【Python】米株のパフォーマンス分析をしてみよう

今回の結論

『ブルーウェーブ』で米株高

新年早々のビッグイベント－ジョージア州の上院決選投票では、民主党の候補者が2議席を獲得しました。

これによりホワイトハウスも議会も民主党が支配する『ブルーウェーブ』が実現することになりまた。

ブルーウェーブは、バイデン新政権の政策を運営する能力を飛躍的に高めるでしょう。

事実、この点が意識されて2012年の米国株（アメリカ株）は好調なすべり出しとなっています。

しかし、よく見ると米価指数のパフォーマンスには差が見られます。

なので今回の記事はー

という内容です。

しかし、ただ分析するだけではありません。今回はー

これに挑戦してみようと思います！

Pandasで米国株のデータを取得してみよう！

まずはPandasで株価指数のデータを取ります。
今回必要な株価のデータは以下の4つです。
これらのデータは、『Yahoo!finance』から取得します。

サンプルコード

#Pandasをインポート
import pandas as pd
import pandas_datareader as web

#米国株価指数のデータをYahoo!financeから取得 ⇒ それぞれの変数にデータを入れる
dji = web.DataReader(data_source='yahoo', name='^DJI',start='2021-01-01',end='2021-01-31')
spx500 = web.DataReader(data_source='yahoo', name='^GSPC',start='2021-01-01',end='2021-01-31')
nasdaq = web.DataReader(data_source='yahoo', name='^IXIC',start='2021-01-01',end='2021-01-31')
nsdq100 = web.DataReader(data_source='yahoo', name='^NDX',start='2021-01-01',end='2021-01-31')

Pandasでちゃんとデータが取れているかどうか？ためしにダウ平均（dji）で確認してみよう。

結果

ちゃんとデータが取れていることが確認できました。

データを統合（結合）してカラム名をつけてみよう！

次に、Pandasで取得した4つの株価指数データを統合しましょう。

今回はパフォーマンスをチェックするので、『終値』をベースに統合してみましょう。

ついでに、カラムにそれぞれの指数の名前も入れてみます。

サンプルコード

#pandas.concat()：データフレームを統合（結合）する関数
df = pd.concat([dji['Adj Close'],spx500['Adj Close'],nasdaq['Adj Close'],nsdq100['Adj Close']],axis=1)

#.columns：データフレームのカラム名を決めるコード
df.columns=('SPX500','DOW','NASDAQ','NASDAQ100')

サンプルコードの説明

データフレームを統合する時は『pandas.concat()』を使います。

終値のみをピックアップする時は『変数名['ピックアップしたいカラム名']』とします。
例えば、ダウ平均（dji）の終値のみをピックアップする場合は『dji['Adj Close']』となります。

ちゃんと株価指数のデータが統合されているかどうか？確認してみましょう！

結果

それぞれの株価指数のデータが、終値で統合されていることが確認できました。

pandasについてはこちら

データの『基準化』の設定をしよう

上のデータでは、株価指数のパフォーマンスを比較することはできません。

なぜなら株価のケタがそれぞれ違うからです。

ではどうするか？それはー

です。

『基準化』とはなんでしょうか？それはー

です。

ムズカシイ...と思う人がいるかも知れませんが、全然そんなことはありません。

論より証拠。

実際に見てみましょう！

サンプルコード

今回の目的は、年初来のパフォーマンスを確認することです。

なので、基準となる日は『2020年12月31日』です。

なぜか？この日が2020年最後の取引日だからです。

2020年の最終取引日の終値を基準と考え、この基準から『何パーセント上昇しのたか？』もしくは『何パーセント下落したのか？』を見て、はじめて各指数のパフォーマンスがチェックできます。

