파이썬으로 주가를 시뮬레이션 해 보았습니다.

파이썬을 사용하여 미래의 주가를 시뮬레이션하려고합니다.

Python, 주식의 이야기입니다만, 거기까지 어려운 내용까지는 밟지 않으므로 부담없이 읽어 주시면 좋겠습니다.

배경

마지막 기사에서 다음을 알았습니다.

상장 지수 펀드 TOPIX (1308)의 2011/7/22 ~ 2021/7/21 데이터에 대한 분석

전 데이터의 5%를 이상, 95%를 정상이라고 가정하고, OneClassSVM에서 정상 상태와 이상 상태로 나누는 것으로, 각각의 상태내에서는 주가의 리턴(전일 비율)이 정규 분포하고 있는 것 확인 됨

정상상태에서 주가의 전일 비율은

평균 : 1.0005478168389164

표준편차: 0.01024285501985374

비정상 상태에서 주가의 전일 비율은

평균 : 0.9971137713072488

표준편차:0.029152921438795287

모든 데이터의 5%가 비정상 상태

이 지식을 바탕으로 상장 지수 펀드 TOPIX의 미래 주가를 시뮬레이션합니다.

시뮬레이션을 위한 함수 만들기

먼저 위의 지식을 바탕으로 시뮬레이션을 위한 함수를 작성합니다. 이 함수를 실행하면 분포에 따른 주가의 전일 비율이 반환됩니다.

# 関数を定義
def make_return():
    loc1 = 1.0005478168389164
    loc2 = 0.9971137713072488
    scale1 = 0.01024285501985374
    scale2 = 0.029152921438795287

    # 5%の確率で異常状態の正規分布からサンプリング
    if np.random.rand() < 0.05:
        a  =np.random.normal(loc2,scale2)
        svm_result = -1
    # 95%の確率で正常状態の正規分布からサンプリング
    else:
        a = np.random.normal(loc1, scale1)
        svm_result = 1
    return a, svm_result

이 함수를 10000번 실행한 결과를 시각화합니다. 정상·이상의 2개의 정규 분포를 작성할 수 있는 것을 확인할 수 있었습니다.

# 10000回シミュレーションを実行
return_list = []
svm_list = []
for i in range(10000):
    a, svm_result = make_return()
    return_list.append(a)
    svm_list.append(svm_result)

return_list = np.array(return_list)
df_sim  =pd.DataFrame({'return':return_list, 'svm':svm_list})

# シミュレーションの結果確認
plt.hist(df_sim[df_sim['svm'] == 1]['return'], bins = 30)
plt.hist(df_sim[df_sim['svm'] == -1]['return'], bins = 30)
plt.show()

시뮬레이션 실행

20년간의 시뮬레이션을 1000회 실행합니다.

# 結果の箱を作成
df_sim1 = pd.DataFrame()

from tqdm import tqdm

# 1000回シミュレーションを実行
for j in tqdm(range(1000)):
    return_list = []

    #1年間を240日と考えて、20年後までをシミュレーションする
    for i in range(240 * 20):
        a,svm_result = make_return()
        return_list.append(a)
    return_list = np.array(return_list)
    df_sim1[j] = return_list

# 累積リターンを計算
df_sim2 = df_sim1.cumprod()
df_sim2.head()

시뮬레이션 결과 시각화

우선 1년간의 시뮬레이션 결과를 시각화합니다. 가로축이 몇일 후인지를 나타내고, 세로축이 주가가 몇 배가 되는지를 나타냅니다. 1년 후에 1배를 밑돌아 버려, 손실이 되어 버리는 그래프의 색은 적색으로 하고 있습니다.

# 結果を可視化
plt.figure(figsize = (15, 4))
num = 0
for i in df_sim2.columns:
    # 1年後までを可視化
    temp=df_sim2[i].iloc[:240 * 1]

    # 最終結果が1以下の場合はグラフを赤色に変更
    if temp.iloc[-1] < 1:
        plt.plot(temp.index, temp, alpha = 0.2, c = 'r')
        num += 1
    else:
        plt.plot(temp.index, temp, alpha = 0.2, c = 'g')

print("損失が出る確率：{}/1000".format(num)) 
print("中央値:{:.3f}倍".format(df_sim2.iloc[240 * 1 - 1].median()))
plt.title('シミュレーション結果(1年間)')
plt.ylabel('倍')
plt.xlabel('日')
plt.show()

1000회 시뮬레이션의 결과, 1년 후에 손해를 입을 확률은 34.1%, 중앙값에서는 주가가 1.078배, 즉 리턴이 7.8%인 것을 알 수 있습니다.



마찬가지로 5년 후, 10년 후, 20년 후까지의 시뮬레이션을 그래프로 하면 다음과 같이 됩니다.
20년 후에는 손해를 입을 확률은 5.2%까지 떨어지고, 1000회 시뮬레이션한 경우의 중앙값에서는 주가가 4.125배, 즉 리턴이 312.5%인 것을 알 수 있습니다.

요약

파이썬과 기계 학습을 사용하여 장기 투자의 이점을 보여줄 수있었습니다!

주식의 기대 수익은 비정상적인 상태에서 부정적이지만, 가미해도 총 기대 수익이 더해집니다.

따라서 구입하고 장기 보유하는 것만으로 손해를 입을 확률이 줄어든다

20 년 계속 유지하면 손해 확률은 5.2 %로 가격이 4 배가 될 확률이 높다