ペアトレード スクリーナー

概要

このスキルは、ペアトレーディングを通じて統計的裁定機会を特定し分析します。ペアトレーディングは、市場全体の方向性に関わらず、2つの相関のある証券の相対的な価格変動から利益を得るマーケットニュートラル戦略です。このスキルは、相関分析とコイントグレーション検定を含む厳密な統計手法を使用して、堅牢なトレーディングペアを見つけます。

コア手法:

• 高い相関性と類似のセクター/業界エクスポージャーを持つ株式ペアを特定
• コイントグレーション(長期統計関係)をテスト
• スプレッド z スコアを計算して平均回帰機会を特定
• 統計的閾値に基づく売買シグナルを生成
• マーケットニュートラル・エクスポージャーのポジションサイジング

主な利点:

• マーケットニュートラル: 上昇市場、下降市場、横這い市場で利益を得られます
• リスク管理: 広範な市場動向へのエクスポージャーを制限
• 統計的根拠: データ駆動型、恣意的でない
• 分散化: 従来のロングオンリー戦略と無相関

このスキルを使用する場合

以下の場合にこのスキルを使用してください:

• ユーザーが「ペアトレーディングの機会」を求める
• ユーザーが「マーケットニュートラル戦略」を望む
• ユーザーが「統計的裁定スクリーニング」をリクエストする
• ユーザーが「どの株式が連動するか?」と尋ねる
• ユーザーがセクター・エクスポージャーをヘッジしたい
• ユーザーが平均回帰トレード案をリクエストする
• ユーザーが相対的価値トレーディングについて尋ねる

ユーザーリクエストの例:

• 「テック部門でのペアトレーディング機会を見つけてください」
• 「どの株式がコイントグレートされていますか?」
• 「統計的裁定機会をスクリーニングしてください」
• 「平均回帰ペアを見つけてください」
• 「現在、良いマーケットニュートラル・トレードは何ですか?」

分析ワークフロー

ステップ 1: ペア対象の定義

目的: ペア関係を分析する株式のプールを確立します。

オプション A: セクターベースのスクリーニング(推奨)

特定のセクターを選択してスクリーニング:

• テクノロジー
• 金融
• ヘルスケア
• 消費者裁量
• 産業
• エネルギー
• 素材
• 生活必需品
• ユーティリティ
• 不動産
• 通信サービス

オプション B: カスタム株式リスト

ユーザーが分析する特定のティッカーを提供:

例: ["AAPL", "MSFT", "GOOGL", "META", "NVDA"]

オプション C: 業界別

セクター内の特定の業界に焦点を絞る:

• 例: テクノロジー部門の「ソフトウェア」
• 例: 金融部門の「地域銀行」

フィルタリング基準:

• 最小時価総額: $2B (ミッドキャップ以上)
• 最小平均出来高: 1M 株/日 (流動性要件)
• 活発な取引: 上場廃止またはアクティブでない株式なし
• 同一取引所選好: 取引所間の複雑性を回避

ステップ 2: 過去の価格データを取得

目的: 相関分析とコイントグレーション分析のための価格履歴を取得します。

データ要件:

• 期間: 2 年(最小 252 営業日)
• 頻度: 日次終値
• 調整: 株式分割と配当で調整済み
• クリーンなデータ: ギャップまたは欠落値なし

FMP API エンドポイント:

GET /v3/historical-price-full/{symbol}?apikey=YOUR_API_KEY

データ検証:

• すべての記号で一貫した日付範囲を確認

• 10% の欠落データを持つ株式を削除

• 小さなギャップを前方補間法で埋める
• データ品質の問題をログに記録

スクリプト実行:

python scripts/fetch_price_data.py --sector Technology --lookback 730

ステップ 3: 相関性とベータを計算

目的: 強い線形関係を持つ候補ペアを特定します。

相関分析:

対象の各ペア (i, j) に対して:

1. ピアソン相関係数 (ρ) を計算
2. ローリング相関 (90 日ウィンドウ) を計算して安定性チェック
3. ρ >= 0.70 のペアをフィルター (強い正の相関)

相関解釈:

• ρ >= 0.90: 非常に強い相関(最高の候補)
• ρ 0.70-0.90: 強い相関(良い候補)
• ρ 0.50-0.70: 中程度の相関(限界)
• ρ < 0.50: 弱い相関(除外)

