search
LoginSignup
78

More than 5 years have passed since last update.

posted at

updated at

jupyter notebook上で金融データの描画・取得・操作

この記事はplotlyとpandasを結びつけるライブラリ"cufflinks"の紹介、およびそれを利用した金融関連のデータ描画、pandas_datareaderや自作モジュールによる金融データの取得、自作モジュールによる金融データの操作を行います。

データの描画

cufflinks 使い方

公式: GitHub - santosjorge/cufflinks

This library binds the power of plotly with the flexibility of pandas for easy plotting.

このライブラリーは簡単なプロットのために「plotlyの力」と「pandasの柔軟性」を結びつけます。

2017年12月現在、condaではインストールできません。

anaconda cloudで探すと(またはぐぐると) biocondaでRNAがなんとかとか言っている生物学系の別のcufflinksが見つかるけれども、全く関係ないものなので注意。

正しくインストールするにはpipを使って下さい。

$ pip install cufflinks

インポートと初期設定

cufflinksをインポートし、オフライン設定を有効化します。

import cufflinks as cf
cf.set_config_file(offline=True)

get_config_file()'offline': True,設定を確認します。

cf.get_config_file()
{'colorscale': 'dflt',
 'datagen_mode': 'stocks',
 'dimensions': None,
 'offline': True,
 'offline_link_text': 'Export to plot.ly',
 'offline_show_link': True,
 'offline_url': '',
 'sharing': 'public',
 'theme': 'pearl'}

動作確認

cf.datagen.box(20).iplot(kind='box')

Peek 2017-12-24 10-44.gif

ここ以降の画像は静止画像になっていますがgifをキャプチャするのが面倒だったのでjupyter notebook上ではマウスオーバー・ドラッグ可能です。

fig = cf.datagen.histogram(3).figure(kind='histogram')
cf.iplot(fig)

Screenshot-2017-12-17 cufflinks_practice.png

cufflinksによるローソク足のプロット

サンプルOHLCデータをプロット

np.random.seed(0)  # ランダム状態固定
df = cf.datagen.ohlcv()  # ランダムなデータを作成
qf = cf.QuantFig(df)
qf.add_bollinger_bands()  # ボリンジャーバンド追加
qf.iplot()  # ローソク足プロット

Screenshot-2017-12-23 cufflinks_practice.png

qf.add_macd()  # MACD追加
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice1.png

qf.add_sma([10,50],width=2, color=['red', 'green'])  # 移動平均線追加
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice2.png

出来高も表示

qf = cf.QuantFig(df, legend='top')
qf.add_volume()  # 出来高追加
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice3.png

qf.add_shapes(hline=[80, -142], vline=[pd.Timestamp('20150317'), pd.Timestamp('20150218')])  # 価格80, -142に水平線
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice4.png

qf.add_trendline('01Jan15', '13Feb15')  # トレンドラインの挿入
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice5.png

日本人にはあまり馴染みのない'%d%b%y'形式しか受け付けないようです。
自分好みの形式で入力したいときはpandas.Timestampクラスとstrftimeメソッドを混ぜて下のようにしてやると打ち込みやすいと思います。

qf = cf.QuantFig(df, legend='top')
# 上と同様に2015年1月1日から2015年2月13日
start, end = (pd.Timestamp(x).strftime('%d%b%y') for x in ('2015/1/1', '2015-2-13'))
# mapを使うならこう
# `start, end = map(lambda x: pd.Timestamp(x).strftime('%d%b%y'), ('2015/1/1', '2015-2-13'))`
qf.add_trendline(start, end)
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice6.png

データの取得

海外株

pandas_datareaderモジュールから米国株式のデータはダウンロードできます。

pandas-datareader

Functions from pandas_datareader.data and pandas_datareader.wb extract data from various Internet sources into a pandas DataFrame. Currently the following sources are supported:

pandas_datareader.dataとpandas_datareader.wbの関数はインターネット上の様々なデータをpandas DataFrameに抽出します。現在、以下のソースがサポートされています。

