162
225

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

年利30%超え!!!!!LightGBMを用いたトヨタ株自動売買シミュレーション

Last updated at Posted at 2021-10-05

胡散臭いタイトルですがガチです。
(シミュレーション方法等間違っていたらコメントで教えてください)

TL;DR

  • LightGBMを用いて翌日のトヨタ株の終値が予測実行日の終値よりも、上がる or 下がるの二値分類を実施
  • 上がる場合は株を買う、下がる場合は株を売る、という処理を毎日実施
  • 2020/01/01~2020/12/31の実績を用いて売買のシミュレーションを行ったところ、年利30.2299%のプラスとなった

背景

仕事をサボりながらネットサーフィンをしていたら面白そうな論文を発見。

当論文は2008年の発表で、予測モデルはSVMを使用している。

そこで、2008年以降に発表されたモデル(今回はLightGBM)で予測する実験を行う。

また、該当論文では、日経平均株価を予測対象としているが、今回は実際の取引を想定して、トヨタ自動車株式会社の株価を予測対象とする。

実験環境

  • Google Colab

使用データ

  • トヨタ自動車株式会社の株価
  • 日経平均株価
  • NYダウ
  • 新興国株式インデックス指数(MSCI エマージング・マーケット・インデックス)
  • ドル円相場

いずれも2018/01/01~2020/12/31の日足のデータを使用する。
(使用データの期間に特別な意図はないため、期間を変えることでシミュレーション結果の改善に繋がる可能性が考えられる。)

必要なライブラリのimport

Python3
%pip install optuna 

import codecs

import numpy as np
from matplotlib import pyplot as plt
import pandas as pd
from sklearn import metrics

import optuna.integration.lightgbm as lgb

データの読み込み

それぞれのcsvを読み込んで結合

Python3
# データの読み込み
def csv_to_df(path):
  with codecs.open(path, "r", "UTF-8", "ignore") as file:
      df = pd.read_table(file, delimiter=",")
  return df

nikkei = csv_to_df("nikkei_stock_average_daily_jp.csv")
nydow = csv_to_df("nydow.csv")
usdjpy = csv_to_df("usdjpy_d.csv")
shinko = csv_to_df("shinko.csv")
toyota = csv_to_df("toyota.csv")

# csvの結合
for name, df in zip(["nikkei", "nydow", "usdjpy", "shinko", "toyota"],[nikkei, nydow, usdjpy, shinko, toyota]):
  df.iloc[:, 0] = pd.to_datetime(df.iloc[:, 0])
  columns_list = list(df.columns)
  columns_dict = {columns_list[0]:"date"}
  for column in columns_list[1:]:
    columns_dict[column] = f"{name}_{column}"
  df = df.rename(columns=columns_dict)
  
  if "data" not in globals():
    data = df
  else:
    data = pd.merge(data,df)

# 日付順にソート
data = data.sort_index()

特徴量の作成

今回の予測では、株価の値動きに注目するため、前日比と直近5日間の加重平均との差分を特徴量に加える

Python3
def weighted_average(df):
  ans = df*0
  for i in range(1,6):
    ans += ((6 - i) * df.shift(i) / 15)
  return ans


for column in list(data.columns)[1:]:
  # 直近5日間の加重平均との差分
  data[f"{column}_diff_5Dmean"] = (data[column] - weighted_average(data[column]))
  # 前日比
  data[f"{column}_DoD"] = data[column] / data[column].shift(1)

また、正解データとして、翌日の終値が当日の終値を上回っていた場合は1、そうでない場合は0とする。

Python3
data["y"] = ((data["toyota_終値"] - data["toyota_終値"].shift(-1)) < 0)*1

訓練データの作成

今回は、2020年のデータをテストデータ、それ以前のデータを訓練データとする。

Python3
train = data[data["date"] < "2020-01-01"]
test = data[("2020-12-31" >= data["date"]) & (data["date"] >= "2020-01-01")]

train = train.set_index('date')
test = test.set_index('date')

lgb_train = lgb.Dataset(train.drop("y", axis=1), train["y"])
lgb_eval = lgb.Dataset(test.drop("y", axis=1), test["y"], reference=lgb_train)

予測を実行

ハイパーパラメータチューニングのため、optuna.integration.lightgbmを使用

Python3
params = {
    'objective': 'binary',
    'metric': 'auc',
    "verbosity": -1,
    "boosting_type": "gbdt",
}

gbm = lgb.train(params,
                lgb_train,
                num_boost_round=99999999,
                valid_sets=[lgb_train, lgb_eval],
                early_stopping_rounds=10
               )

モデルの評価

モデルの精度自体はイマイチ(といっても、人間が予測をした際の精度がどのくらいになるのかによって、評価は変わるが)

