1．はじめに
どうも、趣味でデータ分析している猫背なエンジニアです。
今回は、前回に引き続き兆しシリーズのロジックについて考えたので記録していきます。
2. stochastics（ストキャスティクス）
■ 概要
以前の記事で以下のような画像のスクリーニング1号機を作り内部ロジックで「RSI」を入れましたが、今回は「Stochastics」というロジックも試しに入れてみようと思っています。
■ ストキャスティクス
stochastics（ストキャスティクス）は、RSI同様で相場の買われ過ぎ・売られ過ぎを判断する分析手法。
「％K」と「％D」の2本のラインを利用した、ファーストストキャスティックスと、「Slow％K」と「Slow％D」の2本のラインを利用したスローストキャスティクスの2種類がありますが、ファーストストキャスティックスは、相場の動きに素早く反応するため、短期売買向きでダマシも多いのが欠点です。それを補う役割を果たすのがスローストキャスティクスで、一般的にはこちらを利用することが多いです。
※ 今回はファーストストキャスティックスを実装しています。
Fast %Kの式：
$$
％K = \frac{C - L_n}{H_n - L_n} \times 100
$$
C:直近の終値 / Hn:過去n期間の最高値 / Ln:過去n期間の最低値 / n:期間（14日）
Fast %Dの式：
$$
％D = \mathrm{SMA}(％K, m)
$$
m:移動平均期間（3日） / SMA:単純移動平均
■ コーディング
以下のようにファーストストキャスティックスを実装しました。買いシグナルがあるものをピックアップする式にしているので、一般的なソースとは別かもしれません。
def screen_stochastic(df):
df = df.copy()
low_min = df["Low"].rolling(14).min()
high_max = df["High"].rolling(14).max()
df["%K"] = (df["Close"] - low_min) / (high_max - low_min) * 100
df["%D"] = df["%K"].rolling(3).mean()
# 最新足で判定
last = df.iloc[-1]
# --- 買いシグナル ---
stochastic_flag = False
if last["%K"] < 20 and last["%D"] < 20:
stochastic_flag = True
return stochastic_flag
■ 実行結果
RSIまでにスクリーニングが進んでおり、2銘柄しか削れていないことがわかります。
4.おわりに
今回は兆しシリーズのKK-FinancialEaterの一号機を進めていきました。前回に引き続きスクリーニングできていることが確認できますね。
ですが、結果からも読み取れるようにスクリーニングできる銘柄も限られてきたので、さらに質の高いスクリーニング方法を模索する必要がありそうです。
📈 KK-FinancialEater
■ 原点(KK-Adam)
■ その１：プロトタイプ編
■ その２：収集器強化編
■ その３-番外編：グランビルの法則 - 設計編
■ その３：グランビルの法則
■ その４：移動平均乖離率
■ その５：ボリンジャーバンド
■ その６：RSI
参考文献