Pythonで予測|株価はいくらになる?【機械学習を使って予測する方法を解説:データ取得、データ前処理、モデル作成、モデル評価まで】

Pythonで予測株かはいくらになる?サムネイル
Pythonデータ分析

こんにちは、キノコードです。
この動画では、株価がいくらになるかを予想する方法について解説をします。
ご自身で株式投資をしている方も多いのではないでしょうか。
みなさんは、どのように判断をして売り買いをしていらっしゃいますか?
株価が上がるか下がるかは、様々な要因があり、正しく予想することは非常に難しいことです。
とはいえ、投資銀行などでは、コンピュータが、人工知能による自動売買している部分が多いといわれています。
そして、コンピュータでの取引アルゴリズムの精度を高めるために、データサイエンティストによる研究が日々行われています。
同じように、機械学習で取引をしてみたいと思いませんか? ですが、株価の予測というテーマは、機械学習にチャレンジしてみるにはおもしろいテーマだと思います。
売り上げ予測や在庫予測など、ご自身のお仕事のテーマに転用いただければと思います。
前回の動画では、機械学習を使って、株価が上がるか下がるかを予測する方法を紹介しました。まだご覧になっていな方は、こちらも参考になさってください。
今回は、機械学習を使って、株価がいくらになるかを予測する方法を紹介します。
また、キノコードでは、ファイナンスのデータ分析やテクニカル分析の動画や、プログラミングに関する動画をたくさんアップしています。
チャンネル登録がまだの方は、新着通知も届きますので、ぜひチャンネル登録をお願いします。
それでは、レッスンスタートです。

この記事の執筆・監修

キノコード
キノコード

テクノロジーアンドデザインカンパニー合同会社のCEO。
日本最大級のプログラミング教育のYouTubeチャンネル「キノコード」や、プログラミング学習サービス「キノクエスト」を運営。
著書「あなたの仕事が一瞬で片付くPythonによる自動化仕事術」や、雑誌「日経ソフトウエア」や「シェルスクリプトマガジン」への寄稿など実績多数。

レッスンで使ったファイルはこちら

キノクエストでアカウントの新規登録に進み、メール認証を完了します。

ログインした状態(プラン選択画面が表示されます)で下記のボタンをクリックしてください。

使用するデータと予測モデルについて

今回使用するデータは、実際の日経平均株価のデータです。
2018年1月〜2021年12月まで4年分のデータを使用します。データは、取引日毎の始値、終値、最高値、最安値、調整後終値、出来高がセットになっています。
2018年1月〜2020年12月の3年分のデータから予測モデルを作成し、2021年の金曜日の終値を予測するものとします。

そして、予測手法にはたくさんの手法がありますが、今回用いる分析手法は重回帰分析です。
重回帰分析で、株価がいくらになるのかを予測します。
重回帰分析とは、複数の説明変数から一つの目的変数を予測する分析手法です。一方で、一つの説明変数から一つの目的変数を予測する手法を単回帰分析といいます。重回帰分析や単回帰分析は、説明変数に対して目的変数を線形か線形に近い値で表すことができるため、線形回帰と呼ばれます。
例えば、部屋の数、駅からの距離、面積から家賃を予測するのが重回帰分析です。面積から家賃を予測するのが単回帰分析です。
単回帰分析については、詳しく解説した動画がありますのでそちらをご覧ください。
また、重回帰分析について解説した動画も準備中です。少々お待ちください。
重回帰分析は、複数の説明変数がどのくらい目的変数に対して影響があるかを重みづけし、このような関数で表すことができます。

それでは、実際にコードを書いてみましょう。

株価データを読み込み目的変数を追加

# ライブラリのインポート
from datetime import datetime, timedelta
import numpy as np
import pandas as pd
from pandas_datareader import data
import matplotlib.pyplot as plt
%matplotlib inline

まずは、使用するライブラリをインポートしましょう。
今回使用する日経平均株価のデータセットはpandas_datareaderより取得します。
pandas_datareaderにあるdataモジュールをインポートして、DataReaderメソッドを用います。
その他、必要なライブラリをまとめてインポートします。

# ワーニングを非表示にする設定(任意)
import warnings
warnings.simplefilter('ignore')
# 最大表示行数の指定(任意:ここでは10行を指定)
pd.set_option('display.max_rows', 10)

