Photo by
golchiki
【Python】【相場】日本の業種別の株価指数を取得して相場を把握できるようにする
日本の主要インデックスと業種ごとのメジャーETFの株価推移や直近のパフォーマンスを算出してグラフに描画することを学び業種別の優劣を確認したいと思います。
なお、最低限のポイントのみの説明にするため、Pythonライブラリ、モジュール等のインストール方法については割愛させて頂きます。お使いのPC環境等に合わせてインストールしてもらえればと思います。
１．日本の主要インデックスと業種別ETF(TOPIX-17)データを取得し描画する
株価情報を取得するために、pandas-datareaderを使用します。stooqより取得する日付範囲と株価情報を取得するコードを指定して株価情報を取得します。 https://stooq.com/
株価取得開始日：start = datetime.date.today() - datetime.timedelta(days=180)（今日から180日前までのを取得）
株価取得終了日：end = datetime.date.today()（今日の日付を取得）
企業シンボル：^NKX（日経平均株価） https://stooq.com/q/?s=^nkx
^TPX（TOPIX） https://stooq.com/q/?s=^tpx
また、TOPIX-17の業種別ETFは下記の証券コードに .JPをつけることで取得できます。
各種ライブラリをインポートします。
import pandas_datareader.data as web
import datetime
import pandas as pd主要インデックスとTOPIX-17の業種別ETFの証券コードをリストに格納します。TOPIX-17の業種別ETFの証券コードは、stooqからデータを取得するため、.JPを付けて主要インデックスとまとめたリストを作成します。
# 日本の主要インデックス
codelists_1 = [
"^NKX", # 日経平均株価
"^TPX", # TOPIX
]
# TOPIX-17の業種別ETF証券コード
codelists_2 = [
"1617", # NF・食品(TPX17) ETF
"1618", # NF・エネルギー資源(TPX17) ETF
"1619", # NF・建設・資材(TPX17) ETF
"1620", # NF・素材・化学(TPX17) ETF
"1621", # NF・医療品(TPX17) ETF
"1622", # NF・自動車・輸送機(TPX17) ETF
"1623", # NF・鉄鋼・非鉄(TPX17) ETF
"1624", # NF・機械(TPX17) ETF
"1625", # NF・電機・精密(TPX17) ETF
"1626", # NF・情報・サービス他(TPX17) ETF
"1627", # NF・電力・ガス(TPX17) ETF
"1628", # NF・運輸・物流(TPX17) ETF
"1629", # NF・商社・卸売(TPX17) ETF
"1630", # NF・小売(TPX17) ETF
"1631", # NF・銀行(TPX17) ETF
"1632", # NF・金融(TPX17) ETF
"1633", # NF・不動産(TPX17) ETF
]
_code = []
for codelist in codelists_1:
tmp = codelist
_code.append(tmp)
for codelist in codelists_2:
tmp = codelist + '.JP'
_code.append(tmp)現在の日時を最終日とし、180日前の日時を開始日として、stooqから株価を取得します。
# 開始・終了日の設定
start = datetime.date.today() - datetime.timedelta(days=180)
end = datetime.date.today()
df = web.DataReader(_code, 'stooq', start, end)['Close']
# カラム名変更
df.rename(columns={
'^NKX':'日経平均株価',
'^TPX':'TOPIX',
'1617.JP':'TOPIX-17食品',
'1618.JP':'TOPIX-17エネルギー資源',
'1619.JP':'TOPIX-17建設・資材',
'1620.JP':'TOPIX-17素材・化学',
'1621.JP':'TOPIX-17医薬品',
'1622.JP':'TOPIX-17自動車・輸送機',
'1623.JP':'TOPIX-17鉄鋼・非鉄',
'1624.JP':'TOPIX-17機械',
'1625.JP':'TOPIX-17電機・精密',
'1626.JP':'TOPIX-17情報通信・サービスその他',
'1627.JP':'TOPIX-17電力・ガス',
'1628.JP':'TOPIX-17運輸・物流',
'1629.JP':'TOPIX-17商社・卸売',
'1630.JP':'TOPIX-17小売',
'1631.JP':'TOPIX-17銀行',
'1632.JP':'TOPIX-17金融(除く銀行)',
'1633.JP':'TOPIX-17不動産',
},inplace=True)
次に、plotlyを使ってグラフに表示していきます。plotlyについては、以前に描画方法と見た目に関わる設定について投稿しているので参考にしてもらえればと思います。
●plotlyでグラフを描画
import plotly.graph_objects as go # グラフ表示関連ライブラリ
import plotly.io as pio # 入出力関連ライブラリ
pio.renderers.default = 'iframe'
# subplot
from plotly.subplots import make_subplots