  • Yahoo! Finance
  • Google Finance
  • Enigma
  • Quandl
  • St.Louis FED (FRED)
  • Kenneth French’s data library
  • World Bank
  • OECD
  • Eurostat
  • Thrift Savings Plan
  • Nasdaq Trader symbol definitions

インストールは

$ conda install pandas-datareader
# または
$ pip install pandas-datareader
from pandas_datareader import data
end = pd.datetime.today()  # 今日の日付
start = (pd.Period(end, 'D')-300).start_time  # 300日前日付
df = data.get_data_yahoo('AMZN', end=end, start=start)  # 300日前からのAmazon株価取得
df.tail()
Open High Low Close Adj Close Volume
Date
2017-12-11 1164.599976 1169.900024 1157.000000 1168.920044 1168.920044 2363500
2017-12-12 1166.510010 1173.599976 1161.609985 1165.079956 1165.079956 2235900
2017-12-13 1170.000000 1170.869995 1160.270020 1164.130005 1164.130005 2616800
2017-12-14 1163.709961 1177.930054 1162.449951 1174.260010 1174.260010 3156600
2017-12-14 1163.709961 1177.930054 1162.449951 1176.089966 1176.089966 1873348
qf = cf.QuantFig(df, legend='top', name='AMZN')
qf.add_volume()
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice7.png

日本株

jsmモジュール利用して、日本株を取得してpandas DataFrameで返してくれるモジュールを組み立てました。

Qiita - 日本株の株価を取得してpandasデータフレームに格納する

参考
【Python/jsm】日本企業の株価データを銘柄ごとに取得

jsm 0.19

日本の株式市場の株価・財務データを取得するツールです。

各種データは、 Yahoo!ファイナンス からスクレイピングしています。

インストールは

$ pip install jsm
from read_nikkei import get_jstock  # 日本企業の株価取得モジュール

pandas_datareaderと異なる点

  • 銘柄はsymbol(Amazonなら'AMZN'とする)ではなく株価コード(数字4桁)で取得
  • 週足、月足での取得も可能(freq='W', freq='M'オプション)
    • デフォルトは日足(freq='D')
  • 期間の指定(periods=<数字>)で「endまたはstartから数えて<数字>本足の取得」
    • periodsを指定するとendまたはstartオプションが必ず必要です。
  • デフォルトでは、今日から数えて30日前からの日足データの取得(freq='D', end=pd.datetime.today(), periods=30と同様)
    • pandas_datereaderではデフォルトで2010年1月1日から今日までの株価取得(start=20100101, end=pd.datetime.today())
from read_nikkei import get_jstock
# 今日から100日前からの任天堂株価を取得
df = get_jstock(7974, end=pd.datetime.today(), periods=100)
df.tail()
    Get data from 2017-09-08 to 2017-12-17


    /home/u1and0/.pyenv/versions/anaconda3-5.0.0/envs/snow/lib/python3.6/site-packages/bs4/__init__.py:181: UserWarning:

    No parser was explicitly specified, so I'm using the best available HTML parser for this system ("lxml"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.

    The code that caused this warning is on line 193 of the file /home/u1and0/.pyenv/versions/anaconda3-5.0.0/envs/snow/lib/python3.6/runpy.py. To get rid of this warning, change code that looks like this:

     BeautifulSoup(YOUR_MARKUP})

    to this:

     BeautifulSoup(YOUR_MARKUP, "lxml")

なんかBeautifulSoup関連のワーニング出ますが、jsm作者に何とかしてもらうしかないんですかねー

Open High Low Close Adj Close Volume
Date
2017-12-11 43800 44380 43400 44380 44380 1822300
2017-12-12 44380 44380 43710 43900 43900 1536600
2017-12-13 43430 44140 43100 43930 43930 2045600
2017-12-14 43700 43800 42800 43010 43010 2012200
2017-12-15 42500 43380 42320 43030 43030 2283300
qf = cf.QuantFig(df, legend='top', name='任天堂')
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice8.png

