Trouver le début de l'avenomics à partir du grossissement NT 1

Pairs Trade utilisant le grossissement NT

Pairs Trade est une méthode de trading bien connue qui utilise deux actions qui se comportent de manière similaire. Lorsqu'il y a une différence entre les deux mouvements, c'est une méthode pour essayer de faire un profit en prenant une position pour combler la différence, et cela se fait également par les hedge funds.

La méthode est expliquée en détail dans la récente lecture "Analyse des données chronologiques qui peuvent être utilisées immédiatement sur le terrain", et théoriquement, il semble que ce soit une prémisse que le trading par paires est établi si les deux ont une relation de cointégration républicaine. Au début, je voulais faire un Back Test pour voir si je pouvais faire un profit. Au Japon, le grossissement NT est utilisé comme un matériau pour le trading de paires, mais comme certains d'entre vous le savent peut-être, le rapport des deux indices, Nikkei225 et Topix, est appelé le grossissement NT (= Nikkei225 / Topix). La question se pose de savoir si la combinaison d'indices est théorique, mais j'ai décidé de la considérer comme une méthode populaire.

Dans le processus d'investigation, j'ai vu un grand changement dans Trend, alors j'y ai pensé sous le titre "Investigating the begin of avenomics".

Graphique historique et nuage de points

Premièrement, l'observation des données chronologiques.

TL_NT(raw).png

Topix et Nikkei225 sont tous deux des indices boursiers calculés à partir du cours de l'action de la première partie de la Bourse de Tokyo, les mouvements sont donc très similaires. L'échelle de l'axe des y est différente dans le graphique (Nikkei225-gauche, Topix-droite), mais les lignes se chevauchent presque de 2005 à 2009. Vous pouvez également voir la tendance dans laquelle Nikkei225 est passé de la gamme Topix depuis 2010 environ.

Ensuite, regardons le nuage de points.

Scatter_NT_01.png

Dans ce graphique, nous pouvons voir que le tracé se situe au voisinage de deux lignes droites. En considérant cela avec le premier graphique et le graphique historique, on peut déduire que la ligne droite avec la plus petite pente était la tendance de NT au début, mais avec le temps, elle a changé pour devenir la tendance avec la plus grande pente. Sur la base de cette idée, nous avons ensuite effectué une analyse de régression. À propos, le graphique historique du grossissement du NT lui-même est le suivant.

TL_NT(ratio).png

Analyse de régression par modèles statistiques

Cette fois, nous avons effectué une analyse de régression linéaire, mais le module Python a utilisé ** StatsModels **. À partir des données de séries chronologiques de (Topix, Nikkei225), les données ont été extraites en définissant deux intervalles de temps et une régression a été effectuée pour chacun. Les intervalles de temps sont 2005 / B ~ 2008 / E et 2012 / B ~ 2014 / E. Le premier est le temps qui précède le "choc Lehman", et le second est l'ère dite des "Abenomics".

import statsmodels.api as sm
# ... pre-process ...

# Regression Analysis
index_s1 = pd.date_range(start='2005/1/1', end='2008/12/31', freq='B')
x1 = pd.DataFrame(index=index_s1); y1 = pd.DataFrame(index=index_s1)

x1['topix'] = mypair['topix']   # 2005 .. 2008/E
y1['n225'] = mypair['n225']

x1 = sm.add_constant(x1)
model1 = sm.OLS(y1[1:], x1[1:])
mytrend1 = model1.fit()
print mytrend1.summary()

index_s2 = pd.date_range(start='2012/1/1', end='2014/12/31', freq='B')
x2 = pd.DataFrame(index=index_s2); y2 = pd.DataFrame(index=index_s2)

x2['topix'] = mypair['topix']   # 2012 .. 2014/E
y2['n225'] = mypair['n225']

x2 = sm.add_constant(x2)
model2 = sm.OLS(y2[1:], x2[1:])
mytrend2 = model2.fit()
print mytrend2.summary()

# Plot fitted line
plt.figure(figsize=(8,5))
plt.plot(mypair['topix'], mypair['n225'], '.')
plt.plot(x1.iloc[1:,1], mytrend1.fittedvalues, 'r-', lw=1.5, label='2005-2008E')
plt.plot(x2.iloc[1:,1], mytrend2.fittedvalues, 'g-', lw=1.5, label='2012-2014E')
plt.grid(True)
plt.legend(loc=0)

Après avoir défini chaque donnée dans l'objet DataFrame appelé mypair [['topix', 'n225']] dans pandas, la liste ci-dessus a été exécutée.

Scatter_NT_02.png

J'ai pu ajuster parfaitement les deux lignes droites. C'est une évaluation de l'analyse de régression, mais elle montre un nombre qui dépasse les attentes. (Les deux calculs de régression donnent de bons résultats, mais un résultat est affiché.)

