データ解析への道 #1 〜株価編〜

Pythonを学び始めて早３ヶ月。データ解析学習中です。
Jupyter Notebookなどが主流だと思いますが、PyCharmを使用してデータ解析をしていきたいと思います。

#使用するソフトウェア

• PyCharm
  https://www.jetbrains.com/pycharm/
  Professional版を使用。

#記事内容
株式データを元にデータの可視化についてメモを（主に自分用に）残す。

#インポート

stock_analysis.py

import pandas as pd
from pandas import Series, DataFrame
import pandas_datareader as web

import numpy as np
import matplotlib.pyplot as plt

from datetime import datetime

import seaborn as sns
sns.set_style('whitegrid')

データ可視化

1. 様々なグラフ表示

stock_analysis.py

# 続き

tech_list = ['AAPL', 'GOOG', 'MSFT', 'AMZN']  # 左から Apple, Google, Microsoft, Amazon

# 直近１年分のデータを取得するため。
end = datetime.now()
start = datetime(end.year - 1, end.month, end.day)

# comp_list内の企業それぞれの株価データの取得。
for entry in comp_list:
    globals()[entry] = web.DataReader(entry, 'yahoo', start, end)

# globals()関数はグローバル変数を返してくれる。
AAPL['Adj Close'].plot(legend=True, figsize=(10, 4))
plt.show()

上記を実行すると、以下のようなグラフが実行結果として得られる。

使用されたそれぞれの関数の引数は、

	引数	説明
DataReader(name, data_source, start, end)	name	（株価データを獲得したい＆すでに定義した）企業名
	data_source	データソース元
	start, end	データの取得期間（start & end）
plot(legend, figsize)	legend	凡例を表示させるか否か(=True or False)[default: False]
	figsize	表示するサイズ (x, y)

移動平均を算出するには

stock_analysis.py

# 続き

# 移動平均を算出する。
ma_day = [10, 20, 50] # ma: moving average
for ma in ma_day:
    column_name = 'MA {}'.format(ma)
    # 移動平均算出（old version: pd.rolling_mean(AAPL['Adj Close'], ma)
    AAPL[column_name] = AAPL['Adj Close'].rolling(ma).mean()

print(AAPL.head())

＜実行結果：テーブル＞

	High	Low	Open	...	MA 10	MA 20	MA 50
Date				...
2017-11-27	175.080002	173.339996	175.050003	...	NaN	NaN	NaN
2017-11-28	174.869995	171.860001	174.300003	...	NaN	NaN	NaN
2017-11-29	172.919998	167.160004	172.630005	...	NaN	NaN	NaN
2017-11-30	172.139999	168.440002	170.429993	...	NaN	NaN	NaN
2017-12-01	171.669998	168.500000	169.949997	...	NaN	NaN	NaN

• Open：始値

• High：高値
• Low：安値
• Close：終値
• Volume：出来高（1日に取引が成立した株の数）
• Adj Close：調整後終値

そして、これをグラフで表す。

stock_analysis.py

#　続き

AAPL[['Adj Close', 'MA 10', 'MA 20', 'MA 50']].plot(subplots=False, figsize=(10, 4))
plt.show()

＜実行結果：グラフ＞

次に、日毎の調整後終値の変動推移を計算する。

stock_analysis.py

 # 続き

# pct_change: 変動推移を計算
AAPL['Daily Return'] = AAPL['Adj Close'].pct_change()
print(AAPL.head())

＜実行結果：テーブル＞

	High	Low	...	MA 50	Daily Return
Date			...
2017-11-27	175.080002	173.339996	...	NaN	NaN
2017-11-28	174.869995	171.860001	...	NaN	-0.005859
2017-11-29	172.919998	167.160004	...	NaN	-0.020743
2017-11-30	172.139999	168.440002	...	NaN	0.013984
2017-12-01	171.669998	168.500000	...	NaN	-0.004655

グラフで可視化するには、

stock_analysis.py

# 続き

AAPL['Daily Return'].plot(figsize=(10, 4), legend=True, linestyle='--', marker='o')
plt.show()

＜実行結果：グラフ＞

##2. 分布図
次に、snsを使用して正規分布を取得する、

stock_analysis.py

# 続き

sns.distplot(AAPL['Daily Return'].dropna(), bins=100, color='purple')
plt.show()

＜実行結果：分布図＞

stock_analysis.py

# 続き

sns.distplot(AAPL['Daily Return'].dropna(), bins=100, color='purple')  
# dropna(): テーブル上でNaNになっている部分を無くす。
plt.show()

＜実行結果：分布図＞

次にそれぞれの調整後終値（Adj Close）を取得する。

stock_analysis.py

# 続き
closing_df = web.DataReader(['AAPL', 'GOOG', 'MSFT', 'AMZN'], 'yahoo', start, end)['Adj Close']  # 左から、Apple, Google, Microsoft, Amazon
print(closing_df.head())

＜実行結果：テーブル＞

Symbols	AAPL	AMZN	GOOG	MSFT
Date
2017-11-27	171.514999	1195.829956	1054.209961	82.442818
2017-11-28	170.510101	1193.599976	1047.410034	83.435616
2017-11-29	166.973206	1161.270020	1021.659973	81.921829
2017-11-30	169.308151	1176.750000	1021.409973	82.737709
2017-12-01	168.519974	1162.349976	1010.169983	82.826172

次に、それぞれの変動値を求める。

stock_analysis.py

# 続き
tech_rets = closing_df.pct_change()
print(tech_rets.head())

＜実行結果：テーブル＞

Symbols	AAPL	AMZN	GOOG	MSFT
Date
2017-11-27	NaN	NaN	NaN	NaN
2017-11-28	-0.005859	-0.001865	-0.006450	0.012042
2017-11-29	-0.020743	-0.027086	-0.024585	-0.018143
2017-11-30	0.013984	0.013330	-0.000245	0.009959
2017-12-01	-0.004655	-0.012237	-0.011004	0.001069