# グラフの実体となる trace オブジェクトを生成
trace_nkx = go.Scatter(x=df.index, y=df['日経平均株価'], mode='lines', line=dict(color='red', width=2), name='日経平均株価')
trace_tpx = go.Scatter(x=df.index, y=df['TOPIX'], mode='lines', line=dict(color='red', width=2), name='TOPIX')
trace_1617 = go.Scatter(x=df.index, y=df['TOPIX-17食品'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17食品')
trace_1618 = go.Scatter(x=df.index, y=df['TOPIX-17エネルギー資源'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17エネルギー資源')
trace_1619 = go.Scatter(x=df.index, y=df['TOPIX-17建設・資材'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17建設・資材')
trace_1620 = go.Scatter(x=df.index, y=df['TOPIX-17素材・化学'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17素材・化学')
trace_1621 = go.Scatter(x=df.index, y=df['TOPIX-17医薬品'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17医薬品')
trace_1622 = go.Scatter(x=df.index, y=df['TOPIX-17自動車・輸送機'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17自動車・輸送機')
trace_1623 = go.Scatter(x=df.index, y=df['TOPIX-17鉄鋼・非鉄'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17鉄鋼・非鉄')
trace_1624 = go.Scatter(x=df.index, y=df['TOPIX-17機械'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17機械')
trace_1625 = go.Scatter(x=df.index, y=df['TOPIX-17電機・精密'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17電機・精密')
trace_1626 = go.Scatter(x=df.index, y=df['TOPIX-17情報通信・サービスその他'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17情報通信・サービスその他')
trace_1627 = go.Scatter(x=df.index, y=df['TOPIX-17電力・ガス'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17電力・ガス')
trace_1628 = go.Scatter(x=df.index, y=df['TOPIX-17運輸・物流'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17運輸・物流')
trace_1629 = go.Scatter(x=df.index, y=df['TOPIX-17商社・卸売'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17商社・卸売')
trace_1630 = go.Scatter(x=df.index, y=df['TOPIX-17小売'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17小売')
trace_1631 = go.Scatter(x=df.index, y=df['TOPIX-17銀行'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17銀行')
trace_1632 = go.Scatter(x=df.index, y=df['TOPIX-17金融(除く銀行)'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17金融(除く銀行)')
trace_1633 = go.Scatter(x=df.index, y=df['TOPIX-17不動産'], mode='lines', line=dict(color='red', width=2), name='TOPIX-17不動産')subplots_fig = make_subplots(
rows=5,
cols=4,
start_cell='top-left',
subplot_titles=[
'日経平均株価',
'TOPIX',
'TOPIX-17食品',
'TOPIX-17エネルギー資源',
'TOPIX-17建設・資材',
'TOPIX-17素材・化学',
'TOPIX-17医薬品',
'TOPIX-17自動車・輸送機',
'TOPIX-17鉄鋼・非鉄',
'TOPIX-17機械',
'TOPIX-17電機・精密',
'TOPIX-17情報通信・サービスその他',
'TOPIX-17電力・ガス',
'TOPIX-17運輸・物流',
'TOPIX-17商社・卸売',
'TOPIX-17小売',
'TOPIX-17銀行',
'TOPIX-17金融(除く銀行)',