>>> print mytrend1.summary()
        OLS Regression Results (Early period, 2005-2008E)
==============================================================================
Dep. Variable:                   n225   R-squared:                       0.981
Model:                            OLS   Adj. R-squared:                  0.981
Method:                 Least Squares   F-statistic:                 5.454e+04
Date:                Sun, 21 Jun 2015   Prob (F-statistic):               0.00
Time:                        17:11:26   Log-Likelihood:                -7586.3
No. Observations:                1042   AIC:                         1.518e+04
Df Residuals:                    1040   BIC:                         1.519e+04
Df Model:                           1
==============================================================================
                 coef    std err          t      P>|t|      [95.0% Conf. Int.]
------------------------------------------------------------------------------
const        -45.0709     62.890     -0.717      0.474      -168.477    78.335
topix         10.0678      0.043    233.545      0.000         9.983    10.152
==============================================================================
Omnibus:                       71.316   Durbin-Watson:                   0.018
Prob(Omnibus):                  0.000   Jarque-Bera (JB):               30.237
Skew:                          -0.189   Prob(JB):                     2.72e-07
Kurtosis:                       2.256   Cond. No.                     8.42e+03
==============================================================================
Warnings:
[1] The condition number is large, 8.42e+03. This might indicate that there are
strong multicollinearity or other numerical problems.

Le coefficient de détermination R-squired est 0,981, F-stat 5,454e + 04 valeur p 0,00 (!). Comme mentionné ci-dessus, le nombre conditionnel est trop grand du programme, n'est-ce pas étrange? de Un avertissement s'est produit. (Cette fois, je n'ai pas approfondi cet avertissement ... Veuillez me donner des conseils.)

Les équations pour les deux lignes de tendance obtenues à partir de cette analyse de régression (coef) sont les suivantes. Period-1(2005-2008) : n225 = topix x 10.06 - ** 45.07 ** Period-2(2012-2014) : n225 = topix x 12.81 - 773.24

On peut dire que l'indice de grossissement NT est passé de ** 10,06 ** à ** 12,81 **. Cependant, une question est de savoir pourquoi ce grand changement n'est pas visible dans le graphique historique de NT.

TL_NT(ratio)_2.png

Puisque l'interception est passée de la période 1 à la période 2, j'ai également recherché «ntr2» (ligne verte) qui éliminait l'effet, mais il a été dit que NT sautait par étapes (de 10,06 à 12,81). Cela ne semble pas être le cas.

La conclusion de l'analyse à ce jour est que ** "Avenomics a commencé entre 2009 et 2012 (début)" **. Ce n'est pas un résultat net, mais il est naturel (à partir de ce résultat) de penser que cette tendance économique avait déjà commencé, au moins en décembre 2012, lorsque le Premier ministre Abe a pris ses fonctions de Premier ministre pour le deuxième mandat.

(Comme la conclusion n'est pas claire, j'ai fait une classification en utilisant ensuite scicit-learn. Voir l'article "2".)

Les références

Recommended Posts

Trouver le début de l'avenomics à partir du grossissement NT 2
Trouver le début de l'avenomics à partir du grossissement NT 1
Notes d'apprentissage depuis le début de Python 1
Omettre la nomenclature depuis le début de la chaîne
Notes d'apprentissage depuis le début de Python 2
Le début de cif2cell
Apprenez Nim avec Python (dès le début de l'année).
Étude depuis le début de Python Hour1: Hello World
Compréhension mathématique de l'analyse en composantes principales depuis le début
Étude de Python Hour8: Utilisation de packages
Remarque DJango: depuis le début (Simplification et fractionnement d'URLConf)
DJango Memo: Depuis le début (préparation)
Existence du point de vue de Python
Dérivez soigneusement la plage de quadrants de la distribution normale standard depuis le début
DJango Memo: depuis le début (réglage du modèle)
[Comprendre en 3 minutes] Le début de Linux
Criez Bonjour Reiwa! Au début de Reiwa!
Remarque DJango: depuis le début (traitement de formulaire)
Récupérer le contenu de git diff depuis python
DJango Memo: depuis le début (création d'une vue)
Extrait uniquement complet du résultat de Trinity
DJango Memo: depuis le début (réglage de l'écran d'erreur)
De l'introduction de pyethapp à l'exécution du contrat
Transition du baseball vue à partir des données
Histoire de passer de Pipenv à la poésie
Résumé du début au chapitre 1 de l'introduction aux modèles de conception appris en langage Java
L'histoire du lancement d'un serveur Minecraft depuis Discord
Le mur lors du passage du service Django de Python 2.7 à la série Python 3
Calculer le volume à partir de la structure bidimensionnelle d'un composé
[Python] Récupérez le texte de la loi à partir de l'API e-GOV law
Ouvrez la version Chrome de LINE à partir de la ligne de commande [Linux]
Calcul du nombre minimum de voix requis à partir du taux de vote
L'idée de Tensorflow a appris de la fabrication de pommes de terre
Récupérer le code retour d'un script Python depuis bat
Points Python du point de vue d'un programmeur en langage C
Remarque DJango: depuis le début (en utilisant une vue générique)
Remarque DJango: depuis le début (création d'une vue à partir d'un modèle)
Othello ~ De la troisième ligne de "Implementation Deep Learning" (4) [Fin]
Visualisez le nombre de plaintes des compagnies d'assurance-vie
Trouvez la «note de passage minimale» à partir de la «note moyenne des candidats», de la «note moyenne des candidats retenus» et de «l'agrandissement» de l'examen d'entrée