K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

ローリング相関で系列間の関係を追う

中級

04.5.2

ローリング相関で系列間の関係を追う

最終更新 2020-09-09 読了時間 3 分
まとめ
ローリング相関は、2 本の系列の相関係数を「直近 30 日分だけ」で計算し、その窓を 1 日ずつずらして相関の推移を折れ線にしたものです。全期間で 1 つの相関係数を出すと「平均して 0.8」しか分かりませんが、pandas.Series.rolling(window=30).corr(other) を使うと、関係が強い期間と弱い期間が時間軸の上に並びます。このページでは、同じ周期 45 日の波で動く系列 A と B を作り、30 日窓の相関がどの時期に落ち込むかを上下 2 段の図で確かめます。読み終えると、相関の落ち込みが「関係が壊れた」のか「窓の中で共通要因が動かなかっただけ」なのかを見分けられるようになります。

移動平均と移動標準偏差 で扱う「窓をずらしながら統計量を計算する」考え方を先に学ぶと理解がスムーズです。

直感 #

ある店のアイスの売上(系列 A)とかき氷の売上(系列 B)は、どちらも気温という共通の要因で動くので、全期間の相関を取れば 0.8 くらいの高い値になります。しかし気温がほとんど変わらない真夏の 1 か月だけを切り出すと、A と B の上下は冷蔵庫の故障や雨といった別々のノイズに支配され、相関は 0 近くまで落ちます。ローリング相関は、この「直近 30 日だけの相関」を毎日計算して並べる道具です。線が高いままなら関係は安定、周期的に落ちるなら共通要因の動きが止まる時期がある、突然マイナスに転じるなら関係そのものが変わった可能性がある、と読み分けます。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:ずらした自分自身との相関が自己相関。ローリング相関は「ずらす」代わりに「別の系列と、30 日の窓の中だけで」相関を取る点が違う。周期と同じラグで相関が高くなる。

式で見ると何が相関を落とすか #

窓 \(t-29, \dots, t\) の 30 点に限った相関係数は

$$ r_t = \frac{\sum_{i=t-29}^{t} (a_i - \bar{a}_t)(b_i - \bar{b}_t)}{\sqrt{\sum_{i=t-29}^{t} (a_i - \bar{a}_t)^2}\ \sqrt{\sum_{i=t-29}^{t} (b_i - \bar{b}_t)^2}} $$

で、\(\bar{a}_t, \bar{b}_t\) は窓の中だけの平均です。このページの系列は \(a_i = 120 + 8 d_i + \varepsilon_i\)、\(b_i = 100 + 6 d_i + \eta_i\) と共通の波 \(d_i = \sin(2\pi i/45)\) を持ち、ノイズ \(\varepsilon_i, \eta_i\) の標準偏差は 2.0 と 2.2 です。全 260 日で計算すると分子は \(d_i\) の分散 0.5 に \(8 \times 6\) を掛けた 24 になり、相関はおよそ 0.84 です。ところが 30 日の窓が波の山や谷をまたぐと、その窓の中で \(d_i\) はほとんど動かず、分子の共通成分が小さくなってノイズの項が支配します。相関が周期的に落ち込むのは関係が変わったからではなく、「窓の中で共通要因が動かなかった」結果です。

Python でローリング相関を描く #

次のコードは、共通の波で動く系列 A・B を 260 日分作り、30 日窓のローリング相関を計算して、上段に 2 系列、下段に相関の推移を描きます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(2)
dates = pd.date_range("2021-01-01", periods=260, freq="D")
driver = np.sin(2 * np.pi * np.arange(len(dates)) / 45)
series_a = 120 + 8 * driver + rng.normal(0, 2.0, size=len(dates))
series_b = 100 + 6 * driver + rng.normal(0, 2.2, size=len(dates))

rolling_corr = (
    pd.Series(series_a, index=dates)
    .rolling(window=30, min_periods=20)
    .corr(pd.Series(series_b, index=dates))
)

fig, axs = plt.subplots(2, 1, figsize=(7, 5), sharex=True)
axs[0].plot(dates, series_a, color="#2563eb", label="系列A")
axs[0].plot(dates, series_b, color="#f97316", label="系列B", alpha=0.85)
axs[0].set_ylabel("値")
axs[0].set_title("系列Aと系列Bの推移")
axs[0].legend(loc="upper left")
axs[0].grid(alpha=0.3)

axs[1].plot(rolling_corr.index, rolling_corr, color="#10b981", linewidth=1.8, label="30日ローリング相関")
axs[1].axhline(0, color="#475569", linewidth=1, linestyle=":")
axs[1].axhline(0.5, color="#94a3b8", linewidth=1, linestyle="--")
axs[1].axhline(-0.5, color="#94a3b8", linewidth=1, linestyle="--")
axs[1].set_ylabel("相関")
axs[1].set_xlabel("日付")
axs[1].set_title("ローリング相関(30日窓)")
axs[1].grid(alpha=0.3)

fig.tight_layout()
fig.savefig("static/images/timeseries/rolling_corr.svg")

ローリング相関で系列間の関係を追うの図

実行結果の読み方 #

上段では青の系列 A(120 を中心に振幅 8)と橙の系列 B(100 を中心に振幅 6)が、同じ周期 45 日で上下します。下段の緑の線は 30 日ローリング相関で、2 系列が同じ方向に大きく動く斜面の時期には 0.9 近くまで上がり、山や谷をまたぐ時期には 0.5 の破線を割って 0 近くまで落ちます。この落ち込みは約 22 日(半周期)ごとに繰り返されるはずです。先頭の 19 日分は min_periods=20 に達していないため線が描かれていません。実データで同じ形の周期的な落ち込みを見たら、まず共通要因(気温・曜日・月末処理など)の周期と照合してください。

使いどころと落とし穴 #

窓幅 window は、短いほど変化に敏感で長いほど滑らかになります。30 日のまま周期 7 日の曜日効果を見ると平均化されて見えなくなり、逆に 7 日の窓では相関係数そのものが 7 点から計算されるため ±0.5 程度のノイズを常に含みます。窓幅 30 は両者の妥協点です。相関が急落した区間を見たら、まず上段で両系列の分散が窓の中で小さくなっていないかを確かめ、次にキャンペーンや障害などの外的イベントの日付と重ねます。0 の線をまたいで符号が反転したまま戻らない場合だけが「関係の構造が変わった」サインで、周期的に 0 へ近づくだけなら共通要因の動きが止まった時期と考えます。ピアソン相関は線形の関係しか測らないので、A が増えると B が二次曲線的に増える関係では値が過小になります。