株価や仮想通貨で使える、5つのテクニカル分析を解説&Pythonで実装してみた

データ分析ガチ勉強アドベントカレンダー 14日目。

時系列データでまず思いつくのは、株価のチャートですよね。 また、最近はやっている仮想通貨。私も最近coincheckに入金しました。

ビットコイン取引所 "coincheck"

やっぱ、実際にお金が絡むとちゃんと勉強しようって言う気になる！笑

せっかくチャートを見るわけだし、その見方について勉強しておこうと思いました。 そしてせっかくなので、自分で実装してどういう仕組みなのかまで知っておこうと思いました。 理系だからね、分からないものを使うのは嫌だからね。

というわけで、Python(主にPandasとMatplotlibを用いながら)でテクニカル指標についてやっていきます。扱うデータは三年分の日経平均株価。

指標について知りたい人も、自分で実装してみたいという人もどうぞ。

目次をみる

テクニカル分析とファンダメンタル分析

大きく相場にはテクニカル分析とファンダメンタル分析の2つの分析手段がある。

• ファンダメンタル分析 : 情報を集め、価格がどうなるかを判断する。株で言えば会社の情報とか、仮想通貨で言えば技術的な要素とか方針とかそういうのかな？
• テクニカル分析 : チャート情報から、価格がどうなるかを判断する。チャートだけ見れば良いが、大変動などの予測は難しい。

一般的に、テクニカルのほうがとっつきやすいけど、判断を誤ることも多いと言われている。

トレーダーが良く使うテクニカル指標より、主要なテクニカル分析の指標を並べてみた。

順位	テクニカル指標	割合
1位	移動平均線	36.6％
2位	ボリンジャーバンド	17.1％
3位	MACD	13.2％
4位	RSI	8.4％
5位	一目均衡表	8.4％
6位	ストキャスティクス	7.1％
7位	フィボナッチ	2.9％
8位	その他	6.3％

これの、1位から5位までの指標について簡単に説明&Python実装する。

実装において

実装を見る方は、まず下記でデータを読み込んで置いてください。また、自分の好きなデータでもOKです。

いつものごとく、githubのノートブックに上げています。(day14)

github.com

コードをみる

# データの読み込み
%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
def str2time(string):
    return datetime.strptime(string, '%Y/%m/%d')
df_orig = pd.read_csv("stock_nikkei_3yrs.csv")
df_orig.index = df_orig.date.apply(str2time)
df_orig = df_orig.sort_index(ascending=True)

ローソク足

説明

チャートの代表。一つ一つのローソクを見ると、ひと目でその期間の動きが分かるようになっている。

始値・高値・安値・終値をまとめて表現

終わりのほうが始まりより高いと青色 。逆だと赤色

上下に伸びた線はその期間の最高値と最低値。ヒゲという

テクニカルチャート講座：ローソク足より引用

実装

コードをみる

import matplotlib.finance as mpf
from matplotlib.dates import date2num
df = df_orig[df_orig.index >= datetime(2017,7,1)]
df_ohlc = pd.DataFrame(df[["open","high","low","close"]])
xdate = [x.date() for x in df_ohlc.index] #Timestamp -> datetime
ohlc = np.vstack((date2num(xdate), df_ohlc.values.T)).T #datetime -> float

fig = plt.figure(figsize=(15,5))
ax = plt.subplot()
mpf.candlestick_ohlc(ax, ohlc, width=0.7, colorup='b', colordown='r')
ax.grid() #グリッド表示
ax.set_xlim(xdate[-60], xdate[-1]) #x軸の範囲
fig.autofmt_xdate() #x軸のオートフォーマット

1位 : 移動平均線

説明

そのままのチャートはノイズ等も多く、価格が乱高下するので、その日からある期間分の平均を取るという操作を良くする。英語で言うとMoving Averageで、25MAだと25日分の移動平均線ということになる。平均を取ると、ノイズが無くなり、そのチャートのトレンドが明確に現れる。

