进一步提高其判别精度。
[0123]
另外，在大多情况下，上述的输入数据及输出数据在进行学习的过程中不存在完全相同的数据，因此，也可以是按照不同类别对这些输入数据和输出数据进行了分类的信息。即，也可以是，构成输入数据的信息p01、p02、
····
p15、16、
···
根据该信息的内容，预先在系统侧或用户侧按照分类后的基准进行分类，在该分类后的输入数据与输出数据之间制作出数据集并进行学习。
[0124]
此外，如图11所示，也可以是，作为参照用信息u，除了参照用市场情况信息之外，还由参照用事件信息、参照用外部环境信息、参照用家计信息、参照用不动产信息、参照用专家意见信息、参照用自然环境信息等构成，作为参照用信息v，除了与参照用信息u组合地构成关联度的参照用市场情况信息之外，还设为参照用事件信息、参照用外部环境信息、参照用家计信息、参照用不动产信息、参照用专家意见信息、参照用自然环境信息等，基于这些组合的关联度进行判别。输出解对应于上述的各信用度。
[0125]
此时，也可以将针对参照用信息u得到的输出直接作为输入数据，经由与参照用信息v的组合的中间节点61而与输出建立关联。例如，也可以是，在针对参照用信息u输出输出解之后，将其直接作为输入，利用与其他的参照用信息v之间的关联度来搜索输出。
[0126]
此外，该图3所示的关联度也可以由人工智能中的神经网络的节点构成。即，该神经网络的节点针对输出的加权系数对应于上述的关联度。不限于神经网络，也可以由构成人工智能的所有决策因素构成。
[0127]
在上述情况下，也可以是，如图12所示，作为输入数据而输入参照用结算信息，作为输出数据而输出各信用度，在输入节点与输出节点之间设置至少1个以上的隐藏层并进行机器学习。此外，反之也可以构成为各信用度成为输入且参照用结算信息成为输出。
[0128]
此外，根据本发明，特征在于，经由设定为3个阶段以上的关联度而进行最优的解
搜索这一点。关联度在上述的10个阶段之外例如能够记述为0～100％的数值，但不限于此，只要是能够记述为3个阶段以上的数值，则也可以由任何阶段构成。
[0129]
基于由这样的3个阶段以上的数值表示的关联度来判别回报率更高且风险更低的股票的交易品种，由此，在考虑了多个搜索解的可能性的候选的状况下，也能够按照该关联度从高到低的顺序进行搜索并显示。
[0130]
除此之外，根据本发明，能够在关联度为1％这样的非常低的输出的判别结果也不会看漏的情况下进行判断。即便是关联度非常低的判别结果，也作为轻微迹象而连接，能够使用户注意有时在几十次、几百次的一次中该判别结果是有用的。
[0131]
此外，根据本发明，通过基于这样的3个阶段以上的关联度进行搜索，具有能够通过阈值的设定的方法来决定搜索方针的优点。如果降低阈值，则即便是上述的关联度为1％的情况，也能够无遗漏地拾取，相反，也存在降低了能够很好地检测更合适的判别结果的可能性且拾取很多噪声的情况。另一方面，如果提高阈值，则能够高概率的检测最优的搜索解的可能性高，相反，也存在看漏虽然通常关联度较低而被忽略但在几十次、几百次中出现一次的合适解的情况。虽然能够基于用户侧、系统侧的考虑方法来决定重点关注哪一个，但能够提高选择这样的重点关注的点的自由度。
[0132]
此外，在本发明中，也可以更新上述的关联度。该更新例如也可以反映出经由以因特网为首的公共通信网而提供的信息。另外，在取得了除了市场情况信息之外还与事件信息、外部环境信息、家计信息、不动产信息、专家意见信息、自然环境信息相关的见解、信息、数据的情况下，使关联度根据这些内容上升或下降。
[0133]
即，该更新相当于人工智能中所说的学习。由于取得新的数据并将其反映到学习完毕数据中，因此，也可以说是学习行为。
[0134]
此外，关于该关联度的更新，除了基于能够从公共通信网取得的信息的情况以外，也可以基于专家的研究数据、论文、学会发表、报纸记事、书籍等内容，由系统侧或用户侧人为地或自动地进行更新。在这些更新处理中，也可以利用人工智能。
[0135]
另外，最初制作出学习完毕模型的过程以及上述的更新不仅使用有示教学习，也可以使用无示教学习、深度学习、强化学习等。在无示教学习的情况下，也可以取代读入并学习输入数据和输出数据的数据集，而读入并学习与输入数据相当的信息，此后自己形成与输出数据关联的关联度。
[0136]
标号说明
[0137]
1 股票交易信息显示系统
[0138]
2 搜索装置
[0139]
21 内部总线
[0140]
23 显示部
[0141]
24 控制部
[0142]
25 操作部
[0143]
26 通信部
[0144]
27 估计部
[0145]
28 存储部
[0146]
61 节点