交易价格预测装置以及交易价格预测方法

摘要

交易价格预测装置(1)使用预测购买投标量的第1预测模型对预测对象日期时间下的购买投标量进行预测，使用预测交易价格的第2预测模型对预测对象日期时间下的交易价格进行预测。

说明书

技术领域

本发明涉及对批发商品交易市场中的商品的交易价格进行预测的交易价格预测装置以及交易价格预测方法。

背景技术

近年来，批发电力交易市场变得活跃，对电力交易价格预测的需求提高。由投标当日的表示电力的售卖投标量和售卖投标价格的关系的售卖投标曲线与表示电力的购买投标量和购买投标价格的关系的购买投标曲线的交点来决定电力的约定价格以及约定量。

另一方面，在日本批发电力交易市场(以下记载为JEPX)的现货市场中采用单一价格盲拍(Blind Single-price Auction)方式这样的约定方式，电力的投标动向是非公开的。因此，投标者无法掌握投标当日的投标曲线的实际状态。

相对于此，在专利文献1记载的投标支援系统中，针对预先提供的市场的电力供给曲线和电力需求曲线，以使在市场中被中标的电力量或者收益或者供给量成为最大的方式推测投标曲线。通过使用这样推测的投标曲线，即便是投标动向为非公开的市场，投标者也能够预测电力的交易价格。

现有技术文献

专利文献1：日本特开2005-339527号公报

发明内容

在电力的投标动向为非公开时，存在如下问题：无法掌握在通过专利文献1记载的投标支援系统推测的投标曲线中是否反映有预测对象日期时间下的交易状况，无法判断交易市场中的预测结果的妥当性(adequacy)。

本发明用于解决上述课题，其目的在于得到一种能够预测反映了预测对象日期时间下的交易状况的交易价格的交易价格预测装置以及交易价格预测方法。

本发明所涉及的交易价格预测装置具备：第1预测部，使用预测购买投标量的第1预测模型，对预测对象日期时间下的购买投标量进行预测；以及第2预测部，通过针对预测交易价格的第2预测模型应用由第1预测部预测出的购买投标量，从而对预测对象日期时间下的交易价格进行预测。

根据本发明，使用预测购买投标量的第1预测模型来预测预测对象日期时间下的购买投标量，并使用预测交易价格的第2预测模型来预测与预测对象日期时间下的购买投标量对应的交易价格。由此，能够预测反映了预测对象日期时间下的交易状况的交易价格。

附图说明

图1是示出实施方式1所涉及的交易价格预测装置的结构例的框图。

图2是示出实施方式1所涉及的交易价格预测方法的流程图。

图3是示出实施方式1中的第1预测模型的例子的图。

图4是示出实施方式1中的第2预测模型的例子的图。

图5是示出实施方式1中的预测结果的提示形态的例子的图。

图6A是示出实现实施方式1所涉及的交易价格预测装置的功能的硬件结构的框图。

图6B是示出执行实现实施方式1所涉及的交易价格预测装置的功能的软件的硬件结构的框图。

(符号说明)

1：交易价格预测装置；2：第1信息取得部；3：第1信息存储部；4：第2信息取得部；5：第2信息存储部；6：第3信息取得部；11：第1模型学习部；12：第2模型学习部；13：第1预测部；14：第2预测部；15：提示部；30：第1预测模型；40：第2预测模型；40A：预测值；50、70：概率分布；60：带状部；100：第1接口；101：第2接口；102：第3接口；103：处理电路；104：处理器；105：存储器。

具体实施方式

实施方式1.

实施方式1所涉及的交易价格预测装置以及交易价格预测方法能够应用于在交易市场中进行买卖的投标的各种商品的交易价格的预测。以下，说明使用实施方式1所涉及的交易价格预测装置以及交易价格预测方法来预测JEPX的现货市场的预测对象日期时间下的电力的约定价格的情况。图1是示出实施方式1所涉及的交易价格预测装置1的结构例的框图。交易价格预测装置1使用第1预测模型来预测预测对象日期时间下的购买投标量，使用第2预测模型来预测预测对象日期时间下的电力的约定价格。