為替

為替のデータはpandas_datereaderからでもある程度は取得可能です。
遡って1996年からの日足データを手に入れることができるようです。

日足

df = data.get_data_yahoo('JPY=X', start='1990')
df.head()
Open High Low Close Adj Close Volume
Date
1996-10-30 114.370003 114.480003 113.610001 114.180000 114.180000 0.0
1996-10-31 NaN NaN NaN NaN NaN NaN
1996-11-01 113.500000 113.500000 113.500000 113.500000 113.500000 0.0
1996-11-04 113.349998 113.980003 112.949997 113.879997 113.879997 0.0
1996-11-05 113.709999 114.330002 113.449997 114.250000 114.250000 0.0
qf = cf.QuantFig(df[-1000:], legend='top', name='USDJPY日足')  # 最後から1000本足をプロット
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice9.png

1分足

1分足を扱うにはMetaTraderなどで扱われるヒストリカルファイル(.hst)をダウンロードしてくると利用できます。

MT4,5を使っている人はPCの中のどこかに.hst拡張子のファイルがあると思うので探して下さい。

参考: MT4でデモ口座・ライブ口座のヒストリカルデータを取得する方法

MT4,5を利用していない人はFXDD TRADINGなどからダウンロードして下さい。

wgetやaria2を使える環境にある人は
shell-session
$ wget http://tools.fxdd.com/tools/M1Data/USDJPY.zip
$ aria2c -x10 -s10 -k1M http://tools.fxdd.com/tools/M1Data/USDJPY.zip

2005年からの主要通貨1分足をhstファイルを圧縮したzip形式でダウンロードできます。容量の目安は50MB程度、zip解凍すると200MB程度です。

hstファイルをpandas DataFrameに変換

hst形式のままでは使えませんので、hstファイルをpandas DataFrame形式に変換するコードを書きました。

Qiita - u1and0/MT4ヒストリカルデータをpython上で扱えるようにしたりcsvに保存する

zip解凍から行ってくれますので、ダウンロードしたファイルはzip解凍しておく必要はありません。

from read_hst import read_hst
df = read_hst('/home/u1and0/Data/USDJPY.zip')
df = df[-1000:]
df.head()
Extracting USDJPY.hst...
open high low close volume
time
2017-11-16 15:57:00 113.027 113.030 113.001 113.001 77.0
2017-11-16 15:58:00 113.003 113.008 113.002 113.003 70.0
2017-11-16 15:59:00 113.003 113.010 113.000 113.001 72.0
2017-11-16 16:00:00 113.001 113.015 112.996 113.015 78.0
2017-11-16 16:01:00 113.015 113.027 113.010 113.025 89.0
qf = cf.QuantFig(df, name='USDJPY分足')
qf.add_volume()
qf .iplot()

Screenshot-2017-12-23 cufflinks_practice10.png

データ操作

ローソク足OHLCの時間足変換

参考: qiita - u1and0/ローソク足OHLCの時間足を変える
ohlcデータの時間軸を変えます。

def _ohlcv(columns, open=None, high=None, low=None, close=None, volume=None):
    """Make a dictionary of {open:'***', low:'***', high:'***', close:'***', volume:'***'}"""
    auto_dict = {str(v).lower(): v for v in columns}  # Lower case of columns dictionary
    my_dict = {'open': open, 'high': high, 'low': low,
               'close': close, 'volume': volume}  # User defined OHLCV
    updater = {k: v for k, v in my_dict.items() if v}  # Remove `None` values in `my_dict`
    auto_dict.update(updater)  # Swap `auto_dict` with `my_dict` except `None` value
    return auto_dict


def ohlc2(self, open=None, high=None, low=None, close=None, volume=None):
    """`pd.DataFrame.resample(<TimeFrame>).ohlc2()`
    Resample method converting OHLC to OHLC
    """
    auto_dict = _ohlcv(self.asfreq().columns, open, high, low, close, volume)
    # Make dict as `agdict` for `df.resample(<Time>).agg(<dict>)`
    try:
        agdict = {auto_dict['open']: 'first',
                  auto_dict['high']: 'max',
                  auto_dict['low']: 'min',
                  auto_dict['close']: 'last'}
    except KeyError as e:
        raise KeyError('Columns not enough {}'.format(*e.args))
    # Add `volume` columns
    if 'volume' in auto_dict:
        agdict[auto_dict['volume']] = 'sum'
    return self.agg(agdict)