続けて、これらの設定は任意ですが、ワーニングを非表示にする設定、pandasの表示行数の設定をします。
それぞれ、この記述で設定することができます。

# pandas_datareaderを使って、2018年始から2021年末までの日経平均株価データの取得
start = '2018-01-01'
end = '2021-12-31'
data_master = data.DataReader('^N225', 'yahoo', start, end)
data_master
High Low Open Close Volume Adj Close
Date
2018-01-04 23506.330078 23065.199219 23073.730469 23506.330078 102200000.0 23506.330078
2018-01-05 23730.470703 23520.519531 23643.000000 23714.529297 101900000.0 23714.529297
2018-01-09 23952.609375 23789.029297 23948.970703 23849.990234 94100000.0 23849.990234
2018-01-10 23864.759766 23755.449219 23832.810547 23788.199219 88800000.0 23788.199219
2018-01-11 23734.970703 23601.839844 23656.390625 23710.429688 83700000.0 23710.429688
... ... ... ... ... ... ...
2021-12-24 28870.130859 28773.500000 28836.050781 28782.589844 35900000.0 28782.589844
2021-12-27 28805.279297 28658.820312 28786.330078 28676.460938 37500000.0 28676.460938
2021-12-28 29121.009766 28879.679688 28953.320312 29069.160156 47000000.0 29069.160156
2021-12-29 29106.279297 28729.609375 28995.730469 28906.880859 44700000.0 28906.880859
2021-12-30 28904.419922 28579.490234 28794.240234 28791.710938 40400000.0 28791.710938

974 rows × 6 columns

次に、pandas_datareaderを使用して、日経平均株価のデータを取得します。
開始日の2018年1月1日と終了日の2021年12月31日を、それぞれ、変数startとendに代入します。
pandas_datareaderのDataReaderメソッドを用いて、第1引数に日経平均株価のティッカーシンボル'^N225'、第2引数にデータソースの'yahoo'、第3引数に開始日の変数start、第4引数に終了日の変数endを渡します。ここで取得したデータをdata_masterに代入します。
data_masterを表示してみましょう。実行します。
データが取得できました。

# 曜日情報を追加(0:月曜日〜4:金曜日)
data_master['weekday'] = data_master.index.weekday
data_master
High Low Open Close Volume Adj Close weekday
Date
2018-01-04 23506.330078 23065.199219 23073.730469 23506.330078 102200000.0 23506.330078 3
2018-01-05 23730.470703 23520.519531 23643.000000 23714.529297 101900000.0 23714.529297 4
2018-01-09 23952.609375 23789.029297 23948.970703 23849.990234 94100000.0 23849.990234 1
2018-01-10 23864.759766 23755.449219 23832.810547 23788.199219 88800000.0 23788.199219 2
2018-01-11 23734.970703 23601.839844 23656.390625 23710.429688 83700000.0 23710.429688 3
... ... ... ... ... ... ... ...
2021-12-24 28870.130859 28773.500000 28836.050781 28782.589844 35900000.0 28782.589844 4
2021-12-27 28805.279297 28658.820312 28786.330078 28676.460938 37500000.0 28676.460938 0
2021-12-28 29121.009766 28879.679688 28953.320312 29069.160156 47000000.0 29069.160156 1
2021-12-29 29106.279297 28729.609375 28995.730469 28906.880859 44700000.0 28906.880859 2
2021-12-30 28904.419922 28579.490234 28794.240234 28791.710938 40400000.0 28791.710938 3

974 rows × 7 columns

インデックスが日付'Date'、カラムは、最高値'High'、最安値'Low'、始値'Open'、終値'Close'、出来高'Volume'、調整後終値'Adj Close'、の6個のデータフレームです。
indexの日付のデータを用いて'weekday'カラムを追加し、曜日の情報を作成しましょう。
表示してみましょう。
曜日'weekday'が追加できました。曜日は、月曜日を基準の0とした6までの数値で表されています。

# グラフの描画
plt.figure(figsize=(10, 6))
plt.plot(data_master['Close'], label='Close', color='orange')
plt.xlabel('Date')
plt.ylabel('JPY')
plt.legend()
plt.show()

png

終値'Close'について、グラフを表示して確認してみましょう。
2018年1月から2020年1月頃まで、20000円から24000円の間を推移していますが、一旦17000円を下回り、その後28000円から30000円程度に上がっている傾向が確認できます。

説明変数の追加と目的変数の設定

次に、予測に影響しそうな目的変数を追加しましょう。
今回はファイナンス分析でよく使用される指標として、

  • 移動平均
  • 実体
  • 終値の前日差分

を追加します。

# data_techinicalにデータをコピー
data_technical = data_master.copy()

まず、データフレームdata_masterをpandasのcopyメソッドを使用し、新しいデータフレームdata_technicalにコピーします。
こうすることで元のデータを残しておくことができます。元のデータに目的変数を追加してしまうと、どの目的変数を採用するか検討する際に複雑になってしまいます。コピーしたデータフレームに目的変数を追加するとよいでしょう。

# 移動平均を追加
SMA1 = 5   #短期5日
SMA2 = 10  #中期10日
SMA3 = 15  #長期15日
data_technical['SMA1'] = data_technical['Close'].rolling(SMA1).mean() #短期移動平均の算出
data_technical['SMA2'] = data_technical['Close'].rolling(SMA2).mean() #中期移動平均の算出
data_technical['SMA3'] = data_technical['Close'].rolling(SMA3).mean() #長期移動平均の算出