第1预测模型是以使用第1信息和第2信息来预测购买投标量的方式进行了学习的预测模型。第1信息是包括购买投标量的实际值的交易信息，例如是在预测对象日期时间以前得到且在JEPX的现货市场中公开的电力的购买投标总量以及约定价格。第1信息取得部2取得第1信息并存储到第1信息存储部3。第1信息取得部2既可以是经由因特网等通信线路取得第1信息的通信装置，也可以是受理由用户实施的第1信息的手动输入的输入装置。

第2信息是表示对投标带来影响的条件的实际值的信息，例如是在预测对象日期时间以前得到的气象信息、日历信息以及发电机的运转信息这样的对电力的需求量带来影响的信息。在气象信息中包括气温、天气信息以及日照量。日历信息是预想电力需求量的增减的日期，例如有庆祝日和祭祀日以及电力需求量多的企业的营业日。发电机的运转信息例如是表示发电机是否由于定期检查、故障或者事故而停止的信息。另外，也可以使将电力系统彼此进行连接的互连线的断开的有无包含于第2信息。

第2信息取得部4取得第2信息并存储到第2信息存储部5。第2信息取得部4既可以是经由因特网等通信线路来取得第2信息的通信装置，也可以是受理由用户实施的第2信息的手动输入的输入装置。另外，第1信息存储部3以及第2信息存储部5是能够由交易价格预测装置1读出信息的存储装置。

第2预测模型是以使用购买投标量和第2信息来预测电力的约定价格(交易价格)的方式进行了学习的预测模型。通过对第2预测模型应用第3信息，预测预测对象日期时间下的电力的约定价格。第3信息是对预测对象日期时间下的需求量带来影响的条件的预测值，虽然第2信息和条件项目是共同的，但不同点在于是预测对象日期时间下的预测信息。例如，第3信息是预测对象日期时间下的气象预报信息、日历信息以及发电机的运转计划信息。第3信息取得部6既可以是经由因特网等通信线路来取得第3信息的通信装置，也可以是受理由用户实施的第3信息的手动输入的输入装置。

交易价格预测装置1如图1所示，构成为具备第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15。第1模型学习部11使用第1信息和第2信息，学习(learns)第1预测模型。第1预测模型是用于对预测对象日期时间下的电力的购买投标量进行预测的预测模型。第1模型学习部11使用从第1信息存储部3读出的第1信息和从第2信息存储部5读出的第2信息，学习第1预测模型。

第2模型学习部12使用第1信息和第2信息，学习第2预测模型。第2预测模型是用于对预测对象日期时间下的电力的约定价格进行预测的预测模型。第2模型学习部12使用从第1信息存储部3读出的第1信息和从第2信息存储部5读出的第2信息，学习第2预测模型。

第1预测部13将第3信息应用于第1预测模型，对预测对象日期时间下的电力的购买投标量进行预测。例如，第1预测部13通过针对由第1模型学习部11学习的第1预测模型应用由第3信息取得部6在预测对象日期时间取得的第3信息，从而预测预测对象日期时间下的电力的购买投标量。

第2预测部14通过将由第1预测部13预测的购买投标量和第3信息应用于第2预测模型，从而预测预测对象日期时间下的电力的约定价格。例如，第2预测部14通过针对由第2模型学习部12学习的第2预测模型应用由第1预测部13预测出的电力的购买投标量和由第3信息取得部6取得的第3信息，从而预测预测对象日期时间下的电力的约定价格。

提示部15提示第2预测模型、由第1预测部13预测的购买投标量以及由第2预测部14预测的约定价格。例如，提示部15将电力的购买投标量的预测值的概率分布及电力的约定价格的预测值的概率分布与在电力的约定价格的预测中使用的第2预测模型一起，显示于在图1中未图示的显示部。另外，提示部15也可以将在购买投标量的预测中使用的第3信息以及第1预测模型显示于显示部。

此外，在图1中，第1模型学习部11、第2模型学习部12以及提示部15也可以设置于与交易价格预测装置1不同的外部装置。

即，交易价格预测装置1也可以不具备第1模型学习部11、第2模型学习部12以及提示部15，而接收由外部装置具备的第1模型学习部11以及第2模型学习部12学习的预测模型来进行预测，并将预测结果以及预测模型发送给外部装置而使提示部15提示。另外，既可以是交易价格预测装置1具备显示预测结果以及预测模型的显示部，也可以将显示预测结果以及预测模型的显示部设置于与交易价格预测装置1不同的外部装置。