また、2つの移動平均線を組み合わせることも多く、各線の交差するところをゴールデンクロス/デッドクロスと呼ぶ。

ゴールデンクロス : 株価が下落した後に短期の移動平均線が、長期の移動平均線を下から上に抜ける現象。買いのサイン

デッドクロス : 株価が上昇した後に短期の移動平均線が、長期の移動平均線を上から下に抜ける現象。売りのサイン

(わかる株式用語より)

• 日足の場合、短期が25日、長期が75日
• 週足の場合、短期が13週、長期が26週

が基本らしい。

実装

コードをみる

df1 = df_orig.sort_index()
df1["ma25"] = df1.close.rolling(window=25).mean()
df1["ma75"] = df1.close.rolling(window=75).mean()
df1["diff"] = df1.ma25-df1.ma75
# df1 = df.date.apply(datetime.timestamp())
df1["unixtime"] = [datetime.timestamp(t) for t in df_orig.index]
plt.figure(figsize=(15,5))


xdate = [x.date() for x in df1.index]
# line and Moving Average
plt.plot(xdate, df1.close,label="original")
plt.plot(xdate, df1.ma75,label="75days")
plt.plot(xdate, df1.ma25,label="25days")
plt.xlim(xdate[0],xdate[-1])
plt.grid()

#Cross
for i in range(1, len(df1)):
    if df1.iloc[i-1]["diff"] < 0 and df1.iloc[i]["diff"] > 0:
        print("{}:GOLDEN CROSS".format(df1.iloc[i]["date"]))
        plt.scatter(df1.iloc[i]["date"],df1.iloc[i]["ma25"],marker="o",s=100,color="b")
        plt.scatter(df1.iloc[i]["date"],df1.iloc[i]["close"],marker="o",s=50,color="b",alpha=0.5)

    if df1.iloc[i-1]["diff"] > 0 and df1.iloc[i]["diff"] < 0:
        print("{}:DEAD CROSS".format(df1.iloc[i]["date"]))
        plt.scatter(df1.iloc[i]["date"],df1.iloc[i]["ma25"],marker="o",s=100,color="r")
        plt.scatter(df1.iloc[i]["date"],df1.iloc[i]["close"],marker="o",s=50,color="r",alpha=0.5)
plt.legend()

2位 : ボリンジャーバンド

説明

移動平均線と移動標準偏差を用いて分析を行う。

1σ,2σ,3σ$1\sigma ,2\sigma ,3\sigma$線を移動平均に引く

• 1σ$1\sigma$ : 68%の確率で株価がそこに収まる
• 2σ$2\sigma$ : 95%の確率で株価がそこに収まる
• 3σ$3\sigma$ : 99%の確率で株価がそこに収まる

均衡状態の相場での正規分布を仮定しているので、 ここから外れた = 釣り合いが破れているということ。

不安定だが、売買のチャンスともいえる。

株の売買サインを簡単に見極めるボリンジャーバンドの使い方によると

バンドが狭いときは様子見(スクイーズ状態)

バンドが上下に開いているときはトレンドに入り気味。上昇のときはチャンス

+2σのラインを価格がぶち破ればめちゃくちゃ強いトレンド

スポンサーリンク

実装

コードをみる

def Bollinger(df,window=25):
    df1 = df.copy()
    df1["ma"] = df1.close.rolling(window=window).mean()
    df1["sigma"] =  df1.close.rolling(window=window).std()
    df1["ma+2sigma"] = df1.ma + 2*df1.sigma
    df1["ma-2sigma"] = df1.ma - 2*df1.sigma
    df1["diffplus"] = df1.close - df1["ma+2sigma"] 
    df1["diffminus"] = df1["ma-2sigma"] - df1.close
    s_up = df1[df1["diffplus"]>0]["close"]
    s_down = df1[df1["diffminus"]>0]["close"]