次に、移動平均を短期5日間、中期10日間、長期15日間の3種類を追加します。
それぞれ、変数SMA1、SMA2、SMA3に5、10、15を代入します。
データフレームdata_technicalに移動平均のカラム'SMA1'から'SMA3'を追加し、終値の移動平均の計算結果をそれぞれ代入します。移動平均は、pandasのrollingメソッドを使用すると簡単に計算ができます。引数に、それぞれの移動平均日数である変数SMA1からSMA3を指定します。

# 特徴量を描画して確認
plt.figure(figsize=(10, 6))
plt.plot(data_technical['Close'], label='Close', color='orange')
plt.plot(data_technical['SMA1'], label='SMA1', color='red')
plt.plot(data_technical['SMA2'], label='SMA2', color='blue')
plt.plot(data_technical['SMA3'], label='SMA3', color='green')
plt.xlabel('Date')
plt.ylabel('JPY')
plt.legend()
plt.show()

png

終値、3つの移動平均をグラフで表示してみましょう。
3本の移動平均線が追加されていることが確認できました。しかし、このままだと3本とも重なっていて違いが分かりにくいです。横軸の期間を一部指定することで、拡大して見てみましょう。

# 特徴量を描画して確認(x軸の拡大)
plt.figure(figsize=(10, 6))
plt.plot(data_technical['Close'], label='Close', color='orange')
plt.plot(data_technical['SMA1'], label='SMA1', color='red')
plt.plot(data_technical['SMA2'], label='SMA2', color='blue')
plt.plot(data_technical['SMA3'], label='SMA3', color='green')
plt.xlabel('Date')
plt.ylabel('JPY')
plt.legend()
xmin = datetime(2018,1,1)
xmax = datetime(2018,12,31)
plt.xlim([xmin,xmax])
plt.show()

png

2018年の1月から12月までを表示してみます。X軸の範囲をxminとxmaxでそれぞれを指定します。実行します。
3本の移動平均線を確認できました。
また、移動平均を計算する際に初めの数日データが存在しないこともわかります。5日間の移動平均を計算する場合は、初めの4日は計算ができないため欠損値となります。同様に15日間の移動平均を計算する場合は、初めの14日間は欠損値となります。

# OpenとCloseの差分を実体Bodyとして計算
data_technical['Body'] = data_technical['Open'] - data_technical['Close']
# 前日終値との差分Close_diffを計算
data_technical['Close_diff'] = data_technical['Close'].diff(1)
# 目的変数となる翌日の終値Close_nextの追加
data_technical['Close_next'] = data_technical['Close'].shift(-1)
data_technical
High Low Open Close Volume Adj Close weekday SMA1 SMA2 SMA3 Body Close_diff Close_next
Date
2018-01-04 23506.330078 23065.199219 23073.730469 23506.330078 102200000.0 23506.330078 3 NaN NaN NaN -432.599609 NaN 23714.529297
2018-01-05 23730.470703 23520.519531 23643.000000 23714.529297 101900000.0 23714.529297 4 NaN NaN NaN -71.529297 208.199219 23849.990234
2018-01-09 23952.609375 23789.029297 23948.970703 23849.990234 94100000.0 23849.990234 1 NaN NaN NaN 98.980469 135.460938 23788.199219
2018-01-10 23864.759766 23755.449219 23832.810547 23788.199219 88800000.0 23788.199219 2 NaN NaN NaN 44.611328 -61.791016 23710.429688
2018-01-11 23734.970703 23601.839844 23656.390625 23710.429688 83700000.0 23710.429688 3 23713.895703 NaN NaN -54.039062 -77.769531 23653.820312
... ... ... ... ... ... ... ... ... ... ... ... ... ...
2021-12-24 28870.130859 28773.500000 28836.050781 28782.589844 35900000.0 28782.589844 4 28519.714062 28574.342187 28543.350000 53.460938 -15.779297 28676.460938
2021-12-27 28805.279297 28658.820312 28786.330078 28676.460938 37500000.0 28676.460938 0 28667.444141 28577.939258 28593.289453 109.869141 -106.128906 29069.160156
2021-12-28 29121.009766 28879.679688 28953.320312 29069.160156 47000000.0 29069.160156 1 28777.758203 28641.591211 28634.193490 -115.839844 392.699219 28906.880859
2021-12-29 29106.279297 28729.609375 28995.730469 28906.880859 44700000.0 28906.880859 2 28846.692188 28686.307227 28637.277604 88.849609 -162.279297 28791.710938
2021-12-30 28904.419922 28579.490234 28794.240234 28791.710938 40400000.0 28791.710938 3 28845.360547 28658.846289 28641.693620 2.529297 -115.169922 NaN

