こんにちは。
林@アイエンターです。
前回のブログでは、Pythonのデータ解析ライブラリの「scikit-learn」での回帰分析をご紹介しました。
その際に、AnacondaというPythonパッケージをインストールしたわけですが、
今回はその中のPandasや、データ可視化用にSeabornを導入し、米国自動車株の解析を行ってみます。
株価データの読み込み
まずは、jupyter notebookで解析をしていく際の基本ライブラリをインポートします。
時間を扱うため、datetimeモジュールと、外部からのデータ読み込みのため
DataReaderを使用できるように準備します。
たとえば、「ゼネラルモーターズ」の過去１年分のデータをYahooサイトから読み込む処理を書いてみます。
ちなみに、ゼネラルモーターズの銘柄コードは「GM」になります。
では、データの上位5件を表示してみましょう。
カラムのそれぞれの意味は以下のとおりです。
- 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（調整後終値とは）
株価データの推移の可視化
終値の推移をグラフで確認してみます。
終値は「Adj Close」の調整後の終値の方を用います。
株価の投資リスクの指標として、日ごとの変動推移がポイントとなります。
例えばSeriesのpct_change関数を用いると変動推移が計算できます。
企業間の株価相関比較
さきほどは、ゼネラルモーターズの株価にフォーカスして解析を行いました。
次は同業企業間での株価の相関を見ていきます。
相関を可視化するために「Seaborn」を導入します。
コマンドラインでは以下のコマンド入力でインストール可能です。
pip install seaborn
モジュールのインポートを行います。
今回、自動車メーカーとして以下の5社の相関を見ていきます。
- ゼネラルモーターズ（銘柄コード「GM」）
- フォードモーター（銘柄コード「F」）
- トヨタ（銘柄コード「TM」）
- ホンダ（銘柄コード「HMC」）
- テスラモーターズ（銘柄コード「TSLA」）
上記5社の終値のデータを取得します。
これらの企業の終値のデータで、日ごとの変動推移のデータを計算します。
試しにプロットしてみます。
ちょっと関係性が良く分からないですよね。。。
ここでSeabornのpairplot関数を用いて可視化してみます。
グラフでの相関の高さについては、直線上に点が密集している程、相関が高いと
イメージしてもらえればと思います。
（参考：相関係数）
そのような観点で見ると、
「GM（ゼネラルモーターズ）」と「F（フォードモーター）」の米国企業ペア、
「TM（トヨタ）」と「HMC（ホンダ）」の日本国企業ペアが
相関が比較的高いことがイメージできるかと思います。
また、逆に「TSLA（テスラモーターズ）」のような後発の電気自動車企業は
他企業と相関は薄いこともイメージできるかと思います。
さらに、相関が分かりやすくSeabornのheatmapを使ってみます。
各企業間のデータの相関係数値を色の濃さで表現してます。
より視覚的に分かりやすい形になりました。
今回のお話はここまで！