株式会社 ExampleAI

ExampleAI Insight は、公開市場データを自動収集し、解析パイプラインを通じて「市場の傾向」「ニュースの影響度」「パターン（エントリ/エグジットの候補）」を定量化する研究用ツールです。主な提供物は分析レポート、指標抽出結果、ニュース影響度スコアです。

主な機能（概要）

• データ収集自動化：主要取引所の株価、出来高、企業リリース、ニュースフィードの取得
• 時系列解析：移動平均、ボラティリティ、分位点分析などの算出
• ニュース解析：NLPによる分類（ポジティブ／ネガティブ／中立）と影響度推定
• パターン検出：クラスタリング・異常検知・相関分析による注目ポイント抽出
• 出力：CSV/JSONレポート、可視化スナップショット（K線等）

適用シナリオ

• 研究用途：市場構造やニュース効果の検証
• 監査/モニタリング：公開情報の自動整理とアーカイブ
• 情報サービス：市場レポート作成の下支えツール

製品の詳細（技術的ポイント）

ExampleAI Insight はモジュール構造で、収集モジュール → 前処理モジュール → 特徴量生成 → 分析モデル → レポーティングという流れを持ちます。各モジュールはログを残し再現性を確保しています。

以下は当社が研究用途で用いる一般的なワークフローの要約です。実装は用途により調整します。

1) データ収集

公開取引所API、企業のIRリリース、主要ニュース配信元（RSS/サイト）、公開経済統計を定期的に取得します。取得日時とソースを記録し、再現性を担保します。

2) 前処理（Data Cleaning）

• タイムスタンプ同期（マーケットタイムに合わせた補正）
• 欠損値処理（補間・除外ポリシーをメタデータで管理）
• 異常値検出とログ（閾値・Zスコア等で自動識別）

3) 特徴量設計（Feature Engineering）

代表的な特徴量例：

• 短期・中期移動平均（SMA/EMA）、乖離率
• ボラティリティ、出来高変化率
• ラグ特徴量（N日前のリターン等）
• ニュース影響スコア（NLPで抽出したセンチメント×露出度）

4) モデルと解析

用途に応じて次の手法を組み合わせます：

• 統計的検定（相関、因果の探索的解析）
• 教師あり学習（分類・回帰：RandomForest、XGBoostなど）
• 時系列モデル（ARIMA、Prophet 等）および深層学習（LSTM 等）
• 自然言語処理（BERT系等）によるニュース分類と影響度推定
• 異常検知・クラスタリング（DBSCAN, Isolation Forest 等）

5) 結果整理と説明可能性

モデル出力は特徴量重要度、局所的説明（SHAP等）、および要約レポートにより提示します。結果は「示唆（insight）」として提示し、確定的な予測や保証は行いません。

当社が市場分析で参照する代表的指標とその解釈方法（例）を示します。これらは分析**手法の説明**であり、特定銘柄の売買推奨を示すものではありません。

代表的指標

• 移動平均線（MA）：短期（5/10/20日）と中期（50/100日）の位置関係でトレンド感を把握。
• ボラティリティ：過去n日間の標準偏差で市場の不安定さを評価。
• 相関係数：セクター内での指数間相関を測り、リスク分散の考察に利用。
• 出来高変化率：急増はニュースやイベントの伴う注目度上昇を示唆。

分析フレームワーク（例）

1. 時系列のトレンド判定（MAクロスやトレンドライン）
2. ボラティリティの変化点検出（異常検知）
3. ニュースやイベントとのタイムライン照合
4. セクター相関を加味したリスク評価

※上記はあくまで「分析のための指標・フレームワーク」であり、具体的な売買アドバイスを提供するものではありません。

ニュース分析は「何が・いつ・どの程度」市場に影響を与えたかを定量化する目的で行います。一般的なプロセスは下記のとおりです。

処理フロー

1. ソース収集：複数の公開ニュースソースと企業開示を収集（ソース毎に信頼度を設定）
2. 前処理：テキスト正規化、重複除去、時刻同期
3. 分類と抽出：固有表現認識（NER）で企業名／商品／イベントを抽出
4. 感情分析（Sentiment）：文脈ベースのNLPでポジティブ/ネガティブ/中立を判定
5. 影響度スコア：露出量×センチメント×過去の同類イベント時の市場反応を組合せて算出

出力例

• ニュースタイムライン（日時・見出し・感情スコア・影響度）
• 銘柄別ニュース頻度と平均影響度
• イベントと価格変動の相関レポート（サマリー）

注意：ニュースのセンチメント解析は限界があり、語彙・翻訳・文脈により誤判定が生じることがあります。必ず人のレビューや補助的検証プロセスを推奨します。

当社は「アルゴリズム的に注目点を抽出する方法」を提供します。以下は**方法論の説明**であり、具体的な売買推奨ではありません。

一般的な判定ロジック（例）

1. トレンド系ルール：短期MAが中期MAを上抜けた場合に「注目（上昇示唆）」としてマーク。ただしボラティリティ・出来高条件を併用。
2. モメンタム系ルール：RSIが特定閾値を超えた/下回った場合に過熱感を評価。
3. ニュース連動ルール：高影響度ニュース発生時は、直近価格変動の方向性と一致するかを検証して注目度を補正。
4. リスク調整：上記ルールは、ポートフォリオの相関・ポジション比率・最大ドローダウン想定によりフィルタリングされる。

出力（例）

• 「注目時刻」「ルール名」「関連指標（MA差、RSI、出来高）」「根拠メモ」
• 各注目の信頼度スコア（過去検証に基づくスコアリング）