974 rows × 13 columns

次に、'Body'を追加します。これは、ローソク足でいう実体です。始値と終値の差分を計算します。
また、前日終値との差分'Close_diff'を追加します。これは、diffメソッドで計算できます。
最後に、目的変数の翌日終値'Close_next'を追加しましょう。shiftメソッドで1日前にずらすことで、翌日の終値を計算します。
表示して確認してみましょう。実行します。
前日終値との差分'Close_diff'は初めのデータが欠損値となっており、翌日の終値'Close_next'は最後のデータが欠損値となっていることが確認できます。

# 欠損値がある行を削除
data_technical = data_technical.dropna(how='any')
data_technical
High Low Open Close Volume Adj Close weekday SMA1 SMA2 SMA3 Body Close_diff Close_next
Date
2018-01-25 23828.400391 23649.029297 23750.650391 23669.490234 81500000.0 23669.490234 3 23871.762109 23831.103125 23792.033984 81.160156 -271.289062 23631.880859
2018-01-26 23797.960938 23592.279297 23757.339844 23631.880859 87200000.0 23631.880859 4 23836.526172 23828.909180 23800.404036 125.458984 -37.609375 23629.339844
2018-01-29 23787.230469 23580.169922 23707.140625 23629.339844 68800000.0 23629.339844 0 23799.128125 23820.355078 23794.724740 77.800781 -2.541016 23291.970703
2018-01-30 23581.980469 23233.369141 23559.330078 23291.970703 88800000.0 23291.970703 1 23632.692188 23754.371094 23757.523438 267.359375 -337.369141 23098.289062
2018-01-31 23375.380859 23092.849609 23205.230469 23098.289062 99800000.0 23098.289062 2 23464.194141 23677.366016 23711.529427 106.941406 -193.681641 23486.109375
... ... ... ... ... ... ... ... ... ... ... ... ... ...
2021-12-23 28798.369141 28640.150391 28703.009766 28798.369141 43600000.0 28798.369141 3 28472.332031 28539.860156 28493.148698 -95.359375 236.158203 28782.589844
2021-12-24 28870.130859 28773.500000 28836.050781 28782.589844 35900000.0 28782.589844 4 28519.714062 28574.342187 28543.350000 53.460938 -15.779297 28676.460938
2021-12-27 28805.279297 28658.820312 28786.330078 28676.460938 37500000.0 28676.460938 0 28667.444141 28577.939258 28593.289453 109.869141 -106.128906 29069.160156
2021-12-28 29121.009766 28879.679688 28953.320312 29069.160156 47000000.0 29069.160156 1 28777.758203 28641.591211 28634.193490 -115.839844 392.699219 28906.880859
2021-12-29 29106.279297 28729.609375 28995.730469 28906.880859 44700000.0 28906.880859 2 28846.692188 28686.307227 28637.277604 88.849609 -162.279297 28791.710938

959 rows × 13 columns

それでは、欠損値を含む行を削除しましょう。欠損値の削除は、dropnaメソッドを使用します。
欠損値があるか、isnullメソッドで件数を確認してみましょう。実行します。
件数が0件のため、欠損値を削除できたことを確認できました。

# 木曜日のデータを抜き出す
data_technical = data_technical[data_technical['weekday'] == 3]
data_technical
High Low Open Close Volume Adj Close weekday SMA1 SMA2 SMA3 Body Close_diff Close_next
Date
2018-01-25 23828.400391 23649.029297 23750.650391 23669.490234 81500000.0 23669.490234 3 23871.762109 23831.103125 23792.033984 81.160156 -271.289062 23631.880859
2018-02-01 23492.769531 23211.119141 23276.099609 23486.109375 101800000.0 23486.109375 3 23427.517969 23649.640039 23696.574740 -210.009766 387.820312 23274.529297
2018-02-08 21977.029297 21649.699219 21721.570312 21890.859375 104700000.0 21890.859375 3 22220.615625 22824.066797 23173.298568 -169.289062 245.490234 21382.619141
2018-02-15 21578.990234 21308.919922 21384.099609 21464.980469 86400000.0 21464.980469 3 21427.461719 21983.563672 22477.107161 -80.880859 310.810547 21720.250000
2018-02-22 21799.400391 21626.849609 21789.880859 21736.439453 77300000.0 21736.439453 3 21900.362109 21663.911914 21955.829818 53.441406 -234.371094 21892.779297
... ... ... ... ... ... ... ... ... ... ... ... ... ...
2021-11-25 29570.419922 29444.449219 29469.650391 29499.279297 50700000.0 29499.279297 3 29584.115625 29608.165820 29559.125911 -29.628906 196.619141 28751.619141
2021-12-02 27938.550781 27644.960938 27716.199219 27753.369141 77400000.0 27753.369141 3 28109.257422 28846.686523 29108.529687 -37.169922 -182.250000 28029.570312
2021-12-09 28908.289062 28725.470703 28827.320312 28725.470703 54400000.0 28725.470703 3 28399.725781 28254.491602 28697.699609 101.849609 -135.148438 28437.769531
2021-12-16 29070.080078 28782.189453 28868.369141 29066.320312 60300000.0 29066.320312 3 28607.388281 28503.557031 28372.123828 -197.951172 606.599609 28545.679688
2021-12-23 28798.369141 28640.150391 28703.009766 28798.369141 43600000.0 28798.369141 3 28472.332031 28539.860156 28493.148698 -95.359375 236.158203 28782.589844