接下来说明动作。

图2是示出实施方式1所涉及的交易价格预测方法的流程图。

首先，第1模型学习部11学习第1预测模型(步骤ST1)。例如，第1模型学习部11从第1信息存储部3，取得包括电力的购买投标量和约定价格的第1信息以及进行了该投标的日期时间。得到该购买投标量和约定价格的日期时间优选为是期待对电力的投标带来影响的条件、例如对电力需求量带来影响的条件与预测对象日期时间类似的日期时间。例如，该日期时间也可以是预测对象日期时间的最近1周内的日期时间、或者在预测对象日期时间的前一年中同月的日期时间。也可以根据日历信息来确定期待对电力的需求量带来影响的条件类似的日期时间。在以后的说明中，将得到第1信息的日期时间称为“类似日期时间”。

接下来，第1模型学习部11从第2信息存储部5，取得类似日期时间下的第2信息以及该日期时间。例如，取得类似日期时间下的气象信息、日历信息以及发电机的运转信息作为第2信息。

第1模型学习部11将第1信息和第2信息以得到各个信息的日期时间为关键字而关联起来，并使用这些信息来学习第1预测模型。第1预测模型是将对电力的需求量带来影响的条件作为说明变量而预测电力的购买投标量的模型。例如，第1预测模型也可以是如下述式(1)所示的简易的预测模型。第1模型学习部11使用类似日期时间下的第1信息以及第2信息的实际值，学习包含于下述式(1)的参数α1的值和参数α2的值。作为第1预测模型的学习方法，在最简易的方法中有线性回归法，但也可以使用支持矢量回归、贝叶斯回归以及其它学习方法。

购买投标量＝α1+α2×气温…(1)

另一方面，本申请的发明人对电力交易市场中的投标动向进行了研究的结果，发现在电力交易市场中电力的购买投标量与需求量具有高的相关性。第1预测模型是基于这个见解的预测模型。另外，第1模型学习部11也可以考虑对预测对象日期时间下的电力需求量带来影响的条件的实际值和作为与上述条件相同的项目的预测值的第3信息之间的误差，学习将电力的购买投标量预测为概率分布的第1预测模型。

图3是示出实施方式1中的第1预测模型30的例子的图。图3所示的第1预测模型30是学习电力的购买投标量相对气温的变动而得到的模型，预测与预测对象日期时间下的气温的预测值对应的电力的购买投标量。例如，在气温上升时，制冷设备的运转率上升而电力需求量增加。在电力需求量增加时，认为投标者希望可靠地确保电力，所以购买投标量也增加。另一方面，在气温降低至不需要制冷的温度时，制冷设备的运转率下降，所以电力需求量减少，与此相伴地电力的购买投标量也减少。

接下来，第2模型学习部12学习第2预测模型(步骤ST2)。例如，第2模型学习部12从第1信息存储部3，取得电力的购买投标量和约定价格的组以及进行了该投标的日期时间。在此，由第2模型学习部12取得的第1信息是在与由第1模型学习部11取得的第1信息以及第2信息相同的日期时间(类似日期时间)得到的信息。

接下来，第2模型学习部12从第2信息存储部5，取得类似日期时间下的第2信息以及该日期时间。即，由第2模型学习部12取得的第2信息是在与由第1模型学习部11取得的第1信息以及第2信息相同的日期时间得到的信息。

此外，在电力交易市场中对电力需求带来影响的条件中，除了上述气象信息等以外，也有冷热设备的运转率，还有原油价格。但是，原油价格一般与冷热设备的运转率相比缓慢地变动。因此，在第2模型学习部12取得原油价格作为第2信息的情况下，原油价格也可以未必是在与由第1模型学习部11取得的第2信息相同的日期时间得到的价格。例如，也可以是在最近1年期间得到的原油价格。即，关于表示对电力需求带来影响的条件的信息之中的变动缓慢(例如，一定期间内的变动量小于阈值)的信息，只要是在预想为是容许范围内的变动的期间内得到的信息，则也可以并非是在与由第1模型学习部11取得的第2信息相同的日期时间得到的信息。

第2模型学习部12将作为第1信息取得的电力的购买投标量及约定价格与第2信息以得到各个信息的日期时间为关键字而关联起来，使用这些信息来学习第2预测模型。第2预测模型是将电力的购买投标量和第2信息作为说明变量来预测电力的约定价格的模型。第2预测模型的学习方法例如也可以用直方图来表示约定价格相对电力的购买投标量的分布，学习购买投标量和约定价格的关系。另外，也可以使用概率密度推测法来表示约定价格相对购买投标量的分布，学习购买投标量和约定价格的关系。在第2预测模型的学习中，也可以使用线性回归法、支持矢量回归、贝叶斯回归以及其它学习方法。

