【S&P500指数】Pythonで4月のパフォーマンスを確認してみよう！

ーこの記事は3分で読めますー

アメリカの株式市場に参戦している機関投資家（プロの投資家集団）が、必ずチェックする株価指数がー

です。

この指数は、機関投資家のパフォーマンスを測定するベンチマークとなります。

ゆえに、彼らはS&P500指数の動きを常にチェックしているというわけです。

そこで今回は、4月の相場が本格的に始まることをふまえて、4月のS&P500 指数にはどのようなパフォーマンスのパターンがあるのか？この点について分析してみます。

もちろん、当ブログのメインテーマのひとつであるプログラミング言語の『Python』を使って。

ぜひ、最後までご覧ください！

この記事はこんな方におすすめ

この記事で何がわかるの？

本題

さて、ここからが本題です。

まずは、今回の主役であるS&P500指数のトレンドを日足のチャートで確認してみましょう。

S&P500指数のチャートチェック

出所：TradingView 日足（2021年12月以降）

2022年に入り下落トレンドが続いていたS&P500指数ですが、3月14日にトレンドが転換していることがわかります。

4月のポイントは、3つあります。

今のS&P500指数で注目すべきことはー

です。

今年に入りこのポイントは、株価を下支えする『サポートポイント』としても、株価の上昇をおさえる『レジスタンスポイント』としても意識されるパターンが見られます。

この状況は、多くの投資家がこの水準を意識している、というわけです。

一方、200日の移動平均線（200日線）は、テクニカル分析の面で重要な指標です。

なぜなら、この移動平均線も多くの投資家が注目するからです。

実際に、今年に入ってからのS&P500指数は、このラインで反発したり反転したりするパターンが見られます。

これらの動きも、多くの投資家が200日線を意識していることを示唆しています。

毎年4月のS&P500指数はどんなパフォーマンスなのか？

明日から、4月相場が本格的に始まります。

S&P500指数は今月、4,600ポイントの水準を突破して反発トレンドを維持するのか？

それとも、200日線を下に抜けてしまうのか？

この点について、毎年4月のS&P500指数のパフォーマンスパターンをプログラミング言語『Python』を使って分析してみましょう。

Pythonコード：データの取得

では、Pythonのコードを書いていきます。

今回は2つに分けて解説します。

まずは、データを取得し処理するコードからです。

なお、コード画面は左右にスクロール（スワイプ）できます。

・ライブラリのインポート

import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt
import datetime as dt

いつも通り、必要なライブラリからインポートします。

・S&P500指数のデータを取得

df = yf.download(tickers='^GSPC', 
                 start='1923-01-01', 
                 end=dt.datetime.now(), 
                 interval='1mo')

S&P500指数の元となる指標は、1923年にスタートしています。なので、引数の『start』を1923年に設定しました。

Yahoo!finance USが提供しているデータは、1985年以降からとなります。

・データのチェック

df.head()
df.tail()

ちゃんとデータが取得できていることを確認するために、最低でも最初の5つ(head)と、最後の5つ(tail)をチェックしておきましょう。

・パフォーマンスの計算

df_performance = df.pct_change(1)*100
df_performance

『pct_change(1)』で、ひとつ前のデータとのパフォーマンスが簡単に計算できます。

・インデックスを一度リセット

df_performance.reset_index(inplace=True)

今後、データの処理を進めていく上で、一度インデックスをなくします。

具体的には、インデックスとして取得されていた『Date』をカラムにします。

・新たなカラム『Month』を作成

df_performance['Month'] = df_performance['Date'].dt.month
df_performance

ここで新しいカラム『Month』を作ります。

なぜか？

毎年4月のみのデータをピックアップするためです。

・『4月』のみをピックアップ

df_apr = df_performance[df_performance['Month'] == 4]
df_apr

ここで4月のみのデータをピックアップします。

[df_performance['Month'] == 4]が、Monthが4月となっているデータのみをピックアップして！というコードになります。

ここまでのコードを実行すると、以下のデータフレームが表示されます。

実行結果

一番左のカラム『Date』と、一番右のカラム『Month』を確認すると、ちゃんと毎年4月のデータのみがピックアップされていることがわかります。

・Dateと終値（Adj Close）のカラムのみをピックアップ

df_apr_performance = df_apr[['Date', 'Adj Close']]

#カラム名の変更
df_apr_performance.columns = ('Date', 'SPX')
df_apr_performance

ここで、必要なカラム名（データ）だけに絞りましょう。

その後、Adj Closeを分かりやすいカラム名に変更しましょう。

今回は、S&P500指数を示す『SPX』にしました。

・あらためて『Date』をインデックスにする

df_apr_performance.set_index('Date', inplace=True)

ここで、あらためて『Date』を再びインデックスにします。

『set_index』とし、引数にDateを設定すればOK。

『inplace=True』とすると、最新の情報が自動的に上書きされます。

・データフレームの確認

df_apr_performance.head()
df_apr_performance.tail()

最終的に使うデータが作成できました。

念のため、head( )とtail( )で確認すると、以下の実行結果が表示されます。

実行結果

どんなに時間がなくても、最低限、最初の5つと最後の5つのデータを確認するクセをつけてください。

今回は、ちゃんとデータフレームが作成できていることが確認できました。

Pythonコード：データの可視化

ここから、データを可視化するPythonコードの解説となります。

今回のチャートは、パフォーマンス分析でよく用いられる『バーチャート（棒グラフ）』です。

・データの可視化

df_apr_performance.plot(kind = 'bar', figsize = (15,10))
plt.xticks(rotation = 25);