# Add instance as `pd.DataFrame.resample('<TimeFrame>').ohlc2()`
resample.DatetimeIndexResampler.ohlc2 = ohlc2
df.resample('H').ohlc2().head()
open high low close volume
time
2017-11-16 15:00:00 113.027 113.030 113.000 113.001 219.0
2017-11-16 16:00:00 113.001 113.059 112.800 112.840 6319.0
2017-11-16 17:00:00 112.840 112.951 112.725 112.783 6509.0
2017-11-16 18:00:00 112.785 112.888 112.766 112.884 5264.0
2017-11-16 19:00:00 112.884 112.905 112.794 112.857 4129.0
qf = cf.QuantFig(df.resample('H').ohlc2(), name='USDJPY時間足')
qf.add_volume()
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice11.png

日経平均のデータを取得して、調整後終値(Adjusted Closing Price, Adj Close)を終値として扱いたいときは、ohlc2の引数に与えてあげます。

df = data.get_data_yahoo('^N225')  # 日経平均日足の取得
df.head()
Open High Low Close Adj Close Volume
Date
2010-01-04 10609.339844 10694.490234 10608.139648 10654.790039 10654.790039 104400.0
2010-01-05 10719.440430 10791.040039 10655.570313 10681.830078 10681.830078 166200.0
2010-01-06 10709.549805 10768.610352 10661.169922 10731.450195 10731.450195 181800.0
2010-01-07 10742.750000 10774.000000 10636.669922 10681.660156 10681.660156 182600.0
2010-01-08 10743.299805 10816.450195 10677.559570 10798.320313 10798.320313 211800.0
df.resample('W').ohlc2().head()  # 普通に週足に変換
Open High Low Close Volume
Date
2010-01-10 10609.339844 10816.450195 10608.139648 10798.320313 846800.0
2010-01-17 10770.349609 10982.099609 10729.860352 10982.099609 963000.0
2010-01-24 10887.610352 10895.099609 10528.330078 10590.549805 872000.0
2010-01-31 10478.309570 10566.490234 10198.040039 10198.040039 779500.0
2010-02-07 10212.360352 10438.410156 10036.330078 10057.089844 794700.0
df.resample('W').ohlc2(close='Adj Close').head()  # 終値をAdj Closeに指定
Open High Low Adj Close Volume
Date
2010-01-10 10609.339844 10816.450195 10608.139648 10798.320313 846800.0
2010-01-17 10770.349609 10982.099609 10729.860352 10982.099609 963000.0
2010-01-24 10887.610352 10895.099609 10528.330078 10590.549805 872000.0
2010-01-31 10478.309570 10566.490234 10198.040039 10198.040039 779500.0
2010-02-07 10212.360352 10438.410156 10036.330078 10057.089844 794700.0

ohlc2()の引数にはopen, high, low, close, volumeを与えることができます。
例えば次のようにカラム名が4本値と関係ないデータを渡しても、きちんと引数を指定してやればOHLCVで変換してくれます。

np.random.seed(19)
df = cf.datagen.ohlcv()  # データ生成
df.columns = range(1,6)  # カラム名を数字に変える
df.head()
1 2 3 4 5
2015-01-01 100.000000 106.526092 77.530418 81.491630 8015
2015-01-02 83.748302 85.962681 63.060215 65.605544 5769
2015-01-03 65.592938 76.415738 47.096441 56.526309 9328
2015-01-04 58.160297 64.929405 52.899053 57.952424 4412
2015-01-05 58.498021 69.737244 34.999141 41.165273 6892