'TOPIX-17不動産',
],
horizontal_spacing=0.08,
vertical_spacing=0.12,
)
# 描画領域である figure オブジェクトの作成
subplots_fig.add_trace(trace_nkx, row=1, col=1)
subplots_fig.add_trace(trace_tpx, row=1, col=2)
subplots_fig.add_trace(trace_1617, row=1, col=3)
subplots_fig.add_trace(trace_1618, row=1, col=4)
subplots_fig.add_trace(trace_1619, row=2, col=1)
subplots_fig.add_trace(trace_1620, row=2, col=2)
subplots_fig.add_trace(trace_1621, row=2, col=3)
subplots_fig.add_trace(trace_1622, row=2, col=4)
subplots_fig.add_trace(trace_1623, row=3, col=1)
subplots_fig.add_trace(trace_1624, row=3, col=2)
subplots_fig.add_trace(trace_1625, row=3, col=3)
subplots_fig.add_trace(trace_1626, row=3, col=4)
subplots_fig.add_trace(trace_1627, row=4, col=1)
subplots_fig.add_trace(trace_1628, row=4, col=2)
subplots_fig.add_trace(trace_1629, row=4, col=3)
subplots_fig.add_trace(trace_1630, row=4, col=4)
subplots_fig.add_trace(trace_1631, row=5, col=1)
subplots_fig.add_trace(trace_1632, row=5, col=2)
subplots_fig.add_trace(trace_1633, row=5, col=3)
# レイアウトの更新
subplots_fig.update_layout(
# 凡例は表示
showlegend=False,
# 幅と高さの設定
width=1200,height=900,
title='日本の主要インデックスと業種別ETF(TOPIX-17)',
plot_bgcolor='white', # 背景色を白に設定
),
for row in range(1,rows+1):
for col in range(1, cols+1):
# linecolorを設定して、ラインをミラーリング（mirror=True）して枠にする
subplots_fig.update_xaxes(linecolor='black', linewidth=1, mirror=True, row=row, col=col)
subplots_fig.update_yaxes(linecolor='black', linewidth=1, mirror=True, row=row, col=col)
# ticks='inside'：目盛り内側, tickcolor：目盛りの色, tickwidth：目盛りの幅、ticklen：目盛りの長さ
subplots_fig.update_xaxes(ticks='inside', tickcolor='black', tickwidth=1, ticklen=5, row=row, col=col)
subplots_fig.update_yaxes(ticks='inside', tickcolor='black', tickwidth=1, ticklen=5, row=row, col=col)
# gridcolor：グリッドの色, gridwidth：グリッドの幅、griddash='dot'：破線
subplots_fig.update_xaxes(gridcolor='lightgrey', gridwidth=1, griddash='dot', row=row, col=col)
subplots_fig.update_yaxes(gridcolor='lightgrey', gridwidth=1, griddash='dot', row=row, col=col)
# 軸の文字サイズ変更
subplots_fig.update_xaxes(tickfont=dict(size=12, color='grey'), row=row, col=col)
subplots_fig.update_yaxes(tickfont=dict(size=14, color='grey'), row=row, col=col)
# show()メソッドでグラフを描画
subplots_fig.show()
２．直近のパフォーマンスを算出して表示する
現在から5営業日前、20営業日前、60営業日前からの利益率を算出します。
df.pct_change(5)で5行前、すなわち5営業日前の株価からの変化率、df.pct_change(20)で20行前、すなわち20営業日前の株価からの変化率、df.pct_change(60)で60行前、すなわち60営業日前の株価からの変化率が算出ます。
df_5=(df.pct_change(5))*100
df_20=(df.pct_change(20))*100
df_60=(df.pct_change(60))*100次に、plotlyを使ってグラフに表示していきます。plotlyについては、以前に描画方法と見た目に関わる設定について投稿しているので参考にしてもらえればと思います。
import plotly.graph_objects as go # グラフ表示関連ライブラリ
