時系列データ

まとめ

この章では、金融時系列を「取得 → 加工 → 指標の計算 → 可視化」の順に扱います。データは FRED（full_fred）から失業率やハイイールド債スプレッドなどの経済指標を、Yahoo Finance や stooq（pandas_datareader）から NVDA や VOO などの株価・ETF を取り、mplfinance のローソク足に移動平均線や出来高を重ねるところから始めます。続いて RSI の自作、numpy.correlate による相互相関、scipy.signal.find_peaks のピーク検出、ruptures の変化点検出、月別平均法による季節調整、tsod の外れ値検出と、1 ページ 1 手法で進みます。最後に QuantStats のレポート、rolling().apply で求めるローリング β、配当再投資のシミュレーションで、リスクとリターンを数値で比べます。

直感 #

株価だけを眺めても「なぜ動いたか」は分かりません。同じ期間の金利やスプレッド、消費者心理を横に置き、頻度と期間を揃えて重ねると、2020 年 3 月の急落で信用市場が先に悲鳴を上げた順番や、利回り上昇と株価調整が重なる局面が見えてきます。この章の各ページは、そうした比較に必要な「データを同じ形に揃える関数」と「1 つの指標を計算して図にするコード」をセットで載せ、コードの直後の解説で引数が図のどこを変えるかを確かめられるようにしています。

FRED / Yahoo / stooq から取得日付索引の DataFrame に揃える指標を計算（RSI・相関・ピーク・変化点・季節調整） mplfinance / seaborn で可視化 QuantStats・β・配当再投資で評価

詳細な解説 #

学べること #

データ取得: FRED の系列 ID から get_fred_data() で経済指標を、get_finance_data() で株価・ETF・米国債利回りを同じ形で取る
ローソク足チャート: mpf.plot の type、mav、volume、returnfig でローソク足・移動平均・出来高・凡例を重ねる
テクニカル指標: diff() から RSI を自作し、make_addplot で 3 段目のパネルに描き、80 超えの区間を axvspan で塗る
系列どうしの関係: np.correlate の相互相関でラグを読み、find_peaks のピークと株価の底を突き合わせる
構造の変化: ruptures.Pelt の変化点、polyfit と月別平均法の季節調整、tsod.DiffDetector の外れ値で「普段と違う時期」を見つける
リスク・リターン: QuantStats のレポート、rolling(120).apply のローリング β、配当再投資の CAGR と最大ドローダウンで成績を数値にする

進め方 #

まず FRED と mplfinance で、経済指標と株価を日付索引の DataFrame に揃えてローソク足を描くところまで身につけます。次は RSI・相互相関・ピーク検出です。1 本または 2 本の系列から指標を計算して図に重ねる型を覚えます。最後にローリング β と配当再投資で、投資の成績をリスクとリターンの数値で比べる実践に進んでください。