另外，第2模型学习部12也可以使用第2信息来挑选在第2预测模型的学习中使用的信息。例如，第2模型学习部12从第1信息中挑选与缩减(narrowing)用的第2信息对应的第1信息，并将挑选的第1信息用于第2预测模型的学习。缩减用的第2信息也可以是类似日期时间的第2信息之中的、推测为与预测对象日期时间下的条件类似的信息。例如，将作为第1信息取得的电力的购买投标量和约定价格的组之中的、利用缩减用的第2信息来挑选的组用于上述直方图的计算。

本申请的发明人对电力交易市场中的电力的投标动向进行了研究的结果，提出如下见解：在电力交易市场中，有时电力的约定价格相对购买投标量而不连续地阶梯状地变化，在相同的购买投标量下设定多个约定价格。这意味着，多个约定价格离散地对应于某个购买投标量。第2预测模型通过能够表现多个离散的约定价格以相应的概率对应于电力的购买投标量的学习方法来学习。因此，预想表示第2预测模型的关系式成为复杂的关系式。但是，在用与第1预测模型同样的单纯的关系式来近似第2预测模型的情况下，例如能够用交易价格＝α1+α2×购买投标量这样的式子来表示第2预测模型。在该情况下，第2模型学习部12使用第1信息和第2信息来学习参数α1的值和参数α2的值。

图4是示出实施方式1中的第2预测模型40的例子的图。图4所示的第2预测模型40示出约定价格相对电力的购买投标量而不连续地阶梯状地变化的关系。另外，如在图4中用箭头所示那样，有时针对相同的购买投标量而预测多个约定价格。此外，第2模型学习部12也可以考虑预测对象日期时间下的实际的条件与第3信息之间的误差以及通过第1预测模型来预测的购买投标量与预测对象日期时间下的实际的购买投标量之间的误差，学习将电力的约定价格预测为概率分布的第2预测模型。

返回到图2的说明。

第1预测部13对预测对象日期时间下的电力的购买投标量进行预测(步骤ST3)。例如，第1预测部13通过将由第3信息取得部6取得的预测对象日期时间下的第3信息应用于由第1模型学习部11学习的第1预测模型，从而预测预测对象日期时间下的电力的购买投标量。另外，第1预测部13也可以使用第1预测模型，一并计算预测对象日期时间下的电力的购买投标量的预测值的概率分布。

第2预测部14对预测对象日期时间下的电力的约定价格进行预测(步骤ST4)。例如，第2预测部14通过从第3信息取得部6取得预测对象日期时间下的第3信息，取得由第1预测部13预测的电力的购买投标量，并将这些信息应用于第2预测模型，从而预测预测对象日期时间下的电力的约定价格。另外，第2预测部14也可以使用第2预测模型，一并计算预测对象日期时间下的电力的约定价格的预测值的概率分布。

提示部15提示预测模型以及预测结果(步骤ST5)。例如，提示部15使进行了电力的约定价格的预测的第2预测模型、由第1预测部13预测的预测对象日期时间下的电力的购买投标量以及由第2预测部14预测的预测对象日期时间下的电力的约定价格，显示于显示部。另外，提示部15也可以使在电力的购买投标量的预测中使用的第1预测模型与预测结果的购买投标量一并地显示于显示部。

电力的约定价格相对于购买投标量而离散地变化，所以难以用平均值或者方差值这样的代表值来提示电力的约定价格。因此，提示部15也可以将第2预测模型、电力的购买投标量的概率分布以及电力的约定价格的概率分布的对应关系进行可视化，并以能够辨识的形态来提示使用第2预测模型从购买投标量的概率分布导出约定价格的概率分布的过程。

图5是示出实施方式1中的预测结果的提示形态的例子的图。如图5所示，提示部15通过将使用第2预测模型计算出的电力的约定价格的预测值40A描绘成表示电力的购买投标量和电力的约定价格的关系的图形，从而将第2预测模型可视化。投标者通过参照图5所示的图形，能够辨识电力的约定价格的预测值40A相对于购买投标量而离散地变化。

