本リポジトリは朝倉書店発行書籍『ファイナンス』（Pythonによるビジネスデータサイエンス 第4巻）のサポートサイトです。
サンプルプログラムはjpyter lab(もしくはjupyter notebook)で動作するipynbの形式で配布しています。以下に示したインストール方法を参考に実行環境を構築しコードを実行してください。
| ファイル名 | 説明 |
|---|---|
2-1.ipynb |
2.1 株式市場と4本値データ |
2-2-1.ipynb |
2.2.1 ゴールデンクロスとデッドクロス |
2-2-2.ipynb |
2.2.2 相対力指数: RSI |
2-3.ipynb |
2.3 株式リターン(収益率)を計算する |
2-4.ipynb |
2.4 企業規模(ハブ式時価総額)とリターンの関係をみてみる |
2-5.ipynb |
2.5 期待リターンとリスクを計算する |
2-6.ipynb |
2.6 ポートフォリオ構築の基礎 |
2-Q.ipynb |
2章章末問題 |
4-9.ipynb |
4.9 V/P戦略の実装 |
5-3.ipynb |
5.3 ラッキセブン戦略の実装 |
5-5.ipynb |
5.5 Betting Against Beta戦略 |
6-1.ipynb |
6.1 ベータを手がかりに業界の特徴をみる |
6-3.ipynb |
6.3 ハーディング指数で市場をみる |
6-Q.ipynb |
6章章末問題 |
README.md |
この文章のMarkdown |
data |
上記ipynbで利用する株価データ |
appendix |
PythonやPandasの利用方法を解説したipynb集 |
本リポジトリのサンプルプログラムをPC環境にダウンロードします。 ZIPをダウンロードする方法と、gitによりダウンロードする方法があります。
本ページの上部緑のアイコン「Code」をクリックし、一番下の「Download ZIP」を選択すると、finance.zipがダウンロードできます。このファイルを適当な場所で解凍してください。
gitがインストールされていない場合は下記サイトを参照してインストールしてください。
サンプルプログラムをダウンロード（clone）する作業用のフォルダ/ディレクトリを適当に作成してください。
作成できたら下記コマンドを実行してください。サンプルプログラムがダウンロード（clone）されます。
※[作業用フォルダ/ディレクトリへのパス]の部分は作成した作業用フォルダ/ディレクトリのパス（絶対パスもしくは相対パス）に置き換えてください。
cd [作業用フォルダ/ディレクトリへのパス]
git clone https://github.com/asakura-data-science/preprocessing.git .本書で紹介されているデータは容量が大きいため(221.9MB)、朝倉書店のページにおいてあります。 ここから data.zipをダウンロードして解凍すると、dataフォルダの下にstockDaily.csvなど6つのファイルが展開されます。1.2で作成した作業用フォルダの下にdataフォルダをコピー(移動)してください。それぞれのファイルの内容は本書p.12の表2.1で説明しております。
サンプルプログラムを実行するにはPython、Jupyter、各種ライブラリのインストールが必要となります。構築方法がわからない方は、本シリーズの前処理のサポートページをご参照ください。 なお、本書で利用するライブラリは以下に示すとおりで(括弧内は実行確認のとれているバージョン)、pipもしくはanacondaでインストールしてください。
- pandas (1.1.3)
- numpy (1.19.2)
- matplotlib (3.5.1)
- mplfinance (0.12.7a12)
- statsmodels (0.12.1)
以下のようにコマンドを実行して、jupyterを起動してください。
cd [作業用フォルダ/ディレクトリへのパス]
jupyter-labすると、Webブラウザが起動してjupyterlabのページが開き、サンプルプログラムのフォルダ構成が表示されます。
本書ではpandasを用いたプログラムが多いため、リファレンスを用意しておきました。 2-1.でダウンロードしたプログラムのappendixフォルダをjupyterで開くことで参照できます。 また、以下のリンクをたどることでも参照いただけます。
- Python: https://www.python.jp/
- jupyter: https://jupyter.org/
- pandas: https://pandas.pydata.org/
- mplfinance: https://github.com/matplotlib/mplfinance
- statsmodels: https://www.statsmodels.org/stable/index.html
- Kenneth R. Frenchによるデータライブラリ: http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html
- Fama-French 3 ファクター・モデルの元論文: https://doi.org/10.1016/0304-405X(93)90023-5
- AIで探る株価の予測可能性: https://www.jstage.jst.go.jp/article/jbef/11/0/11_121/_article/-char/ja/
- 金融データソリューションズ: https://www.fdsol.co.jp/index.html
- 日経NEEDS: http://www.nikkei.co.jp/needs/
- JPXデータクラウド: http://db-ec.jpx.co.jp/
- 日本取引所グループ: https://www.jpx.co.jp/
- EDINET: https://disclosure.edinet-fsa.go.jp/:w
- Yahoo!ファイナンス: https://finance.yahoo.co.jp/
- モーニングスター: https://www.morningstar.co.jp/
- Quandl: https://www.quandl.com/
- Bloomberg: https://www.bloomberg.co.jp/
- factset: https://www.factset.com/