まずは、シンプルな売買ルールを定義することから始めます。売買ルールは、自動売買プログラムにおいて極めて重要です。ルールが明確でないと、プログラムは正しく動作しませんし、リスクも高まります。
自動売買の基本的な流れは次の通りです。
ここで使用するシンプルな戦略として、「移動平均クロスオーバー戦略」を紹介します。これは、短期の移動平均線が長期の移動平均線を上回ると買い、逆に下回ると売りというシンプルな戦略です。
これらの条件をPythonで実装していきましょう。
移動平均線を使った売買シグナルをPythonでどのように実装するかを見ていきます。ここでは、Pandasを用いて過去の株価データを分析し、売買シグナルを生成します。
まず、必要なPythonライブラリをインポートします。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
これらは、データの操作や可視化に使うライブラリです。
ここでは、サンプルのデータとしてYahoo Financeから取得した株価データを使うことを想定します。具体的には、Pandasのread_csv()を使って、事前にダウンロードしたCSVファイルを読み込みます。
# サンプルの株価データを読み込む
df = pd.read_csv('sample_stock_data.csv', parse_dates=True, index_col='Date')
# データの最初の5行を確認する
print(df.head())
次に、短期と長期の移動平均線を計算します。移動平均線は過去の一定期間の株価の平均を取り、株価のトレンドを把握するのに役立ちます。rolling()メソッドを使って、移動平均線を計算します。
# 短期移動平均線 (SMA 50) と長期移動平均線 (SMA 200) を計算
df['SMA_50'] = df['Close'].rolling(window=50).mean()
df['SMA_200'] = df['Close'].rolling(window=200).mean()
ここでは、50日移動平均線と200日移動平均線を使用しています。
売買シグナルを生成するには、短期移動平均線と長期移動平均線のクロスを検出する必要があります。これには、シンプルな条件を使います。
# シグナルカラムの作成
df['Signal'] = 0.0
df['Signal'][50:] = np.where(df['SMA_50'][50:] > df['SMA_200'][50:], 1.0, 0.0)
# 売買シグナルの差分を計算（クロスが発生した地点を示す）
df['Position'] = df['Signal'].diff()
ここでは、Signalという新しいカラムを作成し、短期移動平均線が長期移動平均線を上回った場合には「1」、下回った場合には「0」を設定します。そして、Positionカラムには、シグナルの変化（クロス）が発生したかどうかを示す差分を格納します。
最後に、生成した売買シグナルを視覚的に確認します。Matplotlibを使って、株価と移動平均線、さらにシグナルを可視化します。
plt.figure(figsize=(12,8))
plt.plot(df['Close'], label='Close Price', alpha=0.5)
plt.plot(df['SMA_50'], label='SMA 50', alpha=0.75)
plt.plot(df['SMA_200'], label='SMA 200', alpha=0.75)
# 買いシグナルをプロット
plt.plot(df[df['Position'] == 1].index,
df['SMA_50'][df['Position'] == 1],
'^', markersize=10, color='g', label='Buy Signal')
# 売りシグナルをプロット
plt.plot(df[df['Position'] == -1].index,
df['SMA_50'][df['Position'] == -1],
'v', markersize=10, color='r', label='Sell Signal')
plt.title('Moving Average Crossover Strategy')
plt.legend()
plt.show()
このコードは、移動平均線のクロスが発生した地点に買いと売りのシグナル（矢印）を描画します。
次に、実際にこの戦略がどれくらい効果的かを確認するために、過去データを使ったバックテストを行います。バックテストは、過去のデータを基に戦略をシミュレーションし、そのパフォーマンスを評価するプロセスです。
バックテストの前に、資金管理のルールを定義する必要があります。たとえば、初期資金を100,000ドルとし、シグナルに従って取引を行うシンプルなルールを設定します。
initial_capital = 100000.0
df['Holdings'] = df['Signal'] * df['Close']
df['Cash'] = initial_capital - (df['Holdings'] * df['Position'].abs()).cumsum()
df['Total'] = df['Cash'] + df['Holdings']
ここで、シグナルに基づいて保有する資産の価値と現金残高を計算し、合計資産を算出しています。
最後に、戦略のパフォーマンスを評価します。戦略がどれくらいの利益をもたらしたか、また、リスクに対してどれだけのリターンが得られたかを確認します。
# 総資産の推移をプロット
plt.figure(figsize=(10,6))
df['Total'].plot(label='Total Asset Value', color='b')
plt.title('Portfolio Value Over Time')
plt.legend()
plt.show()
# 最終的な総資産を確認
final_value = df['Total'].iloc[-1]
print(f"最終的な資産額: ${final_value}")
これにより、時間の経過とともにポートフォリオの総価値がどのように変化したかを視覚的に確認できます。最終的な資産額を出力することで、この戦略の実際の利益を把握することができます。
この章では、シンプルな移動平均クロスオーバー戦略を用いて、Pythonで自動売買のシステムを構築する方法を解説しました。売買ルールを定義し、売買シグナルを生成し、過去データを用いたバックテストまで行う一連の流れを学んだことで、実際の取引でこの戦略がどれほど効果的かを検証できるようになりました。
プログラミングを始めたいと思っているそこのあなた、独学よりもプログラミングスクールが断然おすすめです！理由は簡単、続けやすさです。
独学でプログラミングを続けるのは、実はかなりハードルが高いんです。データによると、なんと87.5％もの学習者が途中で挫折しているとか。一方、各プログラミングスクールが公表しているデータによると、受講生の約95％が最後までやり抜いているとのこと。数字を見れば一目瞭然、プログラミングスクールの方が圧倒的に続けやすいんです。
プログラミングスクールには有料と無料のタイプがありますが、その違いは次の通りです：
どちらが自分に合っているか、よく考えて選ぶのが大事です。
プログラミング初心者でも学びやすいと評判の『FREEKS』、その特徴は以下の通り：
なんと、月会費のみで全カリキュラムが受け放題！Java、PHP、HTML/CSS、JavaScriptなど、多彩なプログラミング言語が学べるんです。しかも、AIが質問に自動で答えてくれるシステムも導入済み。
カリキュラムを終了した後には、Freeks経由で未経験者でも取り組める副業案件の受注が可能。実務を通じてスキルを磨き、市場価値の高いエンジニアへの道が開けます。
独学で悩むくらいなら、まずはプログラミングスクールをチェックしてみるのもアリかもしれませんよ！
↓ ↓ こちらをクリック ↓ ↓