而且，提示部15将由第1预测部13预测的电力的购买投标量的概率分布50、表示电力的购买投标量的主要的分布区域的带状部60以及由第2预测部14预测的电力的约定价格的概率分布70设定到图5所示的图形。由此，在图5所示的图形显示于显示部时，电力的购买投标量的概率分布50以及电力的约定价格的概率分布70被可视化。

投标者通过参照设定于图5所示的图形的带状部60，能够掌握从包含于带状部60的约定价格的预测值40A导出电力的约定价格的概率分布70。也可以用等高线或者颜色的浓淡来显示使用第2预测模型预测的约定价格的预测值40A的分布密度。另外，也可以将如图3所示的第1预测模型设定为图5所示的图形。

这样，在交易价格预测装置1中，将在电力的约定价格的预测中使用的第2预测模型、电力的购买投标量的预测值以及电力的约定价格的预测值进行可视化，以能够辨识的形态来提示使用第2预测模型从购买投标量的概率分布导出约定价格的概率分布的过程。由此，即便是如JEPX的现货市场那样投标动向为非公开的交易市场，投标者也能够掌握决定预测结果的交易价格的交易状况，能够判断预测结果的妥当性。

此外，也可以将图2所示的步骤ST1至步骤ST5的各处理作为一连串的处理来执行。另外，也可以由第1预测部13或者第2预测部14调用事先制作的第1预测模型或者第2预测模型，非同步地执行各个预测处理。预测模型的学习处理也可以根据在该学习中使用的信息的缩减条件的变更而递归地执行，预测值的计算处理也可以根据预测值的变更而递归地执行。

另外，在如上所述交易价格预测装置1由第1预测部13以及第2预测部14构成的情况下，交易价格预测装置1执行图2所示的流程图中的步骤ST3的处理和步骤ST4的处理。即，实施方式1所涉及的交易价格预测方法具备：第1预测部13使用第1预测模型来预测预测对象日期时间下的购买投标量的步骤；以及第2预测部14使用第2预测模型来预测预测对象日期时间下的交易价格的步骤。

接下来，说明实现交易价格预测装置1的功能的硬件结构。

交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的功能通过处理电路来实现。即，交易价格预测装置1具备用于执行图2所示的步骤ST1至步骤ST5的处理的处理电路。处理电路既可以是专用的硬件，也可以是执行存储于存储器的程序的CPU(Central Processing Unit，中央处理单元)。

图6A是示出实现交易价格预测装置1的功能的硬件结构的框图。图6B是示出执行实现交易价格预测装置1的功能的软件的硬件结构的框图。在图6A以及图6B中，第1接口100是对交易价格预测装置1与实现第1信息存储部3以及第2信息存储部5的存储装置之间的信息的交换进行中继的接口。第2接口101是对交易价格预测装置1与实现第3信息取得部6的通信装置或输入装置之间的信息的交换进行中继的接口。第3接口102是将从交易价格预测装置1输出的预测结果输出到显示装置的接口。

在处理电路是图6A所示的专用的硬件的处理电路103的情况下，关于处理电路103，例如相应的是单一电路、复合电路、被编程的处理器、被并行编程的处理器、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者它们的组合。交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的功能既可以用各个单独的处理电路来实现，也可以将这些功能汇总起来用1个处理电路来实现。

在处理电路是图6B所示的处理器104的情况下，交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的功能通过软件、固件或者软件和固件的组合来实现。此外，将软件或者固件记述为程序而存储到存储器105。

处理器104通过读出并执行存储于存储器105的程序，实现交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的功能。即，交易价格预测装置1具备存储器105，该存储器105用于存储当被处理器104执行时作为结果而言执行图2所示的流程图中的步骤ST1至步骤ST5的处理的程序。这些程序使计算机执行交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的步骤或者方法。存储器105也可以是存储有用于使计算机作为交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15发挥功能的程序的计算机可读存储介质。

关于存储器105，例如相应的是RAM(Random Access Memory，随机存取存储器)、ROM(Read Only Memory，只读存储器)、闪存存储器、EPROM(Erasable Programmable ReadOnly Memory，可擦可编程只读存储器)、EEPROM(Electrically-EPROM，电可擦可编程只读存储器)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、紧凑盘、迷你盘、DVD等。

