ファイナンス、情報通信技術のスキル・アグリゲーション・サイト

' . iseeit.jp Finance × ICT . '
 
Finance × AI / TensorFlow.js Demo

LSTM 短期予測アノマリー検出
為替レート 統合デモ

Yahoo Finance 実データ・CSV・合成データの3方式に対応。
LSTM 予測と AutoEncoder 異常検知を同一データ・同一画面で体験します。

TensorFlow.js 4.x CPU バックエンド Yahoo Finance 対応 LSTM 予測 AutoEncoder 異常検知

このツールについて

為替レート(USD/JPY 等)の時系列データを使って、2種類のAIモデルを体験するデモツールです。 LSTM(Long Short-Term Memory)による短期予測と、 AutoEncoder(自己符号化器)によるアノマリー(異常値)検出を、 同一データ・同一画面で比較できます。

データは Yahoo Finance からのリアルタイム取得・CSV アップロード・合成データの3方式に対応。 すべての計算はブラウザ内で完結し、データが外部に送信されることはありません。

📡

Yahoo Finance 実データ

USD/JPY 等をリアルタイム取得。CSV保存データも可能

🔮

LSTM 短期予測

過去パターンから次のレートを予測。複数ステップ先まで対応

🚨

AutoEncoder 異常検知

正常パターンを学習し「普段と違う動き」を自動検出

📊

統合チャート表示

予測ラインとアノマリー検出点を同一グラフに重ねて表示

ツールの使い方

1

データを準備する

「Yahoo Finance 取得」「CSV アップロード」「合成データ」の3方式から選択します。 Yahoo Finance 取得では USD/JPY などのシンボルと期間を選ぶだけで自動取得されます。 取得失敗時は合成データへ自動フォールバックします。

2

モードとパラメータを選択する

「LSTM 予測」または「AutoEncoder 異常検知」のタブを選びます。 迷ったらデフォルト値のままで実行できます。

3

学習を実行して結果を読む

ボタンを押すと CPU バックエンドで学習が始まります。 完了後、メインチャートに予測ラインまたはアノマリー検出点が表示されます。 両モードを続けて実行すると「予測が外れた点=アノマリー」の関係を確認できます。

両モードの関係: LSTMの予測誤差が大きい点とAutoEncoderのアノマリー検出点が重なる場合、 「2つのモデルが同じ異常を指摘している」ことを意味します。 急騰・急落などのイベントで特に顕著に現れます。

為替 AI デモ

▍ FX LSTM & ANOMALY DETECTOR
BACKEND: CPU
① データソース
シンボル
期間
corsproxy.io allorigins.win api.allorigins.win
📂
CSV をドロップまたはクリックして選択
形式:日付, 終値, 始値, 高値, 安値
データ点数
アノマリー率
件数:
期間:
最新値:
ソース:

② モード選択
ウィンドウサイズ 過去何日分を入力とするか(20日=約1ヶ月)
予測ステップ数 何ステップ先まで予測するか
エポック数(固定30)
30 エポック(CPU最適)
訓練データ比率
ウィンドウサイズ 異常判定の参照ウィンドウ幅
エポック数
閾値感度(パーセンタイル) 再構成誤差の上位何%をアノマリーとみなすか(低いほど検出数が増える)

[SYSTEM] データを読み込んでモードを選択してください...
次のステップ予測値
BEST LOSS
TEST RMSE
MAPE
検出されたアノマリー数
TOTAL POINTS
ANOMALIES
DETECT RATE

▍ 統合ビュー
LSTM 予測 AE アノマリー
━ 実測値 / -- LSTM予測ライン / ▲ アノマリー検出点(赤)
⚠ 本ツールの予測・検出結果は機械学習モデルによる試算です。為替レートの予測は多数の外部要因に影響され、モデルが捉えられない要因も多く存在します。投資判断の根拠としての使用はお控えください。

動作原理の解説

LSTM の動作原理

LSTM は過去のデータを「記憶」しながら次の値を予測するニューラルネットワークです。 セル状態(長期記憶)と3つのゲート(忘却・入力・出力)により、 通常のRNNが苦手な長期依存関係を学習できます。

過去N日の
レート
LSTM
(記憶・学習)
Dense層
翌日
予測値
スライディングウィンドウ: 「直近20日のデータから翌日を予測する」パターンを大量に作り、LSTMに学習させます。 予測後はその値を入力に追加しながら繰り返すことで複数ステップ先まで予測できます。
AutoEncoder の動作原理

AutoEncoder は「データを圧縮して復元する」ことを学習する教師なしモデルです。 正常データだけで学習させると、正常パターンはうまく復元できますが、 異常データは復元に失敗します。この再構成誤差(MSE)の大きさでアノマリーを判定します。

入力
(時系列)
Encoder
(圧縮)
潜在表現
(4次元)
Decoder
(復元)
誤差大
=異常
LSTMとの関係: LSTMの「予測誤差が大きい点」とAutoEncoderの「再構成誤差が大きい点」は、 急騰・急落などのイベント付近で重なることが多く、 2つのモデルが相互に異常を補強し合います。
⬇ 入力
データ
為替レート時系列

Yahoo Finance 取得 / CSV / 合成データ。終値(Close)を使用。100件以上推奨。

設定
ウィンドウサイズ

過去何日分を1つの入力とするか。10 / 20 / 40日

設定
予測ステップ(LSTM)

何ステップ先まで予測するか。ステップが増えるほど誤差が累積します。

設定
閾値感度(AutoEncoder)

再構成誤差の上位何%をアノマリーとするか(パーセンタイル)。

⬆ 出力
LSTM
予測レート

翌ステップの予測値と複数ステップ先の予測ライン。RMSE・MAPEで精度を評価。

LSTM
学習曲線

エポックごとの損失(MSE)の推移。収束しているかを確認できます。

AE
アノマリー検出点

再構成誤差が閾値を超えた点を赤マーカーで表示。検出率も算出。

AE
誤差分布チャート

各時点の再構成誤差と閾値ラインの可視化。異常の強度を確認できます。

【免責事項・ご注意】
本ツールの予測・検出結果は機械学習モデルによる試算です。為替市場は経済指標・地政学的リスク・ 中央銀行政策など多数の外部要因に影響されており、本モデルはそれらを考慮していません。 投資判断の根拠としての使用はお控えください。 Yahoo Finance データの利用は各自の責任でお願いします。

『為替 LSTM 予測 & アノマリー検出デモ』を公開しました。

ファイナンシャル・プランニング
債券利回り計算(単利)

最終利回り計算(単利) : 債券を購入時点から、最終償還日まで保有していた場合に得られる収益の利回りを単利にて計算します。

所有期間利回り計算(単利) : 債券の購入時点から、最終償還日前の売却時点までの所有期間に得られる収益の利回りを単利にて計算します。