Python3
# テストデータに対し予測を実施
y_pred = gbm.predict(test.drop("y", axis=1), num_iteration=gbm.best_iteration)
# AUCを計算
fpr, tpr, thresholds = metrics.roc_curve(np.asarray(test["y"]), y_pred)
auc = metrics.auc(fpr, tpr)
print("AUC", auc)

# ROC曲線をプロット
plt.plot(fpr, tpr, label='ROC curve (area = %.2f)'%auc)
plt.legend()
plt.title('ROC curve')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.grid(True)
plt.show()

# accuracy, precisionを計算
acc = metrics.accuracy_score(np.asarray(test["y"]), np.round(y_pred))
precision = metrics.precision_score(np.asarray(test["y"]), np.round(y_pred))
print("accuracy", acc)
print("precision", precision)

# 混同行列をプロット
y_pred = np.round(y_pred)
cm = metrics.confusion_matrix(np.asarray(test["y"]), np.where(y_pred < 0.5, 0, 1))
cmp = metrics.ConfusionMatrixDisplay(cm, display_labels=[0,1])
cmp.plot(cmap=plt.cm.Blues)
plt.show()

出力
image.png

売買シミュレーション

今回作成した予測モデルを用いてトヨタ株の売買シミュレーションを行う。
シミュレーション方法は参考文献に従って、以下の通りとする。

  1. 最初の予算は100万円
  1. 売買の判断は毎日行う。
  2. 手元に株を持っていない場合
  • 翌日の終値が当日の終値より「上がる」と予測された場合、
    • 翌日の始値で手元の資金が許す限り株を買う。
  • 翌日の終値が当日の終値より「下がる」と予測された場合、
    • 株を買わず現金のままで資金を持ち続ける。
  1. 手元に株を持っている場合
  • 翌日の終値が当日の終値より「上がる」と予測された場合、
    • そのまま株を持ち続ける。
  • 翌日の終値が当日の終値より「下がる」と予測された場合、
    • 翌日の始値で手元の株を全て売却する。
Python3
sim = test[["toyota_終値", "toyota_始値"]]
sim["y_pred"] = y_pred

money = 1_000_000
stock = 0
pred = 0
history = []

# シミュレーションを実施
for _, row in sim.iterrows():
  if pred:
    if stock:
      # 上がると予測されて株を買っているとき
      pass
    else:
      # 上がると予測されて株を買っていないとき
      stock = money // row["toyota_始値"]
      money %= row["toyota_始値"]
  else:
    if stock:
      # 下がると予測されて株を買っているとき
      money += row["toyota_始値"] * stock
      stock = 0
    else:
      # 下がると予測されて株を買ってないとき
      pass
  pred = row["y_pred"]
  history.append(money + row["toyota_始値"] * stock)

# シミュレーション結果を出力
fig = plt.figure()

ax1 = fig.subplots()
ax2 = ax1.twinx()

ax1.plot(sim.index, history, color="orange", label="total assets", linewidth=1)
ax2.plot(sim.index, sim["toyota_終値"].values, color="blue", label="stock prices", linewidth=1)
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2)
ax1.set_ylabel("total assets")
ax1.grid(True)
ax2.set_ylabel("stock prices")
plt.setp(ax1.get_xticklabels(), rotation=45)
plt.tight_layout()
plt.show()

print(history[-1] / 1_000_000 - 1)

出力
image.png

(実際には手数料や税金が引かれるため、この金額よりは少なくなります。)

(追記)

予測モデルを使わなかった場合のシミュレーションを行い比較してみた。

case_a : 前述の予測モデル及びシミュレーション方法
case_b : 毎月月初の始値を定額で購入(合計100万円分)
case_c : 年始の始値で100万円分購入した後に放置

結果
image.png

最終的な利益はcase_aが最も高くなった。
しかし、2020年3月ごろの暴落時にはcase_bの総資産額が最も多くなった。そのため、暴落に備えてなるべくリスクを減らしたい場合は、予測モデルは使わずに毎月定額で買うことがよいと考えられる。

(追記終了)

今後のやりたいこと

  • シミュレーションに空売りを取り入れて、株価が下がる際にも資産を増やせるようにする
  • ネット証券口座と連携して自動売買を行う、実運用に向けた取り組み
  • モデルの予測精度向上

実運用をするにあたって重大な課題点

圧 倒 的 資 金 不 足

年利30%とはいえ、元手が1万円とかだと、3000円の利益にしかならない。

最後に

今回はLightGBMを用いた株価の値動き予測を行いました。
シミュレーションの結果、手数料、税金を考慮しない場合年利30%のプラスとなりました。
今回はAI部分のみの作成で、肝心の自動売買のシステムは作成していないので、またの機会に記事にしようと考えております。

想定以上に良い結果となって、どこかに間違いがあるような気がするので、コメントでの指摘をお待ちしています。

162
225
11

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
162
225

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?