Python＆Colab：銘柄間の相関を算出する（ピアソン、スピアマン、ケンドール）

分散投資をする際によく用いられる「相関」を、Google Colaboratory（Python）で算出する方法の備忘録。以下を行った。

・TA-Libでピアソンの積立相関係数
・Scipy でスピアマンの順位相関係数
・Scipy でケンドールの順位相関係数
・Plotly でヒートマップを作成
・Plotly で３D の Surfaceグラフを作成

Google Colab：銘柄間の相関を算出する（ピアソン、スピアマン、ケンドール）

必要なモジュールをインストールと読み込み
1. Plotly と TA-Libのインストール
2. 必要なモジュールを読み込む
データの取得
TA-Lib でピアソンの積立相関係数を算出する
Scipy でスピアマンの順位相関係数を算出する
Scipy でケンドールの順位相関係数を算出する
おまけ：全体の相関係数の推移を調べる

１．必要なモジュールをインストールと読み込み

１－１．Plotly と TA-Libのインストール

Google Colab: Cell-1

# Plotly のインストール
!pip install plotly --upgrade

# TA-Lib のインストール
!curl -L http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz -O
!tar xzvf ta-lib-0.4.0-src.tar.gz
!cd ta-lib
!./configure --prefix=/usr
!make
!make install
!cd -
!pip install ta-lib

目次へ

１－２．必要なモジュールを読み込む

Google Colab: Cell-2

import pandas as pd
import pandas_datareader.data as web
import numpy as np
import talib as ta
import scipy as sp

import plotly
import plotly.graph_objs as go
import plotly.figure_factory as ff
plotly.offline.init_notebook_mode( connected=True )

# google colabでplotlyを表示するにはこれが必要。
# グラフを書き出すセルごとに使用する
def enable_plotly_in_cell():
    import IPython
    from plotly.offline import init_notebook_mode
    display(IPython.core.display.HTML('''
            <script src="/static/components/requirejs/require.js"></script>
    '''))
    init_notebook_mode( connected=False )

目次へ

２．データの取得

検証用のサンプルデータの取得は、pandas_datareader で FRED から。Stooq や yahoo はうまく動作しなかった。幸い、終値だけで事足りるので、FRED のデータで十分。

Google Colab: Cell-3

start = '2018/1/1'
symbols = { 'EURUSD': 'DEXUSEU'
          , 'GBPUSD': 'DEXUSUK'
          , 'USDJPY': 'DEXJPUS'
          , 'USDCHF': 'DEXSZUS'
          , 'AUDUSD': 'DEXUSAL'
          , 'USDCAD': 'DEXCAUS'
          , 'NZDUSD': 'DEXUSNZ' }

def get_prices( symbolsDict ,start ) :
    fredCodeList = [ symbolsDict[symbol] for symbol in symbolsDict ]
    df = web.DataReader( fredCodeList ,'fred' ,start )

    #列名の変更、欠損値の対応
    renameDict = { symbolsDict[symbol] : symbol  for symbol in symbolsDict }
    return df.rename( columns=renameDict ).ffill()[1:]

if __name__=='__main__' :
    df = get_prices( symbols ,start )

データを取得するための、FRED 独自のコードは以下の通り。

通貨	FREDコード	FRED銘柄名
EURUSD	DEXUSEU	U.S. / Euro Foreign Exchange Rate
GBPUSD	DEXUSUK	U.S. / U.K. Foreign Exchange Rate
USDJPY	DEXJPUS	Japan / U.S. Foreign Exchange Rate
USDCHF	DEXSZUS	Switzerland / U.S. Foreign Exchange Rate
AUDUSD	DEXUSAL	U.S. / Australia Foreign Exchange Rate
USDCAD	DEXCAUS	Canada / U.S. Foreign Exchange Rate
NZDUSD	DEXUSNZ	U.S. / New Zealand Foreign Exchange Rate

FRED: Daily Rates

目次へ

３．TA-Lib でピアソンの積立相関係数を算出する

普段よく見かけれる相関係数はこれ。

Google Colab: Cell-4

df1 = df.copy()
np_price = { sym:np.array(df1.loc[: ,sym] ,dtype='f8') for sym in df1.columns }

cor_dict1 = {}
for sym_i in df1.columns :
    raw = pd.DataFrame()
    for sym_j in df1.columns :
        correl = ta.CORREL( np_price[sym_i] ,np_price[sym_j] ,timeperiod=30 )
        raw[ sym_j ] = correl
    raw.index = df1.index
    cor_dict1[ sym_i ] = raw

cor_dict1['EURUSD'].tail()

