分析手法の詳細解説

Stock Visionが採用する4つの予測手法について、その理論的背景と実装方法を詳しく解説します。 各手法は異なるアプローチで市場を分析し、多角的な視点から株価予測の精度向上を目指しています。

移動平均分析

トレンドの方向性と継続性を分析

手法 1/4

基本原理

過去一定期間の平均価格から市場の方向性を判断

実装方法

  • 20期間移動平均線を基準とした分析
  • 直近24ヶ月のデータから長期トレンドを抽出
  • 線形回帰によるトレンドの傾きを計算
  • 実際のボラティリティを考慮した予測幅の設定

計算式

MA(n) = (P₁ + P₂ + ... + Pₙ) / n

✓ 強み・優位性

  • 長期トレンドの把握に優れる
  • ノイズを平滑化して本質的な動きを抽出
  • シンプルで理解しやすい

⚠ 制限・注意点

  • 急激な市場変動への反応が遅れる
  • 横ばい相場では精度が低下
  • 過去データに依存しすぎる傾向
テクニカル分析

複数のテクニカル指標による総合判断

手法 2/4

基本原理

RSI、MACD、ボリンジャーバンドの組み合わせで市場心理を分析

実装方法

  • RSI（21期間）による買われすぎ・売られすぎの判定
  • MACD（12-26-9）によるトレンド転換の検出
  • ボリンジャーバンド（30期間、2σ）による価格変動幅の評価
  • 出来高分析による市場参加者の意欲測定

計算式

RSI = 100 - (100 / (1 + RS)), RS = 平均上昇幅 / 平均下落幅

✓ 強み・優位性

  • 短期的な市場心理を反映
  • 複数指標による多角的分析
  • 売買タイミングの精度が高い

⚠ 制限・注意点

  • レンジ相場でのだまし多発
  • 指標の設定パラメータに依存
  • ファンダメンタルズを無視
モンテカルロシミュレーション

確率的モデルによる多様なシナリオ分析

手法 3/4

基本原理

拡張された幾何ブラウン運動モデルで5000回のシミュレーションを実行

実装方法

  • 過去の月次リターンから平均リターンとボラティリティを算出
  • 正規分布乱数による基本的な価格変動をモデル化
  • レジーム変動（通常・高ボラ・低ボラ期間）を動的に切り替え
  • ジャンプ拡散プロセスによる突発的な大変動を統合
  • 平均回帰効果による長期的な価格安定化を考慮
  • 5000回の統計処理により5%ile-95%ile信頼区間を算出

計算式

S(t+1) = S(t) × (1 + μ_adj + σ_adj × Z + Jump + MeanReversion)

✓ 強み・優位性

  • 不確実性を定量化できる
  • 極端なシナリオも考慮
  • リスク管理に有効
  • 市場レジーム変化を反映

⚠ 制限・注意点

  • 過去の統計に基づく前提
  • 複雑なモデルの解釈が困難
  • 計算コストが高い
機械学習分析

AI技術による複雑なパターン認識

手法 4/4

基本原理

Ridge回帰による多次元特徴量からの価格予測

実装方法

  • 過去12ヶ月のリターン、RSI、価格ポジションを特徴量として使用
  • ボラティリティと出来高比率を追加特徴量として統合
  • Ridge回帰による正則化でオーバーフィッティングを防止
  • 非線形パターン認識と特徴量相互作用効果を考慮

計算式

y = β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ + α||β||²

✓ 強み・優位性

  • 複雑な非線形関係を学習
  • 多次元データの活用
  • 継続的な学習と改善

⚠ 制限・注意点

  • ブラックボックス化のリスク
  • 過学習の可能性
  • 説明可能性の課題
総合的なアプローチ

多角的分析の意義

Stock Visionでは、4つの異なる分析手法を同時に実行することで、 単一の手法では捉えきれない市場の複雑性に対応しています。 各手法の強みを活かし、弱点を補完し合うことで、 より信頼性の高い予測結果を提供します。

データの活用

10年間の過去データを基盤として、調整後終値、出来高、 高値・安値などの多面的な情報を活用。 Yahoo Finance Japanとの連携により、 最新データでの分析精度の向上を実現しています。