We are developing an AI dealer ROBOT for investment.

「投資用AIロボットの開発」

次の文章はビットコインのトレード用のAIロボットの開発例である。

データ収集

【rateA.py】
１）価格データを収集（25，6秒間隔（１サンプル間隔と呼ぼう））
２）２５６個の配列データを左にシフトして最後尾に新しく収集したデータを書き加える。
３）２５６個の配列データを wavelets 変換して９個の係数データとする。
４）この係数データを２５６組集めて１つのファイルに書き込む
５）この１つのファイルの作成時間は凡そ１時間４８分である。尚、最初のファイル（最初の２５６個のデータ：F0）はデータ列が完成していないので、意味のないデータとなる。
６）それぞれのファイル、F0,F1,F2,..  は決して独立なものではなくデータとしてつながったものである。例えばF2の最初の行は殆ど(255個)がF1の期間のデータでF2の期間のデータをひとつ足してwavelets 変換したものである。


データ解析 １
【readCSV.py】
１）ひとつのファイルの中の、wavelets 変換した９個の係数データの内、０次、１次、２次、３次の係数データをグラフ化したものである。横軸はデータ数（２５６個）であり、時間では１時間４８分程度である。
２）０次のデータは価格を意味すると思われる。２次（黄色）３次（緑色）のデータは各グラフで特徴を掴みにくい。解析に用いるのは０次及び１次のデータで十分かもしれない。
３）このデータは、収集したデータフォルダーの中に保存されている。

データ解析 ２
【Polynomial.py】
１）前記０次データ曲線および１次データ曲線を３次多項式近似し、その係数（４個X2 ８個）をエクセルファイル(POLY.xsls)として保存したものである。
２）各ファイルは元のデータファイルの識別記号をつけて（例：POLY-m.xlsx) DropBox → FinTech → BCデータ → 収集データ に保存した。
３）例えば　DataG というフォルダの中にはF0~F44 までの45 個のファイルが収められている。F0は無意味でありF44も256個のデータがない不十分なものなので実質的には43個のファイルである。この43個のファイルの係数データがFPOLY-g.xlsxの各行に対応している。

データ解析　３
１）各収集データのファイルをひとつのエクセルファイルに纏めた。DropBox → FinTech → BCデータ → POLY-ALL.xlsx に保存した。
２）１列目（A列目）が価格相当データであるので、その部分に注目する。
３）次のような基準で最終列（I列目）に数値を記入した。
　　◎ｋ番目のデータに注目して、（ｋ＋１）番目、（ｋ＋２）番目のデータが続けて増加しており、その増加幅が0.5％以上であれば　結果を+1とする。
　　◎ｋ番目のデータに注目して、（ｋ＋１）番目、（ｋ＋２）番目のデータが続けて減少しており、その減少幅が0.5％以上であれば　結果を-1とする。
　　◎それ以外であれば、結果を0とする。
４）このファイルをDropBox → FinTech → BCデータ → POLY-ALL-2.xlsx に保存した。

データ解析　４
１）トレーニング用データとして、POLY-ALL-2.xlsx を整理した。
　　◎ 不要な行を削除した。
　　◎ A列目は価格相当データ（直流成分）なので削除した。
　　◎ 新たにA,B,C 列を付け足して、最終列の値が−１の場合はA列の値を１に、０の場合はB列の値を１に、＋１の場合はC列の値を１にし、それ以外は０とした。
２）整理済のファイルをDropBox → FinTech → BCデータ → POLY-ALL-Learn.xlsx に保存した。
３）ワイン分類などの例題とフォーマットを合わせるために、A,B,C列の結果を最終列に移動し、最初の列に１，２，３という順番を付した。
　　それをタブ区切りテキストファイルとして、DropBox → FinTech → BCデータ → POLY-ALL-Learn.txt に保存した。
　　





運用

１）通常のようにリアルタイム価格データを一定時間毎に収集する。25，6秒間隔（１サンプル間隔））
２）価格データは２５６個のデータを１セットとする。このデータセットの最後尾に新しいデータを付け加え先頭の古いデータは消去する。
３）この２５６個の新しいデータが得られた段階でデータを wavelets 変換する。この wavelets 係数データを念の為に保存する。（従来どおり）。新しい行が次々に追加されて２５６行になったときに、次の新ファイルに移る。
４）先程のwavelet 変換した係数の０次成分および１次成分のみを別に保存する。０次成分および１次成分は wave0[256], wave1[256] という配列に保存していく。配列の最後尾に新しいデータを付け加え先頭の古いデータは消去する。
５）wave0[256], wave1[256] という配列の１６個が更新された段階（４００秒＝７分弱）で、これらの数列を３次関数近似する。その係数８個のうち、wave0[256]の０次係数を除いた７個の係数を予測対象データとしてAIを用いて予測する。その確率とともにファイルに書き込む。書き込む値は、日時、その時の価格、７つのパラメータ、３つの確率である。