More than 1 year has passed since last update.

日経平均株価のテクニカル分析用データ作成

Last updated at 2022-10-23Posted at 2022-10-15

Todo

株価の分析をより高度なものにする為、テクニカル指標を追加しグラフで表示する

移動平均
MACD
RSI
ボリンジャーバンド
ローソク足

これらのテクニカル指標の追加は、Pythonだとpandas_datareaderやTA-Libというライブラリを使用することで簡単に出来る。

TA-Libのインストールは環境によって上手くいかないケースがあるためDockerを使い環境構築を行う。

用語

テクニカル指標

移動平均
- 過去〇〇日分の平均
- ゴールデンクロス
  - 「短期の移動平均線」が「中期以上の移動平均線」を下から上に抜けること
  - 価格が上昇しているサイン
- デッドクロス
  - 「短期の移動平均線」が「中期以上の移動平均線」を上から下に抜けること
  - 価格が下降しているサイン
MACD
- トレンドを見る指標
  - 0以上なら上昇トレンド
  - 0以下なら下降トレンド
RSI
- 売られ過ぎ・買われ過ぎを判断する指標
  - 20〜30%を下回る・・・売られ過ぎ
  - 70〜80%を上回る・・・買われ過ぎ
ボリンジャーバンド
- 売られ過ぎ・買われ過ぎを判断する指標
- 移動平均などの一定期間の平均に対して、一定期間の標準偏差を足したものと引いたものの2本のラインを引く
  - 一般的にプラスマイナス「標準偏差の2倍」を使うことが多い
  - 統計学の考え方から終値はこの2本の間に収まると考えられる
  - 収まらなかった場合は、売られ過ぎ・買われ過ぎだと判断する
ローソク足
- 取引時間中の株価の値動き（始値、終値、高値、安値など）を1本のローソクの形で表現したもの
  - 数字の羅列で変化し続ける為替レートを視覚的に、かつ過去のデータも含めて一目で値動きの推移を把握できるのがローソク足の特徴

これらの指標を用いて分析をし、株の売買の意思決定が行われている。
株の他、Bitcoinや為替、FXにも活用可能。

前提

Dockerのインストールを済ませておく（目安：5分）

環境構築

先にも述べたように、TA-Libのインストールは環境によって上手くいかない or インストール出来るとしても手順として複雑になるケースがある為、Dockerを使い環境構築を行う

1. 任意のフォルダを作成

今回はDesktop上にdata_analysisフォルダを新規作成

2. Dockerfileを作成し、フォルダに格納

Dockerfile

FROM --platform=linux/amd64 ubuntu:20.04

RUN apt-get update && apt-get install -y sudo wget vim curl gawk make gcc

RUN wget https://repo.continuum.io/archive/Anaconda3-2019.03-Linux-x86_64.sh && \
    sh Anaconda3-2019.03-Linux-x86_64.sh -b  && \
    rm -f Anaconda3-2019.03-Linux-x86_64.sh && \
    sudo curl -sL https://deb.nodesource.com/setup_10.x | sudo bash -  && \
    sudo apt-get install -y nodejs

ENV PATH $PATH:/root/anaconda3/bin

RUN pip install --upgrade pip
RUN pip install pandas_datareader
RUN pip install mplfinance

RUN wget --quiet http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz -O ta-lib-0.4.0-src.tar.gz && \
    tar xvf ta-lib-0.4.0-src.tar.gz && \
    cd ta-lib/ && \
    ./configure --prefix=/usr && \
    make && \
    sudo make install && \
    cd .. && \
    pip install TA-Lib && \
    rm -R ta-lib ta-lib-0.4.0-src.tar.gz

RUN mkdir /workspace

CMD ["jupyter-lab", "--ip=0.0.0.0","--port=8888" ,"--no-browser", "--allow-root", "--LabApp.token=''"]

3. ビルド

$ docker build -t 任意のタグ名:latest フォルダまでのパス

パスはファイルを直接ドラックアンドドロップすれば入力される

例

(base) sample@SampleMBP ~ % cd Desktop/data_analysis/
(base) sample@SampleMBP data_analysis % ls
Dockerfile
(base) sample@SampleMBP data_analysis % docker build -t da:latest /Users/sample/Desktop/data_analysis

コマンド実行後、完了まで20分以上要する

4. イメージIDを確認

$ docker images

実行結果例

REPOSITORY   TAG       IMAGE ID       CREATED        SIZE
da           latest    cdf22f203d75   a minute ago   3.86GB

5. JupyterLabを起動

$ docker run -p ローカルの任意のポート番号:8888 -v フォルダまでのパス:/workspace –-name ビルド時のタグ名 イメージID