S&P500指数 1985年以降のパフォーマンスチャート（4月）

たった2行のコードで、バーチャートを描画できました。

しかし、時間軸（x軸）が重なり合って見にくいです。

なので、次はこの点を改善してみます。

・データの可視化：x軸の編集

#時間軸の表記を変更する
df_apr_performance.index = df_apr_performance.index.strftime('%Y-%m')

#あらためてチャートを可視化
df_apr_performance.plot(kind = 'bar', figsize = (15,10))
plt.xticks(rotation = 50);

ポイントは1行目のー

です。

これを使うことで、時間軸の表記が自在に編集できます。

引数の『%Y-%m』は、年（Y）と月（m）のみを表記して！という意味です。

それをハイフン（-）でつなげているだけです。

『%』は、アルファベットの前に付けるのがルールです。

コードを実行してみましょう。

S&P500指数 1985年以降のパフォーマンスチャート（4月）

あらためてチャートのx軸を描画すると、前よりも見やすくなったことがわかりますね。

分析コメント

1985年からのパフォーマンスを確認すると、4月のS&P500指数は上昇する傾向が見て取れます。

2008年のリーマンショック以降のパフォーマンスを確認すると、2012年以外はすべて上昇しています。

2012年前半は、ギリシャの債務問題に端を発した『欧州リスク』が意識されているタイミングでした。

偶然ですが、2022年もロシアーウクライナ紛争による『欧州リスク』が意識されています。

しかし、今年4月のS&P500指数は調整の反落を挟みながらも、4,600ポイントを挟んで底堅く推移すると、現時点でジェイは予想しています。

その理由はー

なお、一番最後の理由（VXV / VIXレシオ）については、以下の記事をご参照ください。

おまけ

最後におまけのPythonコードです。

上のバーチャート（棒グラフ）を色分けして、さらに見やすくしてみます。

Pythonコード：チャートの色分け

・まずは色分けする条件を設定

color = [('green' if x >= 0 else 'red') for x in df_apr_performance.SPX]

色分けの方法はいくつかありますが、一番簡単なのは『if文』を使うことです。

上のように、リスト形式（[  ]形式）を用いてif文をひとつのコードでまとめる方法をー

といいます。

・色分けされたチャートを描画

#チャートの描画
fig, ax = plt.subplots(figsize = (15,10))
ax.bar(x = df_apr_performance.index, height = df_apr_performance.SPX, color = color)

#1985年以降の4月パフォーマンスの平均を描画
plt.axhline(y = df_apr_performance.SPX.mean(), color = 'black', ls = '--')
plt.xticks(rotation = 75);

最後に、色分けされたチャートを描画してみましょう。

最初のコード『fig, ax = plt.subplots( )』は、チャートの外枠を設定するお決まりのコードです。

『ax.bar』とすることで、バーチャート（棒グラフ）が簡単に描画できます。

さらに、引数の『color』に、先ほどif文で設定した色分けコード（変数color）を設定すれば、『プラスは緑 / マイナスは赤』のバーチャート（棒グラフ）が描画できます。

また今回は、1985年以降の平均パフォーマンスも同時に描画してみました（黒の点線）。

実行結果

プラスの年とマイナスの年を色分けすることで、より簡単にパフォーマンスのトレンドパターンを確認することができますね。

このようにPythonを使えば、基本的なコードを書くだけでも、色々な分析ができます。

今回の記事を読んでPythonに興味を持った方は、ぜひ下の『Pythonを学ぶなら』をご覧ください。

実際にジェイが受講した経験をもとに、学ぶ方のタイプに合わせて講座やサービスをピックアップしています。

Pythonを学ぶなら

・独学でガンガンやれる人は『Udemy』へ
　初心者の方におすすめのコースがこちら　おすすめ度
▶現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル
Pythonに興味がある人、学ぶことをためらっている人には、このコースをおすすめします。
タイトルにあるとおり、現役のエンジニアの方がPythonの基礎から応用までを丁寧に教えてくれるコースです。
このコースを学習しながら、同時にアウトプットの練習もしていけば、効率よくプログラミングのスキルをアップさせることができます。

・独学が苦手な人は『テックアカデミー』へ
　まずは無料カウンセリングで適正を確かめよう　おすすめ度
▶無料キャリアカウンセリング
独学が苦手な人は、迷わずプログラミングスクールに行くことをおすすめします。
メンターが的確に指導してくれるからです。
しかしスクールは、人によって合う合わないがあります。
まずは、無料カウンセリングのあるテックアカデミーで『プログラミングの学習ってこんな感じか』ということを体感してください。

▶Pythonコース
テックアカデミーのスタイルが自分に合うと思った方は、Pythonコースを受講してください。
このコースでは、Pythonに関するすべての基本が学べます。
学ぶ期間は、学生 / 社会人を問わず4週間（1ヶ月）がおすすめです。
それ以上だと間伸びして、学習するモチベーションが下がる可能性があるからです。

・機械学習まで視野に入れているならオンラインPython学習サービス『PyQ』へ
　基本から機械学習まで体系的に学ぼう　おすすめ度
▶オンラインPython学習サービス「PyQ™（パイキュー）」
Udemyと同じく独学でOK！という人は、PyQをおすすめします。
PyQはPythonの基本から統計学、さらには機械学習まで学べる豊富なコースを提供しています。
問題を解く形式で勉強するスタイルなので、インプットとアウトプットのバランスが絶妙なカリキュラムとなっています。

▶【PyQ】いよいよ、誰でも機械学習を学べる時代へ
Pythonの基本→統計学の順で学んだあと、機会学習にチャレンジすると効率的に『データ分析の何たるか』を学ぶことができます。

今回のまとめ

今回は以上です。

最後までお読みいただき、ありがとうございました。