Submit Search
Upload
とある金融屋の統計技師が時系列解析してみた
•
35 likes
•
27,818 views
Nagi Teramo
Follow
第33回R勉強会@東京(#TokyoR)の資料
Read less
Read more
Technology
Report
Share
Report
Share
1 of 25
Download now
Download to read offline
Recommended
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
michiaki ito
最適化超入門
最適化超入門
Takami Sato
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
Recommended
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
機械学習を用いた異常検知入門
機械学習を用いた異常検知入門
michiaki ito
最適化超入門
最適化超入門
Takami Sato
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
西岡 賢一郎
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
takehikoihayashi
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Katsuya Ito
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
Kenji Urai
非ガウス性を利用した因果構造探索
非ガウス性を利用した因果構造探索
Shiga University, RIKEN
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料
Nagi Teramo
Rでを作る
Rでを作る
Nagi Teramo
More Related Content
What's hot
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
takehikoihayashi
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Katsuya Ito
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
Kenji Urai
非ガウス性を利用した因果構造探索
非ガウス性を利用した因果構造探索
Shiga University, RIKEN
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
What's hot
(20)
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
Dynamic Time Warping を用いた高頻度取引データのLead-Lag 効果の推定
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
LSTM (Long short-term memory) 概要
LSTM (Long short-term memory) 概要
非ガウス性を利用した因果構造探索
非ガウス性を利用した因果構造探索
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
ベイズファクターとモデル選択
ベイズファクターとモデル選択
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
More from Nagi Teramo
第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料
Nagi Teramo
Rでを作る
Rでを作る
Nagi Teramo
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
Nagi Teramo
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
Nagi Teramo
闇と向き合う
闇と向き合う
Nagi Teramo
機械の体を手に入れるのよ、鉄郎!!!
機械の体を手に入れるのよ、鉄郎!!!
Nagi Teramo
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
Nagi Teramo
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
Ultra Lightning Talk × 3
Ultra Lightning Talk × 3
Nagi Teramo
F#談話室(17)
F#談話室(17)
Nagi Teramo
RFinanceJはじめました
RFinanceJはじめました
Nagi Teramo
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
Nagi Teramo
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
Nagi Teramo
Trading volume mapping R in recent environment
Trading volume mapping R in recent environment
Nagi Teramo
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
Nagi Teramo
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
Nagi Teramo
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Nagi Teramo
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Nagi Teramo
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法
Nagi Teramo
More from Nagi Teramo
(20)
第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料
Rでを作る
Rでを作る
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
闇と向き合う
闇と向き合う
機械の体を手に入れるのよ、鉄郎!!!
機械の体を手に入れるのよ、鉄郎!!!
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Ultra Lightning Talk × 3
Ultra Lightning Talk × 3
F#談話室(17)
F#談話室(17)
RFinanceJはじめました
RFinanceJはじめました
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
Trading volume mapping R in recent environment
Trading volume mapping R in recent environment
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法
Recently uploaded
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
Shota Ito
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
Atomu Hidaka
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価
sugiuralab
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツール
sugiuralab
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
osamut
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
Recently uploaded
(8)
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツール
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
とある金融屋の統計技師が時系列解析してみた
1.
とある金融屋の統計技師が 時系列解析してみた ~To my dear
wife, Phoenix~ 第33回 勉強会@東京(#TokyoR) @teramonagi
2.
2 本資料は個人的な勉強会のために作成したもの です。本情報の内容については万全を期しており ますが、その内容を保証するものではありません。 これらの情報によって生じたいかなる損害につい ても、情報提供者は一切の責任を負いません。な お、本資料における意見、見解等はすべて筆者の 個人的なものであり、筆者の属する組織の意見、 見解等ではないことをあらかじめご了承ください。 CAUTION
3.
自己紹介 • ID:@teramonagi 3
4.
とある弁当屋の統計技師 4 データサイエンティスト 日本が誇る 最強の 使い 石田基広氏著 発売予定:2013/9/26 税込価格:1,365円 共立出版
5.
とある弁当屋の統計技師 丸善出版に心配されるヤヴァさ5 データサイエンティスト
6.
とある弁当屋の統計技師 6 データサイエンティスト • “とある弁当屋”で、データサイエンティスト が活躍する統計の入門書! • データの要約、(単|重|ロジスティック)回帰 モデルまでの基本をしっかりカバー! •
更に、これらの内容をがっつり勉強するた めのサポートサイトも開設(予定)! • この秋、これを買わずしてデータ サイエンティストは語れない •今すぐ予約だ!
7.
その他、同著者のおススメ本 7 ~初心者向け~ とりあえずR言語への とっかかりとなる一冊 ~中・上級者向け~ 辞書的に手元に 置いておきたい一冊
8.
8 本題へ
9.
本資料の概要 • (重)回帰分析の係数が(時系列 データに関して言えば)、分析に使 用するデータ期間に応じて相当動く という事を理解する • どの程度ズレ得るのかを 実際にやってみる 9
10.
まずはデータのダウンロード • 米国金融市場より –米国債10年金利 –S&P500指数 –IBMの株価 –Pacific Gas
& Electricの株価 を取得 10
11.
まずはデータのダウンロード 11 # quantmodパッケージのインストール install.packages(“quantmod”) library(quantmod) # quantmod0.4系だとauto.assign=TRUEがいる #
0.5系からはなくてもOKらしい # 10年国債金利(アメリカ), S&P500(アメリカの株価指数, IBM, PCGの株価を取得 # 今回はアメリカ市場データを用いている # …からのデータのマージ&欠損(NA)の除去 data <- na.omit( merge( getSymbols(“DGS10”, src=“FRED”, auto.assign=FALSE), getSymbols(“SP500”, src=“FRED”, auto.assign=FALSE), getSymbols(“IBM”, src=“yahoo”, auto.assign=FALSE, from=“2003-01-01”)[,6], getSymbols(“PCG”, src=“yahoo”, auto.assign=FALSE, from=“2003-01-01”)[,6] )) colnames(data) <- c(“T10Y”, “SP500”, “IBM”, “PCG”) head(data) ※裏では時系列処理のxtsパッケージ等も呼ばれてます
12.