    plt.figure(figsize=(15,5))
    plt.grid()
    plt.scatter(s_up.index, s_up.values,marker="x",s=100,color="blue")
    plt.scatter(s_down.index, s_down.values,marker="x",s=100,color="red")
    xdate = [x.date() for x in df1.index]
    plt.plot(xdate, df1.close.values,label="close",color="b",alpha=0.8)
    plt.plot(xdate,df1.ma.values,label="{}ma".format(window))
    plt.fill_between(xdate, df1.ma-df1.sigma,df1.ma+df1.sigma,color="red", alpha=0.7, label="$1\sigma$")
    plt.fill_between(xdate, df1.ma-2*df1.sigma,df1.ma+2*df1.sigma,color="red", alpha=0.3, label="$2\sigma$")
#     plt.fill_between(xdate, df1.ma-3*df1.sigma,df1.ma+3*df1.sigma,color="red", alpha=0.3, label="$3\sigma$")    
    plt.legend()
    plt.xlim(xdate[0],xdate[-1])
Bollinger(df_orig,window=25)

3位 : MACD(Moving Average Convergence/Divergence)

説明

移動平均線を少し改良している。時系列は直近のデータのほうが昔のデータよりも価値が高い傾向にあるので、そういう平均のとり方をして、移動平均線を引いている(指数平滑移動平均線(EMA)という)。下記の2本の移動平均線を見ることで、そのトレンドを把握する。

• MACD : 12日EMA - 26日EMA
• シグナル : MACDの9日EMA

シグナルをMACDが下から上へクロス。買いのサイン

シグナルをMACDが上から下へクロス。売りのサイン

実装

コードをみる

df_orig.head()
df_orig["MACD"] = df_orig.close.ewm(span=12, min_periods=1).mean() - df_orig.close.ewm(span=26, min_periods=1).mean()
df_orig["signal"] = df_orig.MACD.ewm(span=9, min_periods=1).mean()
df_orig["macd_diff"] = df_orig["MACD"]-df_orig["signal"]
xdate = [x.date() for x in df_orig.index]

plt.figure(figsize=(15,10))
plt.subplot(211)
plt.plot(xdate, df_orig.close,label="original")
plt.xlim(xdate[0],xdate[-1])
plt.legend()
plt.grid()
plt.subplot(212)
plt.title("MACD")
plt.plot(xdate, df_orig.MACD,label="MACD")
plt.plot(xdate, df_orig.signal,label="signal")
plt.xlim(xdate[0],xdate[-1])
plt.legend()
plt.grid(True)
#Cross
for i in range(1, len(df_orig)):
    if df_orig.iloc[i-1]["macd_diff"] < 0 and df_orig.iloc[i]["macd_diff"] > 0:
        print("{}:GOLDEN CROSS".format(df_orig.iloc[i]["date"]))
        plt.scatter(xdate[i],df_orig.iloc[i]["MACD"],marker="o",s=100,color="b")

    if df_orig.iloc[i-1]["macd_diff"] > 0 and df_orig.iloc[i]["macd_diff"] < 0:
        print("{}:DEAD CROSS".format(df_orig.iloc[i]["date"]))
        plt.scatter(xdate[i],df_orig.iloc[i]["MACD"],marker="o",s=100,color="r")