TA-Lib: Statistic Functions

目次へ

ピアソンの相関係数でヒートマップを作成する

ピアソンの相関係数ヒートマップ pearson correlation heatmap

Google Colab: Cell-5

target = 'EURUSD'
layout = go.Layout( title    = ''
                  , autosize = False
                  , width    = 1200
                  , height   = 330 )

z1 = cor_dict1[ target ].drop( target ,axis=1 )

data = [ go.Heatmap( z = z1.T.as_matrix()
                   , y = z1.columns
                   , x = z1.index
                   , zmin = -1
                   , zmax = 1
                   ,colorscale=[
                         [0    ,"rgb(255 ,0   ,0)"]
                        ,[0.2  ,"rgb(255 ,235 ,59)"]
                        ,[0.45 ,"rgb(255 ,255 ,255)"]
                        ,[0.55 ,"rgb(255 ,255 ,255)"]
                        ,[0.8  ,"rgb(255 ,235 ,59)"]
                        ,[1.0  ,"rgb(255 ,0   ,0)"] ] ) ]

enable_plotly_in_cell()
plotly.offline.iplot(go.Figure(data=data ,layout=layout.update(dict(title=target))))

目次へ

ピアソンの相関係数で３Ｄの surfaceグラフを作成する

ピアソンの相関係数 surfaceグラフ pearson correlation

Google Colab: Cell-6

target = 'GBPUSD'
layout = go.Layout( title         = ''
                  , autosize      = False
                  , paper_bgcolor = "#000"
                  , width         = 1200
                  , height        = 800
                  , scene = dict(
                          aspectmode  = "manual"
                        , aspectratio = dict(x=1 ,y=2 ,z=0.5)
                        , xaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Symbol" ,nticks=15)
                        , yaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Date" ,type="date")
                        , zaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Correlation")
                        , camera = dict(eye=dict(x=2 ,y=1.25 ,z=1.5)) )
                  , font = dict(color="#fff") )

z1 = cor_dict1[ target ].drop( target ,axis=1 )

data = [ go.Surface( z = z1.as_matrix()
                   , y = z1.index
                   , x = z1.columns
                   , cmin=-1 ,cmax=1
                   , colorscale = "Jet"
                   , colorbar   = dict(lenmode='fraction', len=0.5)
                   , contours   = dict(x=dict(color="#fff") ,y=dict(color="#fff") ,z=dict(color="#fff")) ) ]

enable_plotly_in_cell()
plotly.offline.iplot( go.Figure( data=data ,layout=layout.update(dict(title=target)) ) )

目次へ

４．Scipy でスピアマンの順位相関係数を算出する

投資における相関の算出は、ピアソンよりもスピアマンかケンドールの方が良いのではないかと考えている（大差はなさそうだけど）。今後、機会があれば検証してみたい。

Google Colab: Cell-7

length = 30

df1 = df.copy()
np_price = { sym:np.array(df1.loc[: ,sym] ,dtype='f8') for sym in df1.columns }

def calc_correl_spearmanr( np_ar1 ,np_ar2 ,timeperiod ) :
    len1 = len(np_ar1)
    len2 = len(np_ar2)
    if len1==len2 : 
        result = []
        for i in range( len1 ) :
            if i < timeperiod-1 :
                result.append(np.nan)
            else :
                a = i - (timeperiod-1)
                b = i + 1
                correlation ,pvalue = sp.stats.spearmanr( np_ar1[a:b] ,np_ar2[a:b] )
                result.append( correlation )
        return np.array( result )
    else : raise

cor_dict2 = {}

for sym_i in df1.columns :
    raw = pd.DataFrame()

    for sym_j in df1.columns :
        correl = calc_correl_spearmanr( np_price[sym_i] ,np_price[sym_j] ,timeperiod=30 )
        raw[ sym_j ] = correl
    
    raw.index = df1.index
    cor_dict2[ sym_i ] = raw

cor_dict2['EURUSD'].tail()