まずはデータのダウンロード 12 > head(data) T10Y SP500
IBM PCG 2003-01-02 4.07 909.03 68.98 10.56 2003-01-03 4.05 908.59 69.90 10.41 2003-01-06 4.09 929.01 71.56 10.92 2003-01-07 4.04 922.93 73.63 10.63 2003-01-08 4.00 909.93 72.08 10.93 2003-01-09 4.19 927.58 74.48 11.02
13.
データの変換(変化率・差分) 13 #データの変換関数群。変化率(ROC) or 差分(diff) converter
<- list( function(x){diff(x)}, function(x){ROC(x, type="discrete")}, function(x){ROC(x, type="discrete")}, function(x){ROC(x, type="discrete")} ) #dataの各列に対して各convertを適用し,data.frameとして整形 data.converted <- na.omit( do.call("cbind",lapply( 1:length(converter), function(i) {converter[[i]](data[,i])} ) ) )
14.
データの変換 14 > head(data.converted) T10Y SP500
IBM PCG 2003-01-03 -0.02 -4.840e-04 0.013337 -0.014204 2003-01-06 0.04 2.247e-02 0.023748 0.048991 2003-01-07 -0.05 -6.544e-03 0.028926 -0.026556 2003-01-08 -0.04 -1.408e-02 -0.021051 0.028222 2003-01-09 0.19 1.939e-02 0.033296 0.008234 2003-01-10 -0.03 -1.078e-05 0.007787 0.000000
15.
そもそもなぜ変換がいるのか? 15TJOssanのサイトを見て下さい ※ http://tjo.hatenablog.com/entry/2013/08/16/095536 より
16.
そもそもなぜ変換がいるのか? 16 http://www.slideshare.net/teramonagi/r-7066155より 拙著でよければ、あるいはこちら
17.
x Density T10Y -0.05 0.05 0.10 0.38***
0.30 *** -0.10 0.00 0.05 0.10 -0.40.0 0.13 *** -0.050.10 x Density SP500 0.72*** 0.55*** x Density IBM -0.050.10 0.37*** -0.4 -0.2 0.0 0.2 -0.100.05 -0.05 0.05 0.10 x Density PCG 相関構造の可視化(概要把握) 17 # 相関構造の可視化(psychパッケージのpairs.panels関数も似た感じ) install.packages("PerformanceAnalytics") library(PerformanceAnalytics) chart.Correlation(data.converted, histogram=TRUE)
18.
回帰モデル 株価変化率 || α+β×SP500変化率+γ×金利変化 18 株価変化率が、どう金利変化に依存する のかを評価したい(γを評価したい)
19.
ローリング回帰とは 時系列データ (時間方向) 時系列データ全体 回帰分析1 回帰分析4 回帰分析2 回帰分析3 各回帰分析期間に対し、回帰係数を算 出、回帰係数の時系列変化を取得する
20.
ローリング回帰 20 # windowサイズ250(営業日)でのローリング回帰(IBM, PCG) #
…からの回帰係数(切片・SP500・10年金利)取得 size.window <- 250 coefs.pcg <- rollapplyr( data.converted, size.window, function(x){ coef(lm(PCG~SP500+T10Y, data=x)) }, by.column = FALSE) names(coefs.pcg) <- c("PCG.intercept", "PCG.SP500", "PCG.T10Y") coefs.ibm <- rollapplyr( data.converted, size.window, function(x){ coef(lm(IBM~SP500+T10Y, data=x)) }, by.column = FALSE) names(coefs.ibm) <- c("IBM.intercept", "IBM.SP500", "IBM.T10Y") ※裏では時系列処理のxtsパッケージ等も呼ばれてます ※rollapplyrはxtsパッケージの機能
21.
結果の表示 with rCharts 21 #
rChartsのインストール install.packages("devtools") library(devtools) install_github('rCharts', 'ramnathv') library(rCharts) # γのPLOT,数が多いので500個だけ coefs.plotted <- merge(coefs.pcg, coefs.ibm) coefs.plotted <- coefs.plotted[floor(seq(1, nrow(coefs.plotted), length.out=500)),] coefs.plotted <- na.omit(data.frame(date=as.character(index(coefs.plotted)), coefs.plotted)) m1 <- mPlot(x="date", y=c("PCG.T10Y","IBM.T10Y"), type='Line', data=coefs.plotted) m1$set(pointSize = 3, lineWidth = 2) m1 ※出力はhtml+javascriptでインタラクティブでびゅーてぃふるなグラフが作成可能
22.
回帰係数γの時系列変化表示 22
23.
とある弁当屋の乱子氏による解説 23 一般にPCGに代表される電力・ガスの公益関連 株は巨大設備・施設等の固定資産が多く、その 支払いを有利子負債でファイナンスしているわ。 従って金利が低下した場合は支払利息が減って 業績面でプラス(株価上昇材料)となり、逆に金 利が上昇した場合は支払利息が増えて業績面 でマイナス(株価下落材料)となる傾向があるわ。 γはその傾向を反映してマイナスになっているの ね。 一方、IBMは特段強く金利からの影響は受けて いないように見えるわね。
24.
24 乱子すげぇ!!! わかりやすい!!! 買うしかない!!!
25.
Enjoy!!! 25
Download now