はじめに
前回の記事では、データの収集と前処理について詳しく見てきました。今回は、Deep Q-Network（DQN）を用いた株価予測システムのモデル設計と開発プロセスについて説明します。
Deep Q-Network (DQN) とは
DQNは、伝統的なQ学習を深層学習と組み合わせた強化学習手法です。Q学習ではQ値を学習し、Qテーブルを完成させることに重きが置かれていましたが、DQNではこれに深層学習、ニューラルネットワークの考え方を含めています。ニューラルネットワークを使用してQ値を推定し、大規模な状態空間や行動空間を持つ問題に対応できます。
モデルの設計
このプロジェクトでは、複数の隠れ層を持つニューラルネットワークを採用し、最初は定番のReLU活性化関数を使用しました。ReLU（Rectified Linear Unit）は、ニューラルネットワークにおける活性化関数で、入力が正の場合はその値をそのまま出力し、負の場合は0を出力します。このあたりはこちらの記事でも説明しているのでぜひご覧ください。
入力層は前処理された株価データ（前日のダウとS＆P500の四本値）を受け取り、出力層は各行動に対する予測Q値を出力します。なので状態の数は8、アクションの数は3になります。当初は前日のものだけにしていたのですがその後過去三日間のそれぞれの四本値となるようにしました。
class DQNAgent:
def __init__(self):
self.state_size = 24 # ダウとS&P 500の各4本値
self.action_size = 3 # 行動のサイズ: 何もしない、ロング、ショート
self.memory = deque(maxlen=100000) # 経験再生バッファ
self.gamma = 0.9 # 割引率
self.epsilon = 1.0 # 探索率
self.epsilon_min = 0.01
self.epsilon_decay = 0.9999
self.learning_rate = 0.01
self.model = self._build_model()
ハイパーパラメーターの設定
モデルの開発においては、以下のハイパーパラメーターを設定しました。
| ハイパーパラメーター |
値 |
設定理由 |
| エピソード数 |
100 |
初期の1000から時間の制約により減少 |
| バッチサイズ |
32 |
モデル更新のバランスと計算効率のため |
| 学習率 |
0.001 |
安定した学習のため |
| 探索率の減衰 |
1.0から0.01まで |
探索と利用のバランスを取るため |
| 割引率 |
0.99 |
長期的な報酬を重視するため |
これらのハイパーパラメーターは、モデルの学習プロセスと性能に大きな影響を与えます。
まとめ
DQNを用いた株価予測システムの設計と開発は、複雑な市場環境における意思決定問題に対応するための重要なステップです。次回の記事では、モデルのテストと評価について詳しく見ていきます。
下に今回作成したモデルのクラス部分のコードを書いています。是非参考にしてください。
import random
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LeakyReLU
from tensorflow.keras.optimizers import Adam
from collections import deque
import tensorflow as tf
# 乱数シードの設定
np.random.seed(42)
random.seed(42)
tf.random.set_seed(42)
class DQNAgent:
def __init__(self):
self.state_size = 24 # ダウとS&P 500の各4本値
self.action_size = 3 # 行動のサイズ: 何もしない、ロング、ショート
self.memory = deque(maxlen=100000) # 経験再生バッファ
self.gamma = 0.9 # 割引率
self.epsilon = 1.0 # 探索率
self.epsilon_min = 0.01
self.epsilon_decay = 0.9999
self.learning_rate = 0.01
self.model = self._build_model()
def _build_model(self):
model = Sequential()
model.add(Dense(64, input_dim=self.state_size))
model.add(LeakyReLU(alpha=0.01))
model.add(Dense(64))
model.add(LeakyReLU(alpha=0.01))
model.add(Dense(self.action_size, activation='linear'))
model.compile(loss='mse', optimizer=Adam(learning_rate=self.learning_rate))
return model
def remember(self, state, action, reward, next_state, done):
# 経験をメモリに保存
def act(self, state):
# ε-greedy法で行動を選択
if np.random.rand() <= self.epsilon:
return random.randrange(self.action_size)
act_values = self.model.predict(state)
return np.argmax(act_values[0])
def replay(self, batch_size):
# メモリからランダムにバッチを取り出して学習
minibatch = random.sample(self.memory, batch_size)
for state, action, reward, next_state, done in minibatch:
target = reward
if not done:
target = reward + self.gamma * np.amax(self.model.predict(next_state)[0])
target_f = self.model.predict(state)
target_f[0][action] = target
self.model.fit(state, target_f, epochs=1, verbose=0)
if self.epsilon > self.epsilon_min:
self.epsilon *= self.epsilon_decay