例

(base) sample@SampleMBP data_analysis % docker run -p 8888:8888 -v /Users/sample/Desktop/data_analysis:/workspace --name da cdf22f203d75

コマンド実行後にブラウザで下記URLにアクセスし、JupyterLabが起動したら環境構築完了🎉
（例）http://127.0.0.1:8888/

ローカルと同期されている為、workspaceディレクトリに移動すればDockerfileが存在することを確認できる

workspaceディレクトリ配下に任意の実行ファイルを作成し作業を行う

単純移動平均をグラフで可視化する

1. ライブラリをimport

import pandas as pd
import talib as ta
# 日経平均やNASDAQ、個別銘柄の株価データを取得できるライブラリ
from pandas_datareader import data
# matplotlibのpyplotモジュールを使用
import matplotlib.pyplot as plt
# JupyterLab上で作成したグラフを表示
%matplotlib inline
import warnings
# すべての警告を表示させない
warnings.simplefilter('ignore')

2. 移動平均と出来高をグラフで可視化

詳細

下記実行

start_date = '2021-10-01'
end_date = '2022-10-01'

# data.DataReader('取得したいティッカーシンボル', 'データソースの名前', '取得したい期間の開始日付', '終了日付')
df = data.DataReader('^N225', 'yahoo', start_date, end_date)

date = df.index
close = df['Adj Close']

# 過去5日、25日、50日の移動平均を算出する為に定義
span01 = 5
span02 = 25
span03 = 50

# 移動平均を算出
# smaは単純移動平均の略称
df['sma01'] = close.rolling(window=span01).mean()
df['sma02'] = close.rolling(window=span02).mean()
df['sma03'] = close.rolling(window=span03).mean()

plt.figure(figsize=(30, 15))

# グラフ領域を二分割する
# plt.subplot(縦方向を分割する数, 横方向に分割する数, グラフを配置する位置を示すindex)
plt.subplot(2,1,1)

# 線グラフ(単純移動平均)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.plot(date, df['sma01'], label='sma01', color='#e84a5f')
plt.plot(date, df['sma02'], label='sma02', color='#ff847c')
plt.plot(date, df['sma03'], label='sma03', color='#feceab')
plt.legend()

# 棒グラフ(出来高)
plt.subplot(2,1,2)
plt.bar(date, df['Volume'], label='Volume', color='gray')
plt.legend()

MACDの指標を追加

MACD：トレンドを見る指標

0以上なら上昇トレンド
0以下なら下降トレンド

1. MACDの計算

# ta.MACD(終値, 短期移動平均, 長期移動平均, MACDシグナル)
df['macd'], df['macdsignal'], df['macdhist'] = ta.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)

一般的に短期移動平均は12、長期移動平均は26、 MACDシグナルは9を設定することが多い

2. データが出来ていることを確認

df.tail()

3. MACDをグラフ化

塗りつぶし折れ線グラフを用いる
- ヒストグラムよりも分かりやすい

plt.figure(figsize=(30, 15))

# グラフ領域を二分割する
# plt.subplot(縦方向を分割する数, 横方向に分割する数, グラフを配置する位置を示すindex)
plt.subplot(2,1,1)

# 線グラフ(調整後の終値)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.legend()

plt.subplot(2,1,2)

# 塗りつぶし折れ線グラフ(MACD)
# plt.fill_between(x軸, y軸, 色, 塗りつぶしの透過, ラベル)
plt.fill_between(date, df['macdhist'], color='gray', alpha=0.5, label='MACD_hist')

# y = 0に水平線を描画
# plt.hlines(y軸, 開始するx軸, 終了するx軸, 色, 線の種類)
plt.hlines(0, start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

0を基準にトレンドが簡単にわかる

RSI

RSI：売られ過ぎ・買われ過ぎを判断する指標

20〜30%を下回る・・・売られ過ぎ
- 逆張りの「買い」と判断する
70〜80%を上回る・・・買われ過ぎ
- 逆張りの「売り」と判断する

1. `25日`のRSIを計算

# df['RSI'] = ta.RSI(終値, RSIを作成する期間)
df['RSI'] = ta.RSI(close, timeperiod=span02)

2. データが出来ていることを確認

df.tail()

3. RSIをグラフ化

plt.figure(figsize=(30, 15))
# グラフ領域を二分割する
# plt.subplot(縦方向を分割する数, 横方向に分割する数, グラフを配置する位置を示すindex)
plt.subplot(2,1,1)

# 単純移動平均
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.plot(date, df['sma01'], label='sma01', color='#e84a5f')
plt.plot(date, df['sma02'], label='sma02', color='#ff847c')
plt.plot(date, df['sma03'], label='sma03', color='#feceab')
plt.legend()