关于交易价格预测装置1中的第1模型学习部11、第2模型学习部12、第1预测部13、第2预测部14以及提示部15的功能，也可以用专用的硬件来实现一部分，并用软件或者固件来实现一部分。例如，第1模型学习部11以及第2模型学习部12用作为专用的硬件的处理电路103来实现功能，第1预测部13、第2预测部14以及提示部15通过由处理器104读出并执行存储于存储器105的程序而实现功能。这样，处理电路能够通过硬件、软件、固件或者它们的组合来实现上述功能。

如以上那样，在实施方式1所涉及的交易价格预测装置1中，通过使用第1预测模型以及第2预测模型，能够预测反映了预测对象日期时间下的电力交易状况的电力的约定价格。

另外，实施方式1所涉及的交易价格预测装置1具备对预测了约定价格的第2预测模型、预测结果的购买投标量以及预测结果的约定价格进行提示的提示部15，所以投标者能够掌握决定约定价格的交易状况，能够判断预测结果的妥当性。

另外，在实施方式1所涉及的交易价格预测装置1中，第1预测部13将能够在预测对象日期时间取得实际值的第3信息应用于第1预测模型，预测预测对象日期时间下的购买投标量。第2预测部14将能够在预测对象日期时间取得实际值的第3信息和购买投标量的预测结果应用于第2预测模型，预测预测对象日期时间下的约定价格。由此，能够使用预测对象日期时间下的实际值，客观地验证利用预测模型得到的预测结果的妥当性。

例如，在得到将第3信息应用于预测模型而得到的预测值、与将预测对象日期时间下的实际值即和第3信息相同的条件项目的实际值应用于预测模型而得到的值之间的误差超过容许范围的验证结果的情况下，研究所预测的交易价格有偏差的原因。

在实施方式1所涉及的交易价格预测装置1中，关于交易价格的预测值有偏差的原因，例如首先作为(1)的原因，研究由于天气预报的偏差而需求预测以后的各预测有偏差的情况。在天气预报准确的情况下，作为(2)的原因，研究由于在第1预测模型中存在问题而购买投标量的预测有偏差的情况。在利用第1预测模型进行的购买投标量的预测准确的情况下，作为(3)的原因，研究由于在第2预测模型中存在问题而约定价格的预测有偏差的情况。在利用第2预测模型进行的约定价格的预测合适的情况下，作为(4)的原因，如图4所示研究是否由于约定价格相对于购买投标量而不连续地阶梯状地变化从而约定价格的误差变大。

在以往的交易价格的预测中，一般仅使用根据气温等来直接预测交易价格的预测模型，所以只是研究(1)所示的原因和由于(2)至(4)所示的原因导致的复合性的状态。相对于此，在实施方式1所涉及的交易价格预测装置1中，利用对购买投标量进行预测的第1预测模型以及使用第1预测模型的预测值来预测交易价格的第2预测模型，所以特别是能够研究(3)以及(4)所示的原因，能够进行更详细的研究。例如，在判断为利用第1预测模型预测的购买投标量的预测值没有问题的情况下，研究输入到第2预测模型的信息和从第2预测模型输出的信息，在判断为交易价格的预测值背离过去的同一条件下的交易价格的实际值而分布的情况下，能够判断为由于(3)所示的原因而在交易价格中产生大的误差。在该情况下，重新研究在第2预测模型的学习中使用的数据的缩减条件而重新学习。由此，能够高精度地预测交易价格。

而且，在实施方式1所涉及的交易价格预测装置1中，将第2预测模型、购买投标量的预测值以及约定价格的预测值进行可视化，以能够辨识的形态来提示使用第2预测模型从电力的购买投标量的概率分布导出约定价格的概率分布的过程。由此，投标者能够掌握约定价格的预测值被决定的过程，能够判断预测结果的妥当性。

此外，在此前的说明中，示出交易价格的预测对象的商品是电力的情况，但只要是在交易市场中进行买卖的投标的商品，则实施方式1所涉及的交易价格预测装置1还能够应用于电力以外的商品。

此外，本发明不限于上述实施方式，能够在本发明的范围内进行实施方式的任意的构成要素的变形或者实施方式的任意的构成要素的省略。

[产业上的可利用性]

本发明所涉及的交易价格预测装置能够反映预测对象日期时间下的交易状况并且判定交易价格的预测结果的妥当性，所以例如能够利用于对电力的投标动向为非公开的批发电力交易市场中的电力的约定价格进行预测的系统。