株式相関分析スキル

yfinance経由でYahoo Financeから取得した履歴価格データを使用して相関のある株を見つけて分析します。ユーザーの意図に基づいて専門の副スキルにルーティングします。

重要: これは研究および教育目的のみです。金融アドバイスではありません。yfinanceはYahoo, Inc.と提携していません。

---

ステップ1: 依存関係が利用可能であることを確認する

現在の環境ステータス:

!`python3 -c "import yfinance, pandas, numpy; print(f'yfinance={yfinance.__version__} pandas={pandas.__version__} numpy={numpy.__version__}')" 2>/dev/null || echo "DEPS_MISSING"`

DEPS_MISSINGの場合、任意のコードを実行する前に必要なパッケージをインストールします:

import subprocess, sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "-q", "yfinance", "pandas", "numpy"])

すべての依存関係が既にインストールされている場合、インストールステップをスキップして直接進めます。

---

ステップ2: 正しい副スキルにルーティングする

ユーザーのリクエストを分類して、以下の対応する副スキルセクションに遷移します。

ユーザーリクエスト	ルーティング先	例
単一ティッカー、関連する株を見つけたい	副スキルA: 共動き発見	「NVDAと相関する株」、「AMDに関連する株を見つけて」、「TSLAのシンパシープレー」
2つ以上の特定ティッカー、関係の詳細が欲しい	副スキルB: リターン相関	「AMDとNVDAの相関」、「LITEとCOHRはどのように一緒に動くか」、「AAPLとMSFTを比較」
ティッカーのグループ、構造/グループ化が欲しい	副スキルC: セクタークラスタリング	「FAANGの相関行列」、「これらの半導体株をクラスタ化」、「AMDのセクター内競合」
時間変動型または条件付き相関が欲しい	副スキルD: 実現相関	「AMDとNVDAのローリング相関」、「NVDAが下がると何が下がる」、「相関がどのように変わったか」

曖昧な場合、単一ティッカーの場合は副スキルA(共動き発見)、2つのティッカーの場合は副スキルB(リターン相関)にデフォルト設定します。

すべての副スキルのデフォルト値

パラメータ	デフォルト
ルックバック期間	1y (1年)
データ間隔	1d (日次)
相関方法	ピアソン
最小相関閾値	0.60
結果数	トップ10
リターンタイプ	日次対数リターン
ローリングウィンドウ	60営業日

---

副スキルA: 共動き発見

目標: 単一ティッカーが与えられた場合、それと一緒に動く株を見つけます。

A1: ピアユニバースを構築する

15～30の候補が必要です。ハードコードされたティッカーリストを使用しないでください ― ピアユニバースを実行時に動的に構築します。完全な実装についてはreferences/sector_universes.mdを参照してください。アプローチは以下の通りです:

1. 同じ業界の株をスクリーンする: yf.screen() + yf.EquityQueryを使用してターゲットと同じ業界の株を見つける
2. 業界スクリーンが10未満のピアを返す場合、セクターに拡大する
3. テーマ別/隣接産業を追加する ― ターゲットのlongBusinessSummaryを読み、1～2の関連産業をスクリーン(例: 半導体企業 → 半導体装置もスクリーン)
4. 結合、重複排除、ターゲットティッカーを削除

A2: 相関を計算する

import yfinance as yf
import pandas as pd
import numpy as np

def discover_comovement(target_ticker, peer_tickers, period="1y"):
    all_tickers = [target_ticker] + [t for t in peer_tickers if t != target_ticker]
    data = yf.download(all_tickers, period=period, auto_adjust=True, progress=False)

    # 終値を抽出 ― yf.downloadはマルチインデックス(Price, Ticker)列を返す
    closes = data["Close"].dropna(axis=1, thresh=max(60, len(data) // 2))

    # 対数リターン
    returns = np.log(closes / closes.shift(1)).dropna()
    corr_series = returns.corr()[target_ticker].drop(target_ticker, errors="ignore")

    # 絶対相関でランク付け
    ranked = corr_series.abs().sort_values(ascending=False)

    result = pd.DataFrame({
        "Ticker": ranked.index,
        "Correlation": [round(corr_series[t], 4) for t in ranked.index],
    })
    return result, returns

A3: 結果を表示する

会社名とセクターを含むランク付けテーブルを表示します(yf.Ticker(t).info.get("shortName")経由で取得):

ランク	ティッカー	企業名	相関	リンク理由
1	AMD	Advanced Micro Devices	0.82	同じ業界 ― GPU/CPU
2	AVGO	Broadcom	0.78	AI インフラストラクチャ競合