import plotly.io as pio # 入出力関連ライブラリ
pio.renderers.default = 'iframe'
# subplot
from plotly.subplots import make_subplots
# グラフの実体となる trace オブジェクトを生成
trace_5 = go.Bar(
x=df_5.iloc[-1],
y=df_5.columns,
orientation='h',
name='現在値から5営業日前',
marker=dict(
color='blue', # 棒自体の色
line=dict(color='blue', width=1.5), # 枠線の色
),
)
trace_20 = go.Bar(
x=df_20.iloc[-1],
y=df_20.columns,
orientation='h',
name='現在値から20営業日前',
marker=dict(
color='rgb(158,202,225)', # 棒自体の色
line=dict(color='rgb(8,48,107)', width=1.5), # 枠線の色
),
opacity=0.8, # 棒の不透明度
)
trace_60 = go.Bar(
x=df_60.iloc[-1],
y=df_60.columns,
orientation='h',
name='現在値から60営業日前-17食品',
marker=dict(
color='rgb(100,202,100)', # 棒自体の色
line=dict(color='rgb(8,48,107)', width=1.5), # 枠線の色
),
opacity=0.6, # 棒の不透明度
)
subplots_fig = make_subplots(
rows=1,
cols=2,
start_cell='top-left',
subplot_titles=[
'現在から5営業日前 or 20営業日前',
'現在から60営業日前',
],
horizontal_spacing=0.35,
vertical_spacing=0.12,
)
# 描画領域である figure オブジェクトの作成
subplots_fig.add_trace(trace_20, row=1, col=1)
subplots_fig.add_trace(trace_5, row=1, col=1)
subplots_fig.add_trace(trace_60, row=1, col=2)
# レイアウトの更新
subplots_fig.update_layout(
# 凡例は表示
showlegend=True,
# 幅と高さの設定
width=1200,height=900,
title='直近のパフォーマンス（リターン）',
plot_bgcolor='white', # 背景色を白に設定
# 各バーを重ね書き
barmode='overlay',
),
for row in range(1,rows+1):
for col in range(1, cols+1):
# linecolorを設定して、ラインをミラーリング（mirror=True）して枠にする
subplots_fig.update_xaxes(linecolor='black', linewidth=1, mirror=True, row=row, col=col)
subplots_fig.update_yaxes(linecolor='black', linewidth=1, mirror=True, row=row, col=col)
# ticks='inside'：目盛り内側, tickcolor：目盛りの色, tickwidth：目盛りの幅、ticklen：目盛りの長さ
subplots_fig.update_xaxes(ticks='inside', tickcolor='black', tickwidth=1, ticklen=5, row=row, col=col)
subplots_fig.update_yaxes(ticks='inside', tickcolor='black', tickwidth=1, ticklen=5, row=row, col=col)
# gridcolor：グリッドの色, gridwidth：グリッドの幅、griddash='dot'：破線
subplots_fig.update_xaxes(gridcolor='lightgrey', gridwidth=1, griddash='dot', row=row, col=col)
subplots_fig.update_yaxes(gridcolor='lightgrey', gridwidth=1, griddash='dot', row=row, col=col)
# 軸の文字サイズ変更
subplots_fig.update_xaxes(tickfont=dict(size=16, color='grey'), row=row, col=col)
subplots_fig.update_yaxes(tickfont=dict(size=14, color='grey'), row=row, col=col)
# 軸のタイトル
subplots_fig.update_xaxes(title=dict(text='リターン[%]',font=dict(color='grey', size=16)))
subplots_fig.update_xaxes(range=(-10, 30) ,tick0=-10, dtick=5)
# show()メソッドでグラフを描画
subplots_fig.show()
どのセクターにおいても、傾向的に直近の利益率が落ちてきていることが一目でわかります。
今回は、日本の主要インデックスと業種ごとのメジャーETFの株価推移や直近のパフォーマンスを算出して可視化を行いました。米国の主要インデックスと直近のパフォーマンスについても同様に行っていきたいと思います。
この記事が気に入ったらサポートをしてみませんか？