ベータ計算:

各候補ペア (株式 A、株式 B) に対して:

Beta = Covariance(A, B) / Variance(B)

ベータはヘッジ比率を示します:

• Beta = 1.0: 等額
• Beta = 1.5: A の 1.00 ドルあたり B の 1.50 ドル
• Beta = 0.8: A の 1.00 ドルあたり B の 0.80 ドル

相関安定性チェック:

• 複数の期間 (6ヶ月、1 年、2 年) の相関を計算
• 相関が安定している(低下していない)ことを要求
• 最近の相関が過去の相関から >0.15 低下したペアをフラグ

ステップ 4: コイントグレーション検定

目的: 長期均衡関係を統計的に検証します。

コイントグレーションが重要な理由:

• 相関は短期の共変動を測定
• コイントグレーションは長期均衡関係を証明
• コイントグレートされたペアは予測可能に平均回帰
• コイントグレートされていないペアは永続的に発散する可能性

拡張 Dickey-Fuller (ADF) テスト:

各相関ペアに対して:

1. スプレッドを計算: Spread = Price_A - (Beta × Price_B)
2. スプレッド系列に対して ADF テストを実行
3. p 値を確認: p < 0.05 はコイントグレーションを示します (単位根の帰無仮説を棄却)
4. 強度ランキングのために ADF 統計を抽出

コイントグレーション解釈:

• p 値 < 0.01: 非常に強いコイントグレーション (★★★)
• p 値 0.01-0.05: 中程度のコイントグレーション (★★)
• p 値 > 0.05: コイントグレーションなし (除外)

半減期計算:

平均回帰速度を推定:

Half-Life = -log(2) / log(mean_reversion_coefficient)

• 半減期 < 30 日: 速い平均回帰(短期トレーディングに適している)
• 半減期 30-60 日: 中程度の速度(標準)
• 半減期 > 60 日: 遅い平均回帰(長い保有期間)

Python 実装:

from statsmodels.tsa.stattools import adfuller

# スプレッドを計算
spread = price_a - (beta * price_b)

# ADF テスト
result = adfuller(spread)
adf_stat = result[0]
p_value = result[1]

# 解釈
is_cointegrated = p_value < 0.05

ステップ 5: スプレッド分析と z スコア計算

目的: 均衡からのスプレッド乖離を定量化します。

スプレッド計算:

2 つの一般的な方法:

方法 1: 価格差(加算型)

Spread = Price_A - (Beta × Price_B)

最適用途: 類似の価格レベルを持つ株式

方法 2: 価格比率(乗算型)

Spread = Price_A / Price_B

最適用途: 異なる価格レベルを持つ株式、解釈が容易

z スコア計算:

スプレッドが平均からどこまで標準偏差が離れているかを測定:

Z-Score = (Current_Spread - Mean_Spread) / Std_Dev_Spread

z スコア解釈:

• Z > +2.0: 株式 A は B 相対で割高 (A をショート、B をロング)
• Z > +1.5: 適度に割高(エントリーを監視)
• Z -1.5 ~ +1.5: 正常範囲(トレードなし)
• Z < -1.5: 適度に割安(エントリーを監視)
• Z < -2.0: 株式 A は B 相対で割安 (A をロング、B をショート)

過去のスプレッド分析:

• 90 日ローリング・ウィンドウで平均と標準偏差を計算
• 過去 z スコア分布をプロット
• 過去の最大 z スコア乖離を特定
• 構造的ブレーク(スプレッド・レジーム変化)をチェック

ステップ 6: エントリー/エグジット推奨事項を生成

目的: 明確なルール付きの実行可能なトレーディング・シグナルを提供します。

エントリー条件:

保守的なアプローチ (Z ≥ ±2.0):

LONGシグナル:
- Z スコア < -2.0 (スプレッドが平均から 2 標準偏差以上低い)
- スプレッドが平均回帰している (コイントグレーション p < 0.05)
- 半減期 < 60 日
→ アクション: 株式 A を買い、株式 B をショート (ヘッジ比率 = ベータ)

SHORTシグナル:
- Z スコア > +2.0 (スプレッドが平均から 2 標準偏差以上高い)
- スプレッドが平均回帰している (コイントグレーション p < 0.05)
- 半減期 < 60 日
→ アクション: 株式 A をショート、株式 B を買い (ヘッジ比率 = ベータ)