193 rows × 13 columns

次に、予測に使用する木曜日のデータのみを抜き出します。木曜日はweekdayが3です。実行します。
木曜日だけのデータを抽出できました。

# 必要なカラムを抽出
data_technical = data_technical[['High', 'Low', 'Open', 'Close', 'Body',
                    'Close_diff', 'SMA1', 'SMA2', 'SMA3', 'Close_next']]
data_technical
High Low Open Close Body Close_diff SMA1 SMA2 SMA3 Close_next
Date
2018-01-25 23828.400391 23649.029297 23750.650391 23669.490234 81.160156 -271.289062 23871.762109 23831.103125 23792.033984 23631.880859
2018-02-01 23492.769531 23211.119141 23276.099609 23486.109375 -210.009766 387.820312 23427.517969 23649.640039 23696.574740 23274.529297
2018-02-08 21977.029297 21649.699219 21721.570312 21890.859375 -169.289062 245.490234 22220.615625 22824.066797 23173.298568 21382.619141
2018-02-15 21578.990234 21308.919922 21384.099609 21464.980469 -80.880859 310.810547 21427.461719 21983.563672 22477.107161 21720.250000
2018-02-22 21799.400391 21626.849609 21789.880859 21736.439453 53.441406 -234.371094 21900.362109 21663.911914 21955.829818 21892.779297
... ... ... ... ... ... ... ... ... ... ...
2021-11-25 29570.419922 29444.449219 29469.650391 29499.279297 -29.628906 196.619141 29584.115625 29608.165820 29559.125911 28751.619141
2021-12-02 27938.550781 27644.960938 27716.199219 27753.369141 -37.169922 -182.250000 28109.257422 28846.686523 29108.529687 28029.570312
2021-12-09 28908.289062 28725.470703 28827.320312 28725.470703 101.849609 -135.148438 28399.725781 28254.491602 28697.699609 28437.769531
2021-12-16 29070.080078 28782.189453 28868.369141 29066.320312 -197.951172 606.599609 28607.388281 28503.557031 28372.123828 28545.679688
2021-12-23 28798.369141 28640.150391 28703.009766 28798.369141 -95.359375 236.158203 28472.332031 28539.860156 28493.148698 28782.589844

193 rows × 10 columns

最後に、必要なカラムだけを抽出します。実行します。
ここまでで、データの準備は完了しました。

学習用データとテストデータに分割

次に、予測モデルを作成しましょう。
まず、データセットを学習用データとテストデータに分割します。学習データからモデルを作成し、作成したモデルでテストデータの予測をします。
今回のデータでは、2018年1月から2020年12月までの3年分のデータを学習用データ、2021年1月から12月までの1年分をテストデータとしします。

# 2018年〜2020年を学習用データとする
train = data_technical['2018-01-01' : '2020-12-31']
train
High Low Open Close Body Close_diff SMA1 SMA2 SMA3 Close_next
Date
2018-01-25 23828.400391 23649.029297 23750.650391 23669.490234 81.160156 -271.289062 23871.762109 23831.103125 23792.033984 23631.880859
2018-02-01 23492.769531 23211.119141 23276.099609 23486.109375 -210.009766 387.820312 23427.517969 23649.640039 23696.574740 23274.529297
2018-02-08 21977.029297 21649.699219 21721.570312 21890.859375 -169.289062 245.490234 22220.615625 22824.066797 23173.298568 21382.619141
2018-02-15 21578.990234 21308.919922 21384.099609 21464.980469 -80.880859 310.810547 21427.461719 21983.563672 22477.107161 21720.250000
2018-02-22 21799.400391 21626.849609 21789.880859 21736.439453 53.441406 -234.371094 21900.362109 21663.911914 21955.829818 21892.779297
... ... ... ... ... ... ... ... ... ... ...
2020-11-26 26560.029297 26255.470703 26255.470703 26537.310547 -281.839844 240.451172 26032.293750 25871.790820 25482.896484 26644.710938
2020-12-03 26868.089844 26719.230469 26740.300781 26809.369141 -69.068359 8.388672 26695.243750 26363.768750 26146.275130 26751.240234
2020-12-10 26852.769531 26639.980469 26688.500000 26756.240234 -67.740234 -61.699219 26667.987891 26681.615820 26465.175130 26652.519531
2020-12-17 26843.050781 26676.279297 26744.500000 26806.669922 -62.169922 49.269531 26727.373828 26697.680859 26696.868490 26763.390625
2020-12-24 26764.529297 26605.259766 26635.109375 26668.349609 -33.240234 143.560547 26621.467969 26674.420898 26672.276562 26656.609375

