株式流動性分析スキル

複数の側面にわたる株式流動性を分析します — Bid-Ask スプレッド、出来高パターン、オーダーブック深度、推定市場インパクト、および回転率 — yfinance 経由で Yahoo Finance データを使用します。

流動性は重要です。取引の実際のコストを決定するからです。提示された価格はあなたが実際に支払う価格ではありません — スプレッド、スリッページ、市場インパクトすべてがリターンを減少させます。特に大きなポジションまたはより流動性の低い銘柄の場合はそうです。

重要: これは研究と教育目的のみです。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

現在の環境状態:

!`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、必要なパッケージをインストール:

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

既にインストールされている場合はスキップして続行してください。

---

ステップ 2: 正しいサブスキルにルーティング

ユーザーのリクエストを分類し、マッチするセクションにジャンプします。特定のメトリクスを指定せずに一般的な流動性評価をユーザーが要求する場合、すべての主要メトリクスを一緒に計算する サブスキル A (流動性ダッシュボード) を実行します。

ユーザーリクエスト	ルート先	例
一般的な流動性チェック、「X はどのくらい流動的か」	サブスキル A: 流動性ダッシュボード	「AAPL はどのくらい流動的か」「TSLA の流動性分析」「この株は流動性が十分か」
Bid-Ask スプレッド、取引コスト、実効スプレッド	サブスキル B: スプレッド分析	「AMD の Bid-Ask スプレッド」「NVDA オプションのスプレッドは」「取引コスト推定」
出来高、ADTV、ドル出来高、出来高プロファイル	サブスキル C: 出来高分析	「MSFT 出来高分析」「平均日次出来高」「SPY 出来高プロファイル」
オーダーブック深度、市場深度、レベル 2	サブスキル D: オーダーブック深度	「AAPL のオーダーブック深度」「市場深度」「ブックを表示」
市場インパクト、スリッページ、大口注文の執行コスト	サブスキル E: 市場インパクト	「50,000 株はどのくらい価格を動かすか」「スリッページ推定」「$1M オーダーの市場インパクト」
回転率、フロート相対の取引活動	サブスキル F: 回転率	「GME の回転率」「フロート回転」「この株はどのくらい活発に取引されるか」
複数の株式の流動性を比較	サブスキル A (マルチティッカーモード)	「AAPL vs TSLA の流動性を比較」「AMD と INTC のどちらがより流動的か」

デフォルト

パラメータ	デフォルト
ルックバック期間	3mo (3 ヶ月)
データ間隔	1d (日次)
市場インパクトモデル	平方根モデル
イントラデイ間隔 (必要な場合)	5m

---

サブスキル A: 流動性ダッシュボード

目標: すべての主要メトリクスを組み合わせた 1 つ以上のティッカーの包括的な流動性スナップショットを生成します。

A1: データをフェッチし、すべてのメトリクスを計算

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

def liquidity_dashboard(ticker_symbol, period="3mo"):
    ticker = yf.Ticker(ticker_symbol)
    info = ticker.info
    hist = ticker.history(period=period)

    if hist.empty:
        return None

    # --- スプレッドメトリクス (現在の相場から) ---
    bid = info.get("bid", None)
    ask = info.get("ask", None)
    current_price = info.get("currentPrice") or info.get("regularMarketPrice") or hist["Close"].iloc[-1]

    spread = None
    spread_pct = None
    if bid and ask and bid > 0 and ask > 0:
        spread = round(ask - bid, 4)
        midpoint = (ask + bid) / 2
        spread_pct = round((spread / midpoint) * 100, 4)

    # --- 出来高メトリクス ---
    avg_volume = hist["Volume"].mean()
    median_volume = hist["Volume"].median()
    avg_dollar_volume = (hist["Close"] * hist["Volume"]).mean()
    volume_std = hist["Volume"].std()
    volume_cv = volume_std / avg_volume if avg_volume > 0 else None  # 変動係数

    # --- 回転率 ---
    shares_outstanding = info.get("sharesOutstanding", None)
    float_shares = info.get("floatShares", None)
    base_shares = float_shares or shares_outstanding
    turnover_ratio = round(avg_volume / base_shares, 6) if base_shares else None