では、実際に基準化するためのサンプルコードを見てみましょう！

#df_normalizedという変数に基準化したデータを入れる
df_normalized = (df/df.iloc[0]-1)*100

なんと！たったの1行で基準化するためのコードが書けました！

サンプルコードの説明

といっても、最初はわかりませんよね。

なので具体的に説明します。

まずカッコの中の『df/df.iloc[0]』とはー

という意味です。

最初のデータを取り出すためのコードがー

というわけです。

この『.iloc』、データをピックアップする関数としてPandasではよく使われます。
せっかくですのでここで覚えてしまいましょう。

また、『.iloc[0]』の”ゼロ”は、”最初のデータ”という意味です。

Pandasでは『1』が最初ではなくー

になります。

これもPandasの重要なポイントです。ここで覚えてしまいましょう！

さて『.iloc[0]』でピックアップした最初のデータとは『2020年12月31日の終値』です。

この値を割り算の分母として統一することでー

というわけです。

実際に作成されたパフォーマンスデータを見てみましょう！

結果

ひと目見て、株価のデータから基準化されたパーセンテージ（％）のデータへ変わっていることがわかりますね！

そして最初のデータ『2020年12月31日』が”ゼロ”となっている点にも注目してください！

これで株価データから基準化されたデータへの変換がうまくいきました！

最後にMatplotlibでチャート化してみよう！

さて、この記事もいよいよ終盤です。

Pandasで取得したデータは単なる数字の羅列です。
しかし、これだけを見てもパフォーマンスの詳細はわかりません。

なのでデータ分析では、『見える化』の作業がとても重要です。

では『見える化』するためにはどうしたらよいでしょうか？それはー

ことです。

チャートを作成するために必要なライブラリがー

です。

matplotlibについてはこちら

ではmatplotlibで『見える化』してみましょう！

サンプルコード

#matplotlibのライブラリをインポート
import matplotlib.pyplot as plt

#チャートを作成
df_normalized.plot(figsize=(15,8));

結果

米株価指数のパフォーマンスチャート 基準日：2020年12月31日

たったの2行でパフォーマンスチャートが作成できました！

サンプルコードの説明

といっても、最初はわからないですよね。

以下で具体的に説明します！

まず最初のコード『import matplotlib.pyplot as plt』はー

と覚えておきましょう。

ライブラリをインポートする際は、色んなコードの書き方があります。

それらを覚えるために時間をかけるくらいなら、1行で書ける最も単純なコードを覚えておくのが効率的です。

ジェイは、matplotlibをインポートする時は上のコードをいつも書いています。

次にチャートを作成するコード『df_normalized.plot(figsize=(15,8));』について。

matplotlibを使えば、『変数名.plot( )』とするだけで、Pandasのデータフレームをラインチャートで描くことができます。

『.plot( )』のカッコの中にある『figsize=(15,8)』は、画像サイズの大きさを指定するコードです。

今回のケースですと『横：15 / 縦：8』の画像サイズを作成してくれ、というコードになります。

コードサンプルのまとめ

最後に今回のコードサンプルをまとめておきますね。Pythonで分析をする際の参考にしてください！

#ライブラリをインポート
import pandas as pd
import pandas_datareader as web
import matplotlib.pyplot as plt

#米国の株価指数データをYahoo!financeから取得
dji = web.DataReader(data_source='yahoo', name='^DJI',start='2021-01-01',end='2021-01-31')
spx500 = web.DataReader(data_source='yahoo', name='^GSPC',start='2021-01-01',end='2021-01-31')
nasdaq = web.DataReader(data_source='yahoo', name='^IXIC',start='2021-01-01',end='2021-01-31')
nsdq100 = web.DataReader(data_source='yahoo', name='^NDX',start='2021-01-01',end='2021-01-31')

#データフレームを統合（結合）する
df = pd.concat([dji['Adj Close'],spx500['Adj Close'],nasdaq['Adj Close'],nsdq100['Adj Close']],axis=1)

#データフレームのカラム名を付ける
df.columns=('SPX500','DOW','NASDAQ','NASDAQ100')

#データフレームを『基準化』する
df_normalized = (df/df.iloc[0]-1)*100

#データフレームをチャートで描画する
df_normalized.plot(figsize=(15,8));

今回学んだコードは、キホンの『キ』です。

このブログでは、マーケットの分析に必要な色々なPythonコードを紹介していきます！

こうご期待！

Pythonを学ぶには？

ご覧のとおり、Pythonを使えばたった数行のコードで米株のパフォーマンスを分析することができます。

しかし、たった数行のコードを書くためには、やはり勉強が必要です。

正直に言って、プログラミングの学習は大変です。

大変であるからこそー

これはプログラミングの勉強をするうえで重要です。

ジェイのおすすめ学習法

特にジェイのような社会人は、学習する時間が限られてしまいます。

限られた時間で効率良くプログラミングを学ぶためには、学習するツールを厳選する必要があります。

ジェイがおすすめする学習法とは？

動画で学ぶ

本音をいいます。

プログラミングの学習では『動画』が最適な学習ツールだと思います。

なぜか？

それはー

です。

では、動画でプログラミングを学習するにはどんなツールを使えば良いのか？

それはー

です。

Udemyとは？

Udemyのメリットとは？

そしてUdemyをおすすめする理由は ”5つのメリット” にあります。

Udemyの詳細については以下のリンク先をご参照ください。

Udemyの詳細についてはこちら

今回のまとめ