146 rows × 10 columns

では、2018年1月1日から2020年12月31日までのデータを、学習用データとして変数trainに代入します。
表示してみましょう。
trainには、2018年から2020年までのデータが格納されていることが確認できます。

# 2021年をテストデータとする
test = data_technical['2021-01-01' :]
test
High Low Open Close Body Close_diff SMA1 SMA2 SMA3 Close_next
Date
2021-01-07 27624.730469 27340.460938 27340.460938 27490.130859 -149.669922 434.191406 27281.450391 27067.917969 26943.830078 28139.029297
2021-01-14 28979.529297 28411.580078 28442.730469 28698.259766 -255.529297 241.669922 28189.669922 27743.362109 27371.585938 28519.179688
2021-01-21 28846.150391 28677.609375 28710.410156 28756.859375 -46.449219 233.599609 28534.994141 28362.332031 28007.239453 28631.449219
2021-01-28 28360.480469 27975.849609 28169.269531 28197.419922 -28.150391 -437.791016 28566.509766 28550.751953 28430.391276 27663.390625
2021-02-04 28600.220703 28325.890625 28557.460938 28341.949219 215.511719 -304.550781 28221.012109 28393.760937 28440.838672 28779.189453
... ... ... ... ... ... ... ... ... ... ...
2021-11-25 29570.419922 29444.449219 29469.650391 29499.279297 -29.628906 196.619141 29584.115625 29608.165820 29559.125911 28751.619141
2021-12-02 27938.550781 27644.960938 27716.199219 27753.369141 -37.169922 -182.250000 28109.257422 28846.686523 29108.529687 28029.570312
2021-12-09 28908.289062 28725.470703 28827.320312 28725.470703 101.849609 -135.148438 28399.725781 28254.491602 28697.699609 28437.769531
2021-12-16 29070.080078 28782.189453 28868.369141 29066.320312 -197.951172 606.599609 28607.388281 28503.557031 28372.123828 28545.679688
2021-12-23 28798.369141 28640.150391 28703.009766 28798.369141 -95.359375 236.158203 28472.332031 28539.860156 28493.148698 28782.589844

47 rows × 10 columns

同様に、2021年1月1日以降のデータをテストデータとしてtestに代入します。
表示してみましょう。
testには、2021年のデータが格納されていることが確認できます。

# 学習用データとテストデータそれぞれを説明変数と目的変数に分離する
X_train = train.drop(columns=['Close_next']) #学習用データ説明変数
y_train = train['Close_next'] #学習用データ目的変数
X_test = test.drop(columns=['Close_next']) #テストデータ説明変数
y_test = test['Close_next'] #テストデータ目的変数

続いて、学習用データとテストデータを、それぞれ説明変数と目的変数に分割します。
ここでは、目的変数は翌日の株価終値'Close_next'となるため、それ以外が説明変数ということになります。
学習用データの説明変数をX_train、学習用データの目的変数をy_trainに代入します。同様に、テストデータの説明変数をX_test、テストデータの目的変数をy_testとします。
実行します。
予測モデルを作成する準備ができました。

モデル作成と精度検証

それでは、予測モデルを作成しましょう。
予測モデルを作成する際には、実際に使用できるモデルかどうかの、予測精度を検討する必要があります。この時、交差検証を行うことが有効と考えられます。
交差検証とは、学習用データを学習データと検証データに分割し、学習データと検証データの組み合わせを変えながらモデルの学習と予想を繰り返し行い、精度検証を行うというものです。
交差検証のやり方は様々ありますが、今回の様にデータが日付順に並んだ時系列データを用いて、過去のデータから未来を予測する場合は、時系列交差検証を行うことがあります。
今回は、学習データを時系列に5分割し、データの組み合わせを変えて合計4回のモデル作成から精度検証を繰り返し行います。

# 線形回帰モデルのLinearRegressionをインポート
from sklearn.linear_model import LinearRegression
# 時系列分割のためTimeSeriesSplitのインポート
from sklearn.model_selection import TimeSeriesSplit
# 予測精度検証のためMSEをインポート
from sklearn.metrics import mean_squared_error as mse

scikit-learn で重回帰分析を行う場合は、LinearRegression クラスを使用するので、これをインポートします。時系列交差検証を行うためにデータ分割を行うTimeSeriesSplitと、予測精度評価を行うためのmseをインポートします。実行します。

# 時系列分割交差検証
valid_scores = []
tscv = TimeSeriesSplit(n_splits=4)
for fold, (train_indices, valid_indices) in enumerate(tscv.split(X_train)):
    X_train_cv, X_valid_cv = X_train.iloc[train_indices], X_train.iloc[valid_indices]
    y_train_cv, y_valid_cv = y_train.iloc[train_indices], y_train.iloc[valid_indices]
    # 線形回帰モデルのインスタンス化
    model = LinearRegression()
    # モデル学習
    model.fit(X_train_cv, y_train_cv)
    # 予測
    y_valid_pred = model.predict(X_valid_cv)
    # 予測精度(RMSE)の算出
    score = np.sqrt(mse(y_valid_cv, y_valid_pred))
    # 予測精度スコアをリストに格納
    valid_scores.append(score)