# RSI
plt.subplot(2,1,2)
plt.plot(date, df['RSI'], label='RSI', color='gray')
# y軸の範囲を設定
plt.ylim(0, 100)
# 30%、50%、70%の場所に転線を引く
plt.hlines([30, 50, 70], start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

RSIの可視化に成功

ボリンジャーバンド

ボリンジャーバンド：売られ過ぎ・買われ過ぎを判断する指標

移動平均などの一定期間の平均に対して、一定期間の標準偏差を足したものと引いたものの2本のラインを引く
- 一般的にプラスマイナス「標準偏差の2倍」を使うことが多い
- 統計学の考え方から終値はこの2本の間に収まると考えられる
- 収まらなかった場合は、売られ過ぎ・買われ過ぎだと判断する

1. ボリンジャーバンドの計算

# matype: 0=SMA, 1=EMA, 2=WMA, 3=DEMA, 4=TEMA, 5=TRIMA, 6=KAMA, 7=MAMA, 8=T3 (デフォルト=SMA)

# 上のボリンジャーバンド, 移動平均, 下のボリンジャーバンド = ta.BBANDS(調整済み終値, 日経平均日数, 上のラインの標準偏差, 下のラインの標準偏差, 移動平均の計算方法)インの標準偏差, ○○移動平均)
df['upper'], df['middle'], df['lower'] = ta.BBANDS(close, timeperiod=span02, nbdevup=2, nbdevdn=2, matype=0)

matype
- 0・・・単純移動平均
- 1・・・指数移動平均
- 2・・・加重移動平均

2. データが出来ていることを確認

df.tail()

3. ボリンジャーバンドをグラフ化

plt.figure(figsize=(30, 15))

plt.plot(date, close, label='Adj Close', color='#99b898')
# plt.fill_between(x軸, 塗りつぶし上側, 塗りつぶし下側, 色, 透過)
plt.fill_between(date, df['upper'], df['lower'], color='gray', alpha=0.3)
plt.legend()

ボリンジャーバンドの可視化に成功

5つのグラフを同時に表示

plt.figure(figsize=(30, 15))

# 移動平均
plt.subplot(5,1,1)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.plot(date, df['sma01'], label='sma01', color='#e84a5f')
plt.plot(date, df['sma02'], label='sma02', color='#ff847c')
plt.plot(date, df['sma03'], label='sma03', color='#feceab')

# 出来高
plt.subplot(5,1,2)
plt.bar(date, df['Volume'], label='Volume', color='gray')
plt.legend()

# MACD
plt.subplot(5,1,3)
plt.fill_between(date, df['macdhist'], color='gray', alpha=0.5, label='MACD_hist')
plt.hlines(0, start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

# RSI
plt.subplot(5,1,4)
plt.plot(date, df['RSI'], label='RSI', color='gray')
plt.ylim(0, 100)
plt.hlines([30, 50, 70], start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

# ボリンジャーバンド
plt.subplot(5,1,5)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.fill_between(date, df['upper'], df['lower'], color='gray', alpha=0.3)
plt.legend()

同時に5つのグラフ表示成功

ここまでのコードまとめ

import pandas as pd
import talib as ta
import mplfinance as mpf
from pandas_datareader import data
import matplotlib.pyplot as plt
%matplotlib inline
import warnings
warnings.simplefilter('ignore')

start_date = '2021-10-01'
end_date = '2022-10-01'

df = data.DataReader('^N225', 'yahoo', start_date, end_date)

date = df.index
close = df['Adj Close']

span01 = 5
span02 = 25
span03 = 50

# 移動平均を算出。smaは単純移動平均の略称
df['sma01'] = close.rolling(window=span01).mean()
df['sma02'] = close.rolling(window=span02).mean()
df['sma03'] = close.rolling(window=span03).mean()

plt.figure(figsize=(30, 60))

# 移動平均
plt.subplot(5,1,1)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.plot(date, df['sma01'], label='sma01', color='#e84a5f')
plt.plot(date, df['sma02'], label='sma02', color='#ff847c')
plt.plot(date, df['sma03'], label='sma03', color='#feceab')

# 出来高
plt.subplot(5,1,2)
plt.bar(date, df['Volume'], label='Volume', color='gray')
plt.legend()

# MACD
plt.subplot(5,1,3)
df['macd'], df['macdsignal'], df['macdhist'] = ta.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)
plt.fill_between(date, df['macdhist'], color='gray', alpha=0.5, label='MACD_hist')
plt.hlines(0, start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