SciPy.org: scipy.stats.spearmanr

目次へ

スピアマンの相関係数でヒートマップを作成する

スピアマンの相関係数ヒートマップ spearman correlation heatmap

Google Colab: Cell-8

target = 'EURUSD'
layout = go.Layout( title    = ''
                  , autosize = False
                  , width    = 1200
                  , height   = 330 )

z1 = cor_dict2[ target ].drop( target ,axis=1 )

data = [ go.Heatmap( z = z1.T.as_matrix()
                   , y = z1.columns
                   , x = z1.index
                   , zmin = -1
                   , zmax = 1
                   , colorscale=[
                         [0    ,"rgb(255 ,0   ,0)"]
                        ,[0.2  ,"rgb(255 ,235 ,59)"]
                        ,[0.45 ,"rgb(255 ,255 ,255)"]
                        ,[0.55 ,"rgb(255 ,255 ,255)"]
                        ,[0.8  ,"rgb(255 ,235 ,59)"]
                        ,[1.0  ,"rgb(255 ,0   ,0)"] ] ) ]

enable_plotly_in_cell()
plotly.offline.iplot( go.Figure( data=data ,layout=layout.update(dict(title=target)) ) )

目次へ

スピアマンの相関係数で３Ｄの Surfaceグラフを作成する

スピアマンの相関係数 Surfaceグラフ spearman correlation

Google Colab: Cell-9

target = 'GBPUSD'
layout = go.Layout( title         = ''
                  , autosize      = False
                  , paper_bgcolor = "#000"
                  , width         = 1200
                  , height        = 800
                  , scene = dict(
                          aspectmode  = "manual"
                        , aspectratio = dict(x=1 ,y=2 ,z=0.5)
                        , xaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Symbol" ,nticks=15)
                        , yaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Date" ,type="date")
                        , zaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Correlation")
                        , camera = dict(eye=dict(x=2 ,y=1.25 ,z=1.5)) )
                  , font = dict(color="#fff") )

z1 = cor_dict2[ target ].drop( target ,axis=1 )

data = [ go.Surface( z = z1.as_matrix()
                   , y = z1.index
                   , x = z1.columns
                   , cmin=-1 ,cmax=1
                   , colorscale = "Jet"
                   , colorbar   = dict(lenmode='fraction', len=0.5)
                   , contours   = dict(x=dict(color="#fff") ,y=dict(color="#fff") ,z=dict(color="#fff")) ) ]

enable_plotly_in_cell()
plotly.offline.iplot( go.Figure(data=data ,layout=layout.update(dict(title=target)) ) )

目次へ

５．Scipy でケンドールの順位相関係数を算出する

スピアマンかケンドールかは、どちらでも大差がない（らしい）。

Google Colab: Cell-10

length = 30

df1 = df.copy()
np_price = { sym:np.array(df1.loc[: ,sym] ,dtype='f8') for sym in df1.columns }

def calc_correl_kendalltau( np_ar1 ,np_ar2 ,timeperiod ) :
    len1 = len(np_ar1)
    len2 = len(np_ar2)
    if len1==len2 : 
        result = []
        for i in range( len1 ) :
            if i < timeperiod-1 :
                result.append(np.nan)
            else :
                a = i - (timeperiod-1)
                b = i + 1
                correlation ,pvalue = sp.stats.kendalltau( np_ar1[a:b] ,np_ar2[a:b] )
                result.append( correlation )
        return np.array( result )
    else : raise

cor_dict3 = {}

for sym_i in df1.columns :
    raw = pd.DataFrame()
    
    for sym_j in df1.columns :
        correl = calc_correl_kendalltau( np_price[sym_i] ,np_price[sym_j] ,timeperiod=30 )
        raw[ sym_j ] = correl
        
    raw.index = df1.index
    cor_dict3[ sym_i ] = raw

cor_dict3['EURUSD'].tail()

SciPy.org: scipy.stats.kendalltau

目次へ

ケンドールの相関係数でヒートマップを作成する

ケンドールの相関係数ヒートマップ kendall correlation heatmap

Google Colab: Cell-11

target = 'EURUSD'
layout = go.Layout( title    = ''
                  , autosize = False
                  , width    = 1200
                  , height   = 330 )

z1 = cor_dict3[ target ].drop( target ,axis=1 )

data = [ go.Heatmap( z = z1.T.as_matrix()
                   , y = z1.columns
                   , x = z1.index
                   , zmin = -1
                   , zmax = 1
                   , colorscale = [
                         [0    ,"rgb(255 ,0   ,0)"]
                        ,[0.2  ,"rgb(255 ,235 ,59)"]
                        ,[0.45 ,"rgb(255 ,255 ,255)"]
                        ,[0.55 ,"rgb(255 ,255 ,255)"]
                        ,[0.8  ,"rgb(255 ,235 ,59)"]
                        ,[1.0  ,"rgb(255 ,0   ,0)"] ] ) ]

enable_plotly_in_cell()
plotly.offline.iplot( go.Figure( data=data ,layout=layout.update(dict(title=target)) ) )