    # --- Amihud 流動性不足率 ---
    # 日次リターンの絶対値 / 日次ドル出来高の平均
    returns = hist["Close"].pct_change().dropna()
    dollar_volume = (hist["Close"] * hist["Volume"]).iloc[1:]  # リターンに合わせる
    amihud_values = returns.abs() / dollar_volume
    amihud = amihud_values[amihud_values.replace([np.inf, -np.inf], np.nan).notna()].mean()

    # --- 市場インパクト推定 (平方根モデル) ---
    # ADV の 1% の仮想注文の場合
    adv = avg_volume
    order_size = adv * 0.01
    daily_volatility = returns.std()
    sigma = daily_volatility
    participation_rate = order_size / adv if adv > 0 else 0
    impact_bps = sigma * np.sqrt(participation_rate) * 10000  # ベーシスポイント

    return {
        "ticker": ticker_symbol,
        "current_price": round(current_price, 2),
        "bid": bid,
        "ask": ask,
        "spread": spread,
        "spread_pct": spread_pct,
        "avg_daily_volume": int(avg_volume),
        "median_daily_volume": int(median_volume),
        "avg_dollar_volume": round(avg_dollar_volume, 0),
        "volume_cv": round(volume_cv, 3) if volume_cv else None,
        "shares_outstanding": shares_outstanding,
        "float_shares": float_shares,
        "turnover_ratio": turnover_ratio,
        "amihud_illiquidity": round(amihud * 1e9, 4) if not np.isnan(amihud) else None,
        "daily_volatility": round(daily_volatility * 100, 2),
        "impact_1pct_adv_bps": round(impact_bps, 2),
        "observations": len(hist),
    }

A2: 解釈して提示

サマリーカードとして提示します。Amihud 流動性不足率については、読みやすさのために 1e9 で乗算します (標準的な慣例)。

流動性グレード (米国株式の大まかなしきい値を使用):

グレード	平均ドル出来高	スプレッド (%)	Amihud (×10⁹)
非常に高い	> $500M/日	< 0.03%	< 0.01
高い	$50M–$500M/日	0.03–0.10%	0.01–0.1
中程度	$5M–$50M/日	0.10–0.50%	0.1–1.0
低い	$500K–$5M/日	0.50–2.00%	1.0–10
非常に低い	< $500K/日	> 2.00%	> 10

複数のティッカーを比較する場合、並べて比較テーブルを表示し、どちらがより流動的であり、その理由を強調します。

---

サブスキル B: スプレッド分析

目標: 現在のスプレッド、オプションデータの過去コンテキスト、および実効スプレッド推定値を含む詳細な Bid-Ask スプレッド分析。

B1: 相場からの現在のスプレッド

import yfinance as yf

def spread_analysis(ticker_symbol):
    ticker = yf.Ticker(ticker_symbol)
    info = ticker.info

    bid = info.get("bid", 0)
    ask = info.get("ask", 0)
    bid_size = info.get("bidSize", None)
    ask_size = info.get("askSize", None)
    current_price = info.get("currentPrice") or info.get("regularMarketPrice", 0)

    result = {"bid": bid, "ask": ask, "bid_size": bid_size, "ask_size": ask_size}

    if bid > 0 and ask > 0:
        midpoint = (bid + ask) / 2
        result["absolute_spread"] = round(ask - bid, 4)
        result["relative_spread_pct"] = round((ask - bid) / midpoint * 100, 4)
        result["relative_spread_bps"] = round((ask - bid) / midpoint * 10000, 2)
    return result

B2: オプションスプレッドコンテキスト

yfinance のオプションデータには各ストライクの Bid/Ask が含まれており、これはデリバティブ流動性の感覚を提供します。最も近い満期を使用し、アット・ザ・マネー・コールとプットを抽出し、それぞれのスプレッドとスプレッド率を計算します。

references/liquidity_reference.md セクション 「オプションスプレッド分析」の完全なコードテンプレートを参照してください。

B3: 結果を提示

以下を表示します:

• 現在提示されているスプレッド (絶対値、相対 %、ベーシスポイント)
• 利用可能な場合は Bid/Ask サイズ
• コンテキスト用にアット・ザ・マネーのオプションスプレッド
• スプレッドがこの時価総額層の典型的な範囲とどのように比較されるか