4位 : RSI (Relative Strength Index）

買われすぎ、売られすぎな相場では、投資家が不安になってくる。その心理状況を定量化しようとした指標。 値上がりと値下がりのバランスを見ている。

RSIの数値が70%以上になると買われ過ぎゾーン

RSIの数値が30%以下になると売られ過ぎゾーン

それぞれのゾーンに入った後に反転した動きになったところで買われ過ぎゾーンの時は“売り”を、売られ過ぎゾーンの時は“買い”を考える。

カブドットコム証券より

実装

コードをみる

def plot_RSI(df,window):
    diff = df_orig.close.diff(periods=1).values
    xdate = [x.date() for x in df_orig.index]
    RSI = []
    for i in range(window+1,len(xdate)):
        neg = 0
        pos = 0
        for value in diff[i-window:i+1]:
            if value > 0:
                pos += value
            if value < 0:
                neg += value
        pos_ave = pos/window
        neg_ave = np.abs(neg/window)
        rsi = pos_ave/(pos_ave+neg_ave)*100
        RSI.append(rsi)
    #RSIのグラフ描画
    plt.plot(xdate[window+1:], RSI,label="RSI {}".format(window),lw=2.5,alpha=0.6)
    plt.xlim(xdate[window+1],xdate[-1])
    plt.ylim(0,100)
    plt.legend()
xdate = [x.date() for x in df_orig.index]
plt.figure(figsize=(15,10))
plt.subplot(211)
plt.plot(xdate, df_orig.close,label="original")
plt.xlim(xdate[0],xdate[-1])
plt.legend()
plt.grid()
plt.subplot(212)
plt.grid()
plt.title("RSI")
plot_RSI(df_orig,window=14)
plot_RSI(df_orig,window=28)
plot_RSI(df_orig,window=105)
plt.fill_between(xdate,np.ones(len(xdate))*30,color="blue",alpha=0.2)
plt.fill_between(xdate,np.ones(len(xdate))*70,np.ones(len(xdate))*100,color="red",alpha=0.2)
plt.plot(xdate,np.ones(len(xdate))*30,color="blue",linestyle="dotted")
plt.plot(xdate,np.ones(len(xdate))*70,color="red",linestyle="dotted")
plt.show()

5位 : 一目均衡表

説明

これもローソク足と並ぶ、国産のテクニカル分析方法

線	性質
転換線(Conversion Line)	(9日間の高値+9日間の安値)÷2
基準線(Base Line)	(26日間の高値+26日間の安値)÷2
先行スパン1(Leading Span 1)	(転換線+基準線)÷2を26日先にプロット
先行スパン2(Leading Span 2	(52日間の高値+52日間の安値)÷2を26日先にプロット
遅行スパン(Lagging Span)	当日の終値を26日前にプロット

転換線と基準線の交差ポイントは、トレンドの傾向。転換線が下から上で好転、上から下で逆転。

先行スパン1と先行スパン2の間を雲という。株価が雲よりも上にいるときは上昇基調、株価が雲より下にいるときは下落基調

実装

コードをみる

df_orig = pd.read_csv("stock_nikkei_3yrs.csv")
df_orig.index = df_orig.date.apply(str2time)
df_orig = df_orig.sort_index(ascending=True)

max_9 = df_orig.high.rolling(window=9).max()
min_9 = df_orig.high.rolling(window=9).min()
df_orig["tenkan"] = (max_9+min_9)/2
df_orig["base"] = (df_orig.high.rolling(window=26).max()+df_orig.high.rolling(window=26).min())/2
xdate = [x.date() for x in df_orig.index]

plt.figure(figsize=(15,5))    
plt.grid()
plt.plot(xdate, df_orig.close,color="b",lw=1,linestyle="dotted",label="Close")
plt.plot(xdate, df_orig.tenkan,label="Conversion line")
plt.plot(xdate, df_orig.base,label="Base line")
senkou1 = ((df_orig.tenkan+df_orig.base)/2).iloc[:-26]
senkou2 = ((df_orig.high.rolling(window=52).max()+df_orig.high.rolling(window=52).min())/2).iloc[:-26]
plt.fill_between(xdate[26:], senkou1, senkou2, color="blue",alpha=0.2,label="Cloud")
plt.legend(loc=4)

plt.xlim(xdate[0],xdate[-1])

まとめ

けっこういろいろな指標が考えられているのですね。 株価だけじゃなくて、他の時系列データへのヒントにもならないかと思い、調べましたが、とてもいい勉強になりました。

ちょっと一つ移動平均線で試したいことがあるので、明日はそれをしようかなと思います。テーマは『ベイズ最適化』 それでは明日もお楽しみに！

【Advent Calendar】

前の日 : 【Day-13】『Prophet入門』簡単に高精度を実現するFacebook謹製の時系列予測ライブラリ

次の日 :