目次へ

ケンドールの相関係数で３Ｄの Surfaceグラフを作成する

ケンドールの相関係数 surfaceグラフ kendall correlation

Google Colab: Cell-12

target = 'GBPUSD'
layout = go.Layout( title         = ''
                  , autosize      = False
                  , paper_bgcolor = "#000"
                  , width         = 1200
                  , height        = 800
                  , scene = dict(
                          aspectmode  = "manual"
                        , aspectratio = dict(x=1 ,y=2 ,z=0.5)
                        , xaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Symbol" ,nticks=15)
                        , yaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Date" ,type="date")
                        , zaxis = dict(color="#fff" ,linecolor="#fff" ,gridcolor="#eee" ,title="Correlation")
                        , camera = dict(eye=dict(x=2 ,y=1.25 ,z=1.5)) )
                  , font = dict(color="#fff") )

z1 = cor_dict3[ target ].drop( target ,axis=1 )

data = [ go.Surface( z = z1.as_matrix()
                   , y = z1.index
                   , x = z1.columns
                   , cmin=-1 ,cmax=1
                   , colorscale = "Jet"
                   , colorbar   = dict(lenmode='fraction', len=0.5)
                   , contours   = dict(x=dict(color="#fff") ,y=dict(color="#fff") ,z=dict(color="#fff")) ) ]

enable_plotly_in_cell()
plotly.offline.iplot(go.Figure(data=data ,layout=layout.update(dict(title=target))))

目次へ

６．おまけ：全体の相関係数の推移を調べる

データの構造{ symbol1: { symbol2: { Dates: values } } }
ここまでグラフ化したのはひとつのsymbol1 ✕ すべてのsymbol2 ✕ Date ✕ values
すべてのsymbol1 ✕ すべてのsymbol2 ✕ Date ✕ valuesをひとつのグラフで確認したい

symbol1 の平均をつくることで、近いものを実現したい。

Google Colab: Cell-13

cor_avg1 = pd.DataFrame()

for sym in cor_dict1 :
    raw = cor_dict1[ sym ]
    cor_avg1[ sym ] = raw.loc[ : ,raw.columns != sym ].mean( axis=1 )
    
cor_avg1.tail()

目次へ

全体の相関の推移をヒートマップで確認する

完璧ではないが、ヒートマップを何十枚も見比べる必要はなくなる。

このグラフをみると、９月ごろに全体の相関が強くなったことがわかる。リスクオフになるようなちょっとした金融危機が起きた可能性があると考えられる。

Google Colab: Cell-14

title = '全体の相関係数の推移'
layout = go.Layout( title    = ''
                  , autosize = False
                  , width    = 1200
                  , height   = 330 )

z1 = cor_avg1

data = [ go.Heatmap( z = z1.T.as_matrix()
                   , y = z1.columns
                   , x = z1.index
                   , zmin = -1
                   , zmax = 1
                   , colorscale=[
                         [0    ,"rgb(255 ,0   ,0)"]
                        ,[0.2  ,"rgb(255 ,235 ,59)"]
                        ,[0.45 ,"rgb(255 ,255 ,255)"]
                        ,[0.55 ,"rgb(255 ,255 ,255)"]
                        ,[0.8  ,"rgb(255 ,235 ,59)"]
                        ,[1.0  ,"rgb(255 ,0   ,0)"] ] ) ]

enable_plotly_in_cell()
plotly.offline.iplot( go.Figure( data=data ,layout=layout ) )

目次へ

参考

ピアソン、スピアマン、ケンドールの相関係数の違いは、以下がわかりやすかった。

ピアソンの相関の方法とスピアマンの相関の方法の比較

相関係数と順位相関係数について (2): 順位相関係数

タカハシ / 7年目の兼業トレーダー

このブログの目的は、「学習の備忘録」と「アウトプットして理解を深めること」。「トレードで稼ぐために学んだこと」を徹底的に公開していきます。

元・日本料理の板前、現・金融畑のウェブ屋さん
保有資格：証券外務員1種、認定テクニカルアナリスト

更新のお知らせは、各SNSやLINEで。
LINEだと1対1でお話することもできます！

>> このブログと著者についての詳細
>> 使っているツールの紹介