まず、交差検証結果を格納するために、空のリストvalid_scoresを定義します。
次に、TimeSeriesSplitをインスタンス化します。
交差検証はfor文を用いて次のような流れで実行します。
まず、交差検証用のデータセットを作成します。学習データと検証データの説明変数、目的変数をそれぞれ設定します。
次に、線形回帰モデルをインスタンス化します。続けてモデル学習をし、このモデルで予測をします。
そして、予測結果の精度を検証します。ちなみに、予測精度を確認するために計算されたMSEは、誤差を2乗したものです。これをわかりやすくするために、平方根で計算したものがRMSEです。平均平方二乗誤差とも言います。
RMSEを用いることで、予測した値が正解の値からどの程度ずれているのかを確認しやすくなります。また、この指標は数字が小さいほど予測精度が高いことを示します。
最後に予測精度をリストに格納します。
実行してみましょう。

RMSEで精度確認

print(f'valid_scores: {valid_scores}')
cv_score = np.mean(valid_scores)
print(f'CV score: {cv_score}')
valid_scores: [325.3625074145673, 169.61507596829318, 413.7658021675662, 201.0198662362686]
CV score: 277.4408129466738

では、valid_scoresを表示して確認します。
このような結果になりました。
今回作成したモデルは、20000〜30000円の株価に対して、おおよそ300円の誤差で予測できると考えられます。

2021年金曜日の株価を前日木曜のデータから予測

model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
score = np.sqrt(mse(y_test, y_pred))
print(f'RMSE: {score}')
RMSE: 435.1219386786387

先ほどのモデルを使用して、2021年の金曜日の株価を予測してみましょう。ここでは、先ほど作成した学習データとテストデータを使用します。
手順はこのように簡単です。
まず、線形回帰モデル(LinearRegression)のインスタンス化をします。
次に、学習データに対して線形回帰モデルで学習をします。第一引数には2018年〜2020年のデータの説明変数、第二引数には目的変数を指定します。
続けて、テストデータの説明変数を用いて、金曜日の株価を予測します。
最後に、予測した結果のy_predと実際の値であるテストデータの目的変数y_testから、予測精度のRMSEを算出します。

そして結果を表示しましょう。実行します。
RMSEはこのようになりました。交差検証の値よりも悪化したことがわかります。

可視化で予測と実際の値を確認

# 実際のデータと予測データをデータフレームにまとめる
df_result = test[['Close_next']]
df_result['Close_pred'] = y_pred
df_result
Close_next Close_pred
Date
2021-01-07 28139.029297 27314.375717
2021-01-14 28519.179688 28621.255877
2021-01-21 28631.449219 28632.033099
2021-01-28 27663.390625 28031.227826
2021-02-04 28779.189453 28333.488693
... ... ...
2021-11-25 28751.619141 29257.130866
2021-12-02 28029.570312 27456.390133
2021-12-09 28437.769531 28781.063265
2021-12-16 28545.679688 28930.344135
2021-12-23 28782.589844 28717.191783

47 rows × 2 columns

予測した値と実際の値がどの様になっているのか、目的変数だけをグラフにして確認してみましょう。
まず、実際のデータと予測データをデータフーレムdf_resultにまとめます。
実行します。
このようなデータフレームです。

# 実際のデータと予測データの比較グラフ作成
plt.figure(figsize=(10, 6))
plt.plot(df_result[['Close_next', 'Close_pred']])
plt.plot(df_result['Close_next'], label='Close_next', color='orange')
plt.plot(df_result['Close_pred'], label='Close_pred', color='blue')
plt.xlabel('Date')
plt.ylabel('JPY')
xmin = df_result.index.min()
xmax = df_result.index.max()
plt.legend()
plt.show()

png

df_resultのグラフを描画してみます。
実際の値をオレンジ、予測した値を青の線で表示してみましょう。
株価の変動に対して、大まかな傾向は捉えていそうです

# 誤差を算出
df_result['diff'] = df_result['Close_pred'] - df_result['Close_next']

今度は、どの部分の乖離が大きいのかを確認するために、誤差だけをグラフにしてみましょう。
誤差は予測した値と実際の値の差分で計算します。赤い線のグラフにしましょう。また、誤差の目安を750円としてY軸に補助線を追加します。実行します。