積極的なアプローチ (Z ≥ ±1.5):

• より頻繁なトレードのための低い閾値
• より高い勝率だが 1 トレードあたりの平均利益が少ない
• より厳しいリスク管理が必要

エグジット条件:

主要エグジット: 平均回帰 (Z = 0)

スプレッドが平均に戻ったときにエグジット (z スコアが 0 を横切る)
→ 両レッグを同時にクローズ

セカンダリ・エグジット: 部分利確

z スコアが ±1.0 に達したときに 50% をエグジット
残りの 50% を z スコア = 0 でエグジット

ストップ・ロス:

z スコアが ±3.0 を超えた場合にエグジット (極端な乖離)
リスク: 関係の構造的ブレークの可能性

時間ベースのエグジット:

平均回帰がない場合 90 日後にエグジット
壊れたペアを無期限に保有することを防止

ステップ 7: ポジションサイジングとリスク管理

目的: マーケットニュートラル・エクスポージャーのドル金額を決定します。

マーケットニュートラル・サイジング:

ペア (株式 A、株式 B) のベータ = β の場合:

等額エクスポージャー:

ポートフォリオ・サイズ = このペアに割り当てられた $10,000 の場合:
- 株式 A を $5,000 ロング
- 株式 B を $5,000 × β ショート

例 (β = 1.2):
- 株式 A を $5,000 ロング
- 株式 B を $6,000 ショート
→ マーケットニュートラル、ベータ = 0

ポジションサイジングの考慮:

• ペアあたりの総ポートフォリオ割り当て: 10-20%
• 最大ペア数: 分散化のための 5-8 アクティブペア
• ペア間の相関: 高相関ペアを回避

リスク指標:

• ペアあたりの最大損失: 総ポートフォリオの 2-3%
• ストップ・ロス・トリガー: Z スコア > ±3.0 またはスプレッドでの -5% 損失
• ポートフォリオレベルのリスク: すべてのペアリスクの合計 ≤ 10%

ステップ 8: ペア分析レポートを生成

目的: 構造化マークダウンレポートを作成し、調査結果と推奨事項を示します。

レポート・セクション:

1. エグゼクティブ・サマリー

   • 分析されたペアの総数
   • 見つかったコイントグレートされたペアの数
   • 統計的強度でランク付けされた上位 5 つの機会

2. コイントグレートされたペアのテーブル

   • ペア名 (株式 A / 株式 B)
   • 相関係数
   • コイントグレーション p 値
   • 現在の z スコア
   • トレード・シグナル (ロング/ショート/なし)
   • 半減期

3. 詳細分析 (上位 10 ペア)

   • ペア記述
   • 統計指標
   • 現在のスプレッド位置
   • エントリー/エグジット推奨事項
   • ポジションサイジング
   • リスク評価

4. スプレッド・チャート (テキストベース)

   • 過去 z スコア プロット (ASCII アート)
   • マークされたエントリー/エグジット・レベル
   • 現在のポジション・インジケータ

5. リスク警告

   • 相関が低下しているペア
   • 検出された構造的ブレーク
   • 流動性の低さに関する警告

ファイル命名規則:

pair_trade_analysis_[SECTOR]_[YYYY-MM-DD].md

例: pair_trade_analysis_Technology_2025-11-08.md

品質基準

統計的厳密性

有効なペアの最小要件:

• ✓ 2 年間にわたる相関 ≥ 0.70
• ✓ コイントグレーション p 値 < 0.05 (ADF テスト)
• ✓ スプレッド定常性確認済み
• ✓ 半減期 < 90 日
• ✓ 過去 6 ヶ月間での構造的ブレークなし

レッドフラグ (ペアを除外):

• 過去 6 ヶ月間で相関が >0.20 低下
• コイントグレーション p 値 > 0.05
• 時間とともに半減期が増加している (平均回帰が弱化)
• 重大な企業イベント (合併、スピンオフ、破産リスク)
• 流動性上の懸念 (平均出来高 < 500K 株/日)

実用的な考慮事項

取引コスト:

• ラウンドトリップコストあたり脚 0.1% と仮定
• ペアあたりの総コスト = 0.4% (エントリー + エグジット、両レッグ)
• 最小 z スコア閾値は取引コストを超える必要があります

ショート・セリング:

