今回は下図のようにチャートに回帰直線を引いてみます。
回帰とは
回帰とは得られたデータxを \(Y=f(X)\)という関数に当てはめることを言います。
この関数のことをモデルとも言います。
例えば、以下のようなデータ（点）があった場合、
以下のように\(Y=f(X)\)に当てはめることです。
で、この直線を回帰直線と言います。
今回はチャートに回帰直線を引いてみます。
この回帰によって簡易的にチャートのトレンドを把握するのに役立つかも知れません(主にトレンド把握には移動平均を使いますが)。
実際にはこの回帰直線の傾きを使って、トレンド具合を判断したほうが良いと思いますが、今回は単純に線を引いてみます。
実装
では、実装してみます。
データの取得
まずチャートデータを取得します。
例によってOANDA APIを用います。
OANDA APIを使うためには以下の記事を参考にしてください。
以下のコードでデータを取得できます。
def get_candles(instrument="USD_JPY", params=None, api=None):
"""
足データを取得してDataFrameに変換
"""
instruments_candles = instruments.InstrumentsCandles(
instrument=instrument, params=params)
api.request(instruments_candles)
response = instruments_candles.response
df = pd.DataFrame(response["candles"])
return df
def get_prices():
"""
指定した数だけデータの取得
"""
access_token = "your access_token"
api = API(access_token=access_token, environment="practice")
params = {
"granularity": GRANULARITY,
"count": COUNT,
"price": "B",
}
# 足データの取得
candles = None
for i in range(NB_ITR):
print(i)
new_candles = get_candles(
instrument=INSTRUMENT, params=params, api=api)
params["to"] = new_candles["time"].iloc[0]
print(params["to"])
candles = pd.concat([new_candles, candles])
prices = np.array([x["c"] for x in candles["bid"].values])
prices = prices.astype(np.float64)
return prices, candles
# 為替データの取得とプロット
prices, _ = get_prices()
x = np.arange(len(prices))
plt.plot(x, prices)
上記のコードを実行すると、下記のようなグラフをプロットします。
回帰直線を引く
では、先程のチャートに回帰直線を引いてみます。
回帰直線はscikit-learnというライブラリを使えば簡単に引くことができます。
scikit-learnをインストールしていない人は下記のコマンドでインストールしてください。
pip install scikit-learn
回帰直線を求めるためにlinear_modelモジュールを用います。
では、回帰直線を求めてみましょう。
# 回帰直線の計算 reg = linear_model.LinearRegression() x_ = x.reshape(-1, 1) prices_ = prices.reshape(-1, 1) result = reg.fit(x_, prices_) a = result.coef_[0][0] # 傾き b = result.intercept_[0] # 切片
回帰直線はfitメソッドを使って求めることができます。
回帰直線の傾きはcoef_に、切片はintercept_に格納されています。
では、プロットしてみます。
# 回帰直線プロット
y = []
for xi in x:
y_ = a*xi + b
y.append(y_)
plt.plot(x, y)
plt.show()
うまく引けていますね！傾きだけ知りたければ、aを標準出力してみましょう。