週足に変更するため、open, high, low, close, volumeをそれぞれ1,2,3,4,5と指定します。

df.resample('W').ohlc2(open=1, high=2, low=3, close=4, volume=5)  # 引数にohlcvのカラム名を指定
1 2 3 4 5
2015-01-04 100.000000 106.526092 47.096441 57.952424 27524
2015-01-11 58.498021 98.722285 25.081057 85.380938 34592
2015-01-18 85.227185 116.629094 56.120302 104.003280 35803
2015-01-25 103.913949 139.336095 82.181452 109.151731 38910
2015-02-01 108.334060 126.237090 75.235135 101.461833 39578
2015-02-08 101.868035 131.537039 27.324298 57.099236 33278
2015-02-15 55.782685 98.734416 49.267611 61.573598 34527
2015-02-22 62.830502 104.472611 48.834591 85.477329 30116
2015-03-01 84.665842 123.096526 44.282473 121.435018 40203
2015-03-08 120.073562 154.933346 120.073562 123.635981 55421
2015-03-15 123.368637 130.713508 54.363323 74.063469 50965
2015-03-22 72.393416 130.067377 61.799581 119.121722 35717
2015-03-29 120.383713 213.487056 111.342313 202.147684 36784
2015-04-05 202.951959 211.550772 102.660010 106.082669 42398
2015-04-12 106.244248 115.505312 76.272411 106.781127 23787

ただし、カラム名がFalseになるもの(0, None, False, np.NaNなど)を指定すると失敗します。

平均足

def heikin_ashi(self, open=None, high=None, low=None, close=None):
    """Return HEIKIN ASHI columns"""
    df = self.copy()
    auto_dict = _ohlcv(df.columns, open, high, low, close)
    df['hopen'] = (df[auto_dict['open']].shift() + df[auto_dict['close']].shift()) / 2
    df['hclose'] = df[[auto_dict['open'],
                      auto_dict['high'],
                      auto_dict['low'],
                      auto_dict['close']]].mean(1)
    df['hhigh'] = df[[auto_dict['high'], 'hopen', 'hclose']].max(1)
    df['hlow'] = df[[auto_dict['low'], 'hopen', 'hclose']].min(1)
    return df[['hopen', 'hhigh', 'hlow', 'hclose']]


pd.DataFrame.heikin_ashi = heikin_ashi
df = data.get_data_yahoo('^GSPC')  # S&P500指数の取得
df.tail()
Open High Low Close Adj Close Volume
Date
2017-12-18 2685.919922 2694.969971 2685.919922 2690.159912 2690.159912 3724660000
2017-12-19 2692.709961 2694.439941 2680.739990 2681.469971 2681.469971 3368590000
2017-12-20 2688.179932 2691.010010 2676.110107 2679.250000 2679.250000 3241030000
2017-12-21 2683.020020 2692.639893 2682.399902 2684.570068 2684.570068 3273390000
2017-12-22 2684.219971 2685.350098 2678.129883 2683.340088 2683.340088 2399830000

普通にローソク足の表示

qf = cf.QuantFig(df, name='S&P500ローソク足', legend='top',
                 slice=(pd.Timestamp('20170901'), pd.Timestamp('20171220')))
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice12.png

平均足の表示は平均足メソッドを使用します。

he = df.heikin_ashi()
he.tail()
hopen hhigh hlow hclose
Date
2017-12-18 2668.219971 2694.969971 2668.219971 2689.242432
2017-12-19 2688.039917 2694.439941 2680.739990 2687.339966
2017-12-20 2687.089966 2691.010010 2676.110107 2683.637512
2017-12-21 2683.714966 2692.639893 2682.399902 2685.657471
2017-12-22 2683.795044 2685.350098 2678.129883 2682.760010
qf = cf.QuantFig(he, name='S&P500平均足', legend='top',
                 slice=(pd.Timestamp('20170901'), pd.Timestamp('20171220')))
qf.iplot()

Screenshot-2017-12-23 cufflinks_practice13.png

ローソク足と比べて陽線、陰線が続きやすくなっています。

まとめ

  • グラフの描画
    • plotlypandasをの合わせ技をやりやすくしてくれるcufflinks
  • データの取得
    • 海外株、主要通貨、主要指数 → pandas-datareader
    • 日本株 → jsm + 自作モジュールでpandas DataFrame化
    • 為替の1分足 → FXDDからhstファイルをダウンロード + 自作モジュールでpandas DataFrame化
  • データ操作
    • OHLCをOHLCに変換 → 自作ohlc2()メソッド
    • 平均足 → 自作heikinashi()メソッド

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
What you can do with signing up
78