• ストックがショート可能であることを確認 (ハード・トゥ・バロー以外)
• ショート金利コスト (借入手数料) を考慮
• ショート・スクイーズ・リスクを監視

実行:

• エントリー/エグジット両レッグを同時に (脚リスクを回避)
• リミット・オーダーを使用してスリッページをコントロール
• エントリー前にショートを事前に配置

利用可能なスクリプト

scripts/find_pairs.py

目的: セクター内またはカスタム・リスト内でコイントグレートされたペアをスクリーニングします。

使用法:

# セクターベースのスクリーニング
python scripts/find_pairs.py --sector Technology --min-correlation 0.70

# カスタム株式リスト
python scripts/find_pairs.py --symbols AAPL,MSFT,GOOGL,META --min-correlation 0.75

# 完全なオプション
python scripts/find_pairs.py \
  --sector Financials \
  --min-correlation 0.70 \
  --min-market-cap 2000000000 \
  --lookback-days 730 \
  --output pairs_analysis.json

パラメータ:

• --sector: セクター名 (Technology、Financials など)
• --symbols: コンマ区切りのティッカー・リスト (セクターの代替)
• --min-correlation: 最小相関閾値 (デフォルト: 0.70)
• --min-market-cap: 最小時価総額フィルター (デフォルト: $2B)
• --lookback-days: 過去データ期間 (デフォルト: 730 日)
• --output: 出力 JSON ファイル (デフォルト: stdout)
• --api-key: FMP API キー (または FMP_API_KEY 環境変数を設定)

出力:

[
  {
    "pair": "AAPL/MSFT",
    "stock_a": "AAPL",
    "stock_b": "MSFT",
    "correlation": 0.87,
    "beta": 1.15,
    "cointegration_pvalue": 0.012,
    "adf_statistic": -3.45,
    "half_life_days": 42,
    "current_zscore": -2.3,
    "signal": "LONG",
    "strength": "Strong"
  }
]

scripts/analyze_spread.py

目的: 特定のペアのスプレッド動作を分析し、トレーディング・シグナルを生成します。

使用法:

# 特定のペアを分析
python scripts/analyze_spread.py --stock-a AAPL --stock-b MSFT

# カスタムルックバック期間
python scripts/analyze_spread.py \
  --stock-a JPM \
  --stock-b BAC \
  --lookback-days 365 \
  --entry-zscore 2.0 \
  --exit-zscore 0.5

パラメータ:

• --stock-a: 最初の株式ティッカー
• --stock-b: 2 番目の株式ティッカー
• --lookback-days: 分析期間 (デフォルト: 365)
• --entry-zscore: エントリーの z スコア閾値 (デフォルト: 2.0)
• --exit-zscore: エグジットの z スコア閾値 (デフォルト: 0.0)
• --api-key: FMP API キー

出力:

• 現在のスプレッド分析
• z スコア計算
• エントリー/エグジット推奨事項
• ポジションサイジング
• 過去 z スコア・チャート (テキスト)

リファレンス・ドキュメント

references/methodology.md

統計的裁定とペアトレーディングの包括的ガイド:

• ペア選択基準: 良い候補ペアを特定する方法
• 統計テスト: 相関、コイントグレーション、定常性
• スプレッド構成: 価格差対価格比率のアプローチ
• 平均回帰: 半減期計算と解釈
• リスク管理: ポジションサイジング、ストップ・ロス、分散化
• 一般的な落とし穴: サバイバーシップ・バイアス、ルック・アヘッド・バイアス、過剰適合

references/cointegration_guide.md

コイントグレーション検定の詳細説明:

• コイントグレーションとは?: 直感的な説明
• ADF テスト: ステップバイステップの手順
• p 値解釈: 統計的有意性の閾値
• 半減期推定: AR(1) モデル・アプローチ
• 構造的ブレーク: レジーム・チェンジのテスト
• 実践的な例: 実際のペアでのケーススタディ

他のスキルとの統合

セクター・アナリスト統合:

• セクター・アナリストを使用してセクタ・ローテーションを特定
• パフォーマンスセクター内でペアをスクリーニング
• リーディング・セクター内のペアはより強いトレンドを持つ可能性があります

テクニカル・アナリスト統合:

• 個別株テクニカルでペア・エントリー/エグジットを確認
• エントリー前にサポート/レジスタンス・レベルをチェック
• トレンド方向がスプレッド・シグナルと一致することを検証