---

サブスキル C: 出来高分析

目標: 取引出来高パターンを分析 — 平均値、トレンド、相対出来高、およびドル出来高。

C1: 出来高メトリクスを計算

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

def volume_analysis(ticker_symbol, period="3mo"):
    ticker = yf.Ticker(ticker_symbol)
    hist = ticker.history(period=period)

    if hist.empty:
        return None

    vol = hist["Volume"]
    close = hist["Close"]
    dollar_vol = vol * close

    # 相対出来高 (今日 vs 平均)
    rvol = vol.iloc[-1] / vol.mean() if vol.mean() > 0 else None

    # 出来高トレンド (期間における線形回帰傾斜)
    x = np.arange(len(vol))
    slope, _ = np.polyfit(x, vol.values, 1) if len(vol) > 1 else (0, 0)
    trend_pct = (slope * len(vol)) / vol.mean() * 100  # 期間にわたる % 変化

    # 曜日別出来高プロファイル
    hist_copy = hist.copy()
    hist_copy["DayOfWeek"] = hist_copy.index.dayofweek
    day_names = {0: "月", 1: "火", 2: "水", 3: "木", 4: "金"}
    vol_by_day = hist_copy.groupby("DayOfWeek")["Volume"].mean()
    vol_by_day.index = vol_by_day.index.map(day_names)

    # 高出来高 / 低出来高の日
    high_vol_days = hist.nlargest(5, "Volume")[["Close", "Volume"]]
    low_vol_days = hist.nsmallest(5, "Volume")[["Close", "Volume"]]

    return {
        "avg_volume": int(vol.mean()),
        "median_volume": int(vol.median()),
        "avg_dollar_volume": round(dollar_vol.mean(), 0),
        "current_volume": int(vol.iloc[-1]),
        "relative_volume": round(rvol, 2) if rvol else None,
        "volume_trend_pct": round(trend_pct, 1),
        "volume_by_day": vol_by_day.to_dict(),
        "high_vol_days": high_vol_days,
        "low_vol_days": low_vol_days,
        "max_volume": int(vol.max()),
        "min_volume": int(vol.min()),
    }

C2: 結果を提示

以下を表示します:

• 平均日次出来高 (株式およびドル) — 比較用に中央値
• 相対出来高 (RVOL) — 本日の出来高 vs 平均。RVOL > 1.5 は上昇; RVOL < 0.5 は異常に静か
• 出来高トレンド — 取引活動は増加または減少しているか?
• 曜日パターン (意味のある変動が存在する場合)
• トップ 5 の最高出来高日とコンテキスト (決算? ニュース?)

---

サブスキル D: オーダーブック深度

目標: 株式相場およびオプションチェーンから利用可能な Bid/Ask データを使用してオーダーブック深度を推定します。

Yahoo Finance は完全なレベル 2 / オーダーブックデータを提供していません。この制限について明確にしてください。私たちが実行できること:

1. 株式相場: 相場の頂点のみから bid, ask, bid size, ask size
2. オプションチェーン: ストライク全体の Bid/Ask およびオープンインタレストはデリバティブ深度のプロキシを提供
3. イントラデイ出来高分布: 連続市場がどのくらい深いかを示唆している、1 日内での出来高分布

D1: 利用可能な深度データを収集

3 つのデータポイントを収集します:

1. 相場の頂点 — ticker.info からの bid, ask, bidSize, askSize
2. イントラデイ出来高分布 — 過去 5 日間の 5 分足、時間ごとにグループ化され、日次出来高の割合に正規化
3. オプションオープンインタレスト — 最近の満期からの総コール/プット OI とボリュームをデリバティブ深度プロキシとして

references/liquidity_reference.md セクション 「オーダーブック深度プロキシ」の完全なコードテンプレートを参照してください。

D2: 結果を提示

以下を表示します:

• 相場の頂点: サイズ付きの現在の Bid/Ask
• イントラデイ出来高形状: 出来高が集中する場所 (オープン/クローズ vs 昼間)
• オプション深度: デリバティブ流動性のプロキシとしての合計オープンインタレストとボリューム
• 正直な制限: 「Yahoo Finance は相場の頂点のみを提供します。完全なレベル 2 深度については、直接マーケットデータフィード (例: NYSE OpenBook、NASDAQ TotalView) が必要です。」

---

サブスキル E: 市場インパクト

目標: 平方根市場インパクトモデルを使用して、指定された注文サイズが価格をどのくらい動かすかを推定します。

実務で使用されている標準モデルは: インパクト (%) = σ × √