# 誤差のグラフ作成
plt.figure(figsize=(10, 6))
plt.plot(df_result[['diff']])
plt.plot(df_result['diff'], label='diff', color='red')
plt.xlabel('Date')
plt.ylabel('error')
plt.hlines(0, xmin, xmax, color='gray', linestyle='--')
plt.hlines(750, xmin, xmax, color='gray', linestyle=':')
plt.hlines(-750, xmin, xmax, color='gray', linestyle=':')
plt.legend()
plt.show()

png

では、誤差が大きかったところに注目して見てみましょう
どの部分も実際の値段が直前に大きく下に変動していることがわかります。
ここでは実際の値段よりも予測値が高い傾向ですが、他のこれらは、実際の変動よりも低い値段で予測していることがわかります。
こうして見ると、今回作成したモデルは、株価が下がる場合に誤差が大きくなる可能性があると考えられます。

つまり、この様な傾向を上手く捉えて予測モデルを改善することで、精度を向上させられると期待できます。
モデルの精度向上の方法としては、

  • 説明変数の見直し
  • 学習データ期間の見直し
  • 予測モデルの見直し

などを行うことが有効です。説明変数については、ファイナンスデータのテクニカル分析を説明した動画の中でいくつか紹介しています。ぜひこちらも参考になさってみてください。

予測モデルの係数と切片を確認

# 予測モデルの係数を確認
coef = pd.DataFrame(model.coef_) # データフレームの作成
coef.index = X_train.columns     # 項目名をインデックスに設定
coef
0
High -2.484113e-01
Low -9.234009e-02
Open 3.949628e+10
Close -3.949628e+10
Body -3.949628e+10
Close_diff -2.587902e-01
SMA1 -2.694505e-01
SMA2 -1.519415e-01
SMA3 4.854844e-02

さて、線形回帰モデルは、このような関数で予測値を表すことが可能です。
予測値 =A1×(説明変数1)+A2×(説明変数2)+・・・+An×(説明変数n)+K<
今回作成したモデルに対して、これらの値を確認してみます。
まず、係数は作成したモデルに対してcoef_メソッドで取得できます。ただし、これらがどの特徴量に紐づいているのかわかりにくいため、データフレームにしてみます。説明変数をインデックスにして表示してみましょう。
このように、説明変数に対する係数が表示されました。

# 予測モデルの切片を確認
model.intercept_
409.8866450575515

次に、切片です。intercept_メソッドで取得できます。実行します。

この関数を使って予測をした、ということです。
ここで、1点注意いただきたいのは、各説明変数の係数の大きさが相関の強さを示さない点です。
理由は、学習データの各説明変数ごとの分布が揃っていない為です。

# X_train基本統計量の確認
X_train.describe()
High Low Open Close Body Close_diff SMA1 SMA2 SMA3
count 146.000000 146.000000 146.000000 146.000000 146.000000 146.000000 146.000000 146.000000 146.000000
mean 22298.102686 22065.494843 22202.529083 22174.560721 27.968362 -23.304661 22173.247346 22164.036962 22154.239021
std 1559.027597 1602.983382 1558.689896 1593.250387 162.247579 265.426045 1548.152452 1500.769909 1451.165968
min 17160.970703 16358.190430 16995.769531 16552.830078 -371.429688 -915.179688 16944.800000 17647.499023 17983.368750
25% 21488.967773 21287.489746 21404.336914 21348.322754 -68.228027 -168.834473 21279.394238 21398.351172 21356.857747
50% 22285.825195 22065.250000 22189.254883 22191.609375 21.565430 -2.640625 22177.097070 22088.985742 22103.505404
75% 23203.060547 22888.586914 23110.392090 23023.372559 114.844238 124.198730 23138.541797 23093.306494 23126.927311
max 26868.089844 26719.230469 26744.500000 26809.369141 570.169922 750.558594 26727.373828 26697.680859 26696.868490

では、説明変数の分布を確認するために、モデルの学習に使用したX_trainの基本統計量を確認しましょう。
標準偏差stdを見ると、小さいもので実体'Body'の162に対して、大きいもので最安値'Low'の1602というように、説明変数間でばらつきに差があることがわかります。
原因は、データのスケールが異なることにあります。より影響の度合いを考慮したい場合は、データを標準化するとよいでしょう。

エンディング

いかがでしたでしょうか?
今回は重回帰分析での予測方法について、ファイナンスデータを使って説明しました。
重回帰分析については、別の動画で詳しく説明します。もう少々お待ちくださいませ。
また、キノコードではわかりやすく見飽きない動画作成を心がけています。
チャンネル登録がまだの方は、新着通知も届きますので、ぜひチャンネル登録をお願いします。それでは次のレッスンでお会いしましょう。

未経験からはじめるPython学習「キノクエスト」 キノクエスト
  • スキルアップしたいけど何からはじめればよいかわからない…
  • プログラミングスクールに入りたいけど料金が高い…
  • プログラミングを学んでも業務やキャリアに活かせるか不安…

キノクエストは、このような悩みを持つ方にぴったりのプログラミング学習サービスです。
国内最大級のプログラミング学習系YouTubeチャンネル「キノコード」が提供しているから、未経験者にもわかりやすく質の高い学習体験を実感していただけます。

キノクエスト