バックテスト・エキスパート統合:

• ペア候補をバックテスト・エキスパートに入力して検証
• 過去 z スコア・エントリー/エグジット・ルールをテスト
• 閾値パラメータ (エントリー z スコア、ストップ・ロス) を最適化
• 堅牢性のためのウォークフォワード分析

市場環境分析統合:

• 極度のボラティリティ中はペアトレーディングを回避 (VIX > 30)
• 危機期間中に相関が崩壊
• 横這い/レンジ相場でペアトレーディングを推奨

ポートフォリオ・マネジャー統合:

• 複数のペア・ポジションを追跡
• 全体的なマーケットニュートラル・エクスポージャーを監視
• ポートフォリオレベルのペアトレーディング P/L を計算
• ヘッジ比率を定期的にリバランス

重要なメモ

• すべての分析と出力は英語
• 統計的根拠: 恣意的な解釈なし
• マーケットニュートラル・フォーカス: 方向性ベータ・エクスポージャーを最小化
• データ品質が重要: ゴミイン、ゴミアウト
• FMP API キーが必要: 基本的なスクリーニングには無料版で十分
• Python 依存性: pandas、numpy、scipy、statsmodels

一般的なユースケース

ユースケース 1: テクノロジー・セクターペア

ユーザー: 「テック株でペアトレーディング機会を見つけてください」

ワークフロー:
1. 時価総額 > $10B のテクノロジー・セクターをスクリーニング
2. すべてのペアごとの相関を計算
3. 相関 ≥ 0.75 のペアをフィルター
4. コイントグレーション検定を実行
5. 現在の z スコア極値 (|z| > 2.0) を特定
6. 上位 10 ペアレポートを生成

ユースケース 2: 特定のペア分析

ユーザー: 「AAPL と MSFT をペアトレードとして分析してください」

ワークフロー:
1. AAPL と MSFT の 2 年の価格履歴を取得
2. 相関とベータを計算
3. コイントグレーションをテスト
4. 現在のスプレッド z スコアを計算
5. エントリー/エグジット推奨事項を生成
6. ポジションサイジングガイダンスを提供

ユースケース 3: 地域銀行ペア

ユーザー: 「地域銀行間でペアをスクリーニングしてください」

ワークフロー:
1. 業界 = 「地域銀行」のファイナンシャル・セクターをフィルター
2. 時価総額 < $5B の銀行を除外
3. ペアごとの統計を計算
4. コイントグレーション強度でランク付け
5. 半減期 < 45 日のペアに焦点
6. 上位 5 つの平均回帰ペアをレポート

トラブルシューティング

問題: コイントグレートされたペアが見つかりませんでした

解決策:

• 対象を拡大 (時価総額閾値を低下)
• コイントグレーション p 値を 0.10 に緩和
• 異なるセクターを試す (ユーティリティはコイントグレートしやすい傾向)
• ルックバック期間を 3 年に増加

問題: すべての z スコアがゼロ近辺 (トレード・シグナルなし)

解決策:

• 通常の市場状況 (ペアは均衡状態)
• 後でチェックバックするか対象を拡大
• エントリー閾値を ±2.0 ではなく ±1.5 に低下

問題: ペア相関が崩壊

解決策:

• 企業イベント (決算、ガイダンス変更) をチェック
• M&A 活動または構造改革がないことを確認
• 構造的ブレークが確認された場合はペアをウォッチリストから削除
• 再エントリー前に 30 日間監視

API 要件

• 必須: FMP API キー (無料版で十分)
• レート制限: 無料版で 1 日約 250 リクエスト
• データ使用: 2 年の履歴でシンボルあたり約 2 リクエスト
• アップグレード: 頻繁なスクリーニング用にプロフェッショナル・プランを推奨 ($29/月)

リソース

• FMP 過去価格 API: https://site.financialmodelingprep.com/developer/docs/historical-price-full
• 株式スクリーナー API: https://site.financialmodelingprep.com/developer/docs/stock-screener-api
• Statsmodels ドキュメント: https://www.statsmodels.org/stable/index.html
• コイントグレーション論文: Engle & Granger (1987) - "Co-Integration and Error Correction"

---

バージョン: 1.0 最終更新: 2025-11-08 依存関係: Python 3.8+、pandas、numpy、scipy、statsmodels、requests