05
経済データ
まとめ
この章では、株価・利回り・財務データを Python で取得し、RSI や移動平均といったテクニカル指標と、EPS や売上比較といったファンダメンタル指標を自分で計算します。ローリングβ・配当再投資シミュレーション・効率的フロンティアなど、投資分析で使う定量ロジックを pandas と NumPy で実装し、数式がコードのどの行に対応するかを追います。結果はヒートマップ・レーダーチャート・イールドカーブなど金融特有の図で描き、数字の羅列ではなく「どの銘柄がどの時期に動いたか」が読める形にします。読み終えると、EDINET や J-Quants API から取ったデータを、指標の計算から可視化まで 1 本のスクリプトで処理できるようになります。
直感 #
金融データ分析の流れは「データ取得 → 指標算出 → 可視化 → 意思決定」の 4 段で、どの銘柄・どの指標でも骨格は変わりません。たとえば日経平均の日足を pandas で取得し、14 日 RSI を計算して mplfinance のローソク足に重ね、70 を超えた日を売られ過ぎ・買われ過ぎの候補として眺める、という 1 本のパイプラインです。このセクションでは、Python のデータサイエンスエコシステム（pandas・matplotlib・mplfinance）でこの 4 段を実装したレシピを、時系列・可視化・テキスト処理・API 取得の順にまとめています。
データ取得（yfinance / EDINET / J-Quants）
指標算出（RSI・移動平均・β・EPS）
可視化（ローソク足・ヒートマップ・イールドカーブ）
意思決定（銘柄比較・ポートフォリオ配分）
詳細な解説 #
このセクションで学べること #
- 時系列分析: OHLC チャート、テクニカル指標（RSI・ZigZag）、移動平均を用いた市場動向の把握
- リスクとリターン: ローリングβ、カントリーリスク、配当再投資シミュレーション
- ファンダメンタル分析: 財務諸表のパース、EPS・売上比較、効率的フロンティア
- NLP 応用: 決算動画の文字起こし、テキストの感情分析
セクション構成 #
| サブセクション | 内容 |
|---|---|
| 7.1 時系列データ | mplfinance によるローソク足描画、RSI、ETF と利回り比較、ローリングβ、配当再投資 |
| 7.2 可視化 | カントリーリスク、サークルマトリクス、レーダーチャート、ヒートマップ、イールドカーブ |
| 7.3 テキスト処理 | Whisper による文字起こし、感情分析、字幕翻訳 |
| 7.4 その他 | EDINET API、J-Quants API、ポートフォリオ最適化 |
進め方 #
まず 7.1 時系列データ で、mplfinance のローソク足描画と RSI・移動平均の計算を通して、OHLC データを DataFrame として扱う基本操作を身につけます。次に 7.2 可視化 へ進み、ヒートマップやレーダーチャートで複数銘柄・複数指標を 1 枚に収めるグラフ表現のバリエーションを増やします。最後に、決算動画を Whisper で文字起こしする 7.3 テキスト処理 や、EDINET・J-Quants API からデータを取る 7.4 その他 のレシピを、興味に応じて試してください。