以下を含めます:

• 上位10の正の相関のある株
• 注目すべき負相関のある株(潜在的なヘッジ)
• 各株がリンクしている理由の簡潔な説明(セクター、サプライチェーン、顧客重複)

---

副スキルB: リターン相関

目標: 2つ(または数個)の特定ティッカー間の関係に深く掘り下げます。

B1: ダウンロードして計算する

import yfinance as yf
import pandas as pd
import numpy as np

def return_correlation(ticker_a, ticker_b, period="1y"):
    data = yf.download([ticker_a, ticker_b], period=period, auto_adjust=True, progress=False)
    closes = data["Close"][[ticker_a, ticker_b]].dropna()

    returns = np.log(closes / closes.shift(1)).dropna()
    corr = returns[ticker_a].corr(returns[ticker_b])

    # ベータ: Bがアの単位移動当たりいくら動くか
    cov_matrix = returns.cov()
    beta = cov_matrix.loc[ticker_b, ticker_a] / cov_matrix.loc[ticker_a, ticker_a]

    # R二乗
    r_squared = corr ** 2

    # 安定性のための60日ローリング相関
    rolling_corr = returns[ticker_a].rolling(60).corr(returns[ticker_b])

    # スプレッド(対数価格比): 平均回帰用
    spread = np.log(closes[ticker_a] / closes[ticker_b])
    spread_z = (spread - spread.mean()) / spread.std()

    return {
        "correlation": round(corr, 4),
        "beta": round(beta, 4),
        "r_squared": round(r_squared, 4),
        "rolling_corr_mean": round(rolling_corr.mean(), 4),
        "rolling_corr_std": round(rolling_corr.std(), 4),
        "rolling_corr_min": round(rolling_corr.min(), 4),
        "rolling_corr_max": round(rolling_corr.max(), 4),
        "spread_z_current": round(spread_z.iloc[-1], 4),
        "observations": len(returns),
    }

B2: 結果を表示する

サマリーカードを表示します:

メトリック	値
ピアソン相関	0.82
ベータ(BvsA)	1.15
R二乗	0.67
ローリング相関(60d平均)	0.80
ローリング相関範囲	[0.55, 0.94]
ローリング相関標準偏差	0.08
スプレッドZスコア(現在)	+1.2
観測数	250

解釈ガイド:

• 相関 > 0.80: 強い共動き ― これらの株は密接にリンクしている
• 相関0.50～0.80: 中程度 ― 共有セクタードライバーがあるが独立した要因もある
• 相関 < 0.50: 弱い ― セクター重複の可能性はあるが共動きは限定的
• 高いローリング標準偏差: 不安定な関係 ― 相関が時間経過で大きく変動
• スプレッドZ > |2|: 異常な乖離 ― 履歴的な関係からの異常な分岐

---

副スキルC: セクタークラスタリング

目標: ティッカーのグループが与えられた場合、完全な相関構造を表示してクラスタを特定します。

C1: 相関行列を構築する

import yfinance as yf
import pandas as pd
import numpy as np

def sector_clustering(tickers, period="1y"):
    data = yf.download(tickers, period=period, auto_adjust=True, progress=False)

    # yf.downloadはマルチインデックス(Price, Ticker)列を返す
    closes = data["Close"].dropna(axis=1, thresh=max(60, len(data) // 2))
    returns = np.log(closes / closes.shift(1)).dropna()
    corr_matrix = returns.corr()

    # 階層クラスタリング順序
    from scipy.cluster.hierarchy import linkage, leaves_list
    from scipy.spatial.distance import squareform

    dist_matrix = 1 - corr_matrix.abs()
    np.fill_diagonal(dist_matrix.values, 0)
    condensed = squareform(dist_matrix)
    linkage_matrix = linkage(condensed, method="ward")
    order = leaves_list(linkage_matrix)
    ordered_tickers = [corr_matrix.columns[i] for i in order]

    # 行列を再順序付け
    clustered = corr_matrix.loc[ordered_tickers, ordered_tickers]

    return clustered, returns

注: scipyが利用できない場合、階層クラスタリングの代わりに平均相関でソートすることにフォールバックします。

C2: 結果を表示する

1. 完全相関行列 ― テーブルとしてフォーマットされます。ティッカーが8を超える場合、ヒートマップ説明として、または最強/最弱ペアのみを強調表示します。

2. 特定されたクラスタ ― グループ内相関が高いティッカーをグループ化:

   • クラスタ1: [NVDA, AMD, AVGO] ― 平均グループ内相関0.82
   • クラスタ2: [AAPL, MSFT] ― 平均グループ内相関0.75

3. 外れ値 ― グループの平均相関が低いティッカー(潜在的な分散化器)。

4. 最強ペア ― 行列内の相関が最も高いトップ5ペア。

5. 最弱ペア ― 最も低い/負相関のトップ5ペア(ヘッジング候補)。

---

副スキルD: 実現相関

目標: 相関が時間経過でどのように変化し、異なる市場環境下でどのように変化するかを示します。

D1: ローリング相関

import yfinance as yf
import pandas as pd
import numpy as np

def realized_correlation(ticker_a, ticker_b, period="2y", windows=[20, 60, 120]):
    data = yf.download([ticker_a, ticker_b], period=period, auto_adjust=True, progress=False)
    closes = data["Close"][[ticker_a, ticker_b]].dropna()

    returns = np.log(closes / closes.shift(1)).dropna()

    rolling = {}
    for w in windows:
        rolling[f"{w}d"] = returns[ticker_a].rolling(w).corr(returns[ticker_b])

    return rolling, returns

D2: レジーム条件付き相関

def regime_correlation(returns, ticker_a, ticker_b, condition_ticker=None):
    """上昇/下降/ボラティリティレジーム間で相関を比較します。"""
    if condition_ticker is None:
        condition_ticker = ticker_a

    ret = returns[condition_ticker]

    regimes = {
        "All Days": pd.Series(True, index=returns.index),
        "Up Days (target > 0)": ret > 0,
        "Down Days (target < 0)": ret < 0,
        "High Vol (top 25%)": ret.abs() > ret.abs().quantile(0.75),
        "Low Vol (bottom 25%)": ret.abs() < ret.abs().quantile(0.25),
        "Large Drawdown (< -2%)": ret < -0.02,
    }

    results = {}
    for name, mask in regimes.items():
        subset = returns[mask]
        if len(subset) >= 20:
            results[name] = {
                "correlation": round(subset[ticker_a].corr(subset[ticker_b]), 4),
                "days": int(mask.sum()),
            }

    return results

D3: 結果を表示する

1. ローリング相関サマリーテーブル:

ウィンドウ	現在	平均	最小	最大	標準偏差
20日	0.88	0.76	0.32	0.95	0.12
60日	0.82	0.78	0.55	0.92	0.08
120日	0.80	0.79	0.68	0.88	0.05

2. レジーム相関テーブル:

レジーム	相関	日数
すべての日	0.82	250
上昇日	0.75	132
下降日	0.87	118
高ボラティリティ(上位25%)	0.90	63
大幅ドローダウン(< -2%)	0.93	28

3. 重要な洞察: 相関が売却時に増加するかどうかを強調します(非常に一般的 ― 「危機では相関は1になる」)。これはリスク管理にとって重要です。

4. トレンド: 相関は最近、その履歴平均と比較してより高くなるか、またはより低くなる傾向にあるか?

---

ステップ3: ユーザーに応答する

適切な副スキルを実行した後、結果を明確に表示します:

常に含める

• 使用したルックバック期間とデータ間隔
• 観測数(営業日)
• データ不足によりドロップされたティッカー

常に注釈をつける

• 相関は因果関係ではありません ― 共動きは因果関係を意味しません
• 過去の相関が将来の相関を保証しません ― レジームは変わります
• 短いルックバックウィンドウはノイズの多い推定を生成します; 長いウィンドウは平滑化しますがレジーム変化を見逃す可能性があります

実際的な応用(関連する場合に言及)

• シンパシープレー: ピアの決算/ニュースの動きに続く可能性が高い株
• ペアトレード: スプレッドが履歴的な平均から乖離している高相関ペア
• ポートフォリオ分散: リスクを軽減するための低相関資産の検出
• ヘッジ: 逆相関の商品の特定
• セクタローテーション: どのセクターが一緒に動くかを理解する
• リスク管理: ストレス時に相関が急上昇 ― 必要な時点で分散化が失敗する可能性

重要: 特定のトレードを推奨しないでください。データを提示して、ユーザーが結論を引き出すようにします。

---

参照ファイル

• references/sector_universes.md ― yfinance Screener APIを使用した動的ピアユニバース構築

特定のティッカーのピアユニバースを構築する必要がある場合は参照ファイルを読んでください。