# RSI
plt.subplot(5,1,4)
df['RSI'] = ta.RSI(close, timeperiod=span02)
plt.plot(date, df['RSI'], label='RSI', color='gray')
plt.ylim(0, 100)
plt.hlines([30, 50, 70], start_date, end_date, 'gray', linestyles='dashed')
plt.legend()

# ボリンジャーバンド
plt.subplot(5,1,5)
df['upper'], df['middle'], df['lower'] = ta.BBANDS(close, timeperiod=span02, nbdevup=2, nbdevdn=2, matype=0)
plt.plot(date, close, label='Adj Close', color='#99b898')
plt.fill_between(date, df['upper'], df['lower'], color='gray', alpha=0.3)
plt.legend()

ローソク足

ローソク足：取引時間中の株価の値動き（始値、終値、高値、安値など）を1本のローソクの形で表現したもの

mplfinance
- ファイナンスに特化した可視化ライブラリ

1. ローソク足を表示

# mplfinanceをインポート
import mplfinance as mpf

start_date = '2021-10-01'
end_date = '2022-10-01'

# 日経平均株価を取得
df = data.DataReader('^N225', 'yahoo', start_date, end_date)

date = df.index
close = df['Adj Close']

span02 = 25

# ボリンジャーバンド
df['upper'], df['middle'], df['lower'] = ta.BBANDS(close, timeperiod=span02, nbdevup=2, nbdevdn=2, matype=0)

# ローソク足用のデータフレームを作成
df_candle = df[['High', 'Low', 'Open', 'Close', 'Volume']]

# ローソク足のグラフを作成
# df_candle[100:200]のように記述し、データを絞ることも可能
mpf.plot(df_candle, type='candle', style='yahoo', figsize=(30, 15))

すべてのテクニカル指標をまとめて表示する場合

start_date = '2022-04-01'
end_date = '2022-10-15'

# 日経平均株価を取得
df = data.DataReader('^N225', 'yahoo', start_date, end_date)

# MACD
# ta.MACD(終値, 短期移動平均, 長期移動平均, MACDシグナル)
df['macd'], df['macdsignal'], df['macdhist'] = ta.MACD(df['Adj Close'], fastperiod=12, slowperiod=26, signalperiod=9)

# ボリンジャーバンド
# matype: 0=SMA, 1=EMA, 2=WMA, 3=DEMA, 4=TEMA, 5=TRIMA, 6=KAMA, 7=MAMA, 8=T3 (デフォルト=SMA)
# 上のボリンジャーバンド, 移動平均, 下のボリンジャーバンド = ta.BBANDS(調整済み終値, 日経平均日数, 上のラインの標準偏差, 下のラインの標準偏差, 移動平均の計算方法)
df['upper'], df['middle'], df['lower'] = ta.BBANDS(df['Adj Close'], timeperiod=25, nbdevup=2, nbdevdn=2, matype=0)

# RSI
df['RSI'] = ta.RSI(df['Adj Close'], timeperiod=25)

# グラフに追加したい項目を代入
apds = [
    mpf.make_addplot(df['upper'], color='g'),
    mpf.make_addplot(df['middle'], color='b'),
    mpf.make_addplot(df['lower'], color='r'),
    mpf.make_addplot(df['macdhist'], type='bar', color='gray', width=1.0, panel=1, alpha=0.5, ylabel='MACD'),
    mpf.make_addplot(df['RSI'], type='line', panel=2, alpha=0.5, ylabel='RSI')
]

mpf.plot(df, type='candle', figsize=(30, 10), style='yahoo', volume=True, addplot=apds, volume_panel=3, panel_ratios=(5,2,2,1))

# 画像として保存する場合は以下に変更
# mpf.plot(df, type='candle', figsize=(30, 10), style='yahoo', volume=True, addplot=apds, volume_panel=3, panel_ratios=(5,2,2,1), savefig='株価テクニカル分析.png')

日経平均株価のテクニカル分析用データ作成

Todo

用語

前提

環境構築

1. 任意のフォルダを作成

2. Dockerfileを作成し、フォルダに格納

3. ビルド

4. イメージIDを確認

5. JupyterLabを起動

単純移動平均をグラフで可視化する

1. ライブラリをimport

2. 移動平均と出来高をグラフで可視化

MACDの指標を追加

1. MACDの計算

2. データが出来ていることを確認

3. MACDをグラフ化

RSI

1. 25日のRSIを計算

2. データが出来ていることを確認

3. RSIをグラフ化

ボリンジャーバンド

1. ボリンジャーバンドの計算

2. データが出来ていることを確認

3. ボリンジャーバンドをグラフ化

5つのグラフを同時に表示

ここまでのコードまとめ

ローソク足

1. ローソク足を表示

すべてのテクニカル指標をまとめて表示する場合

関連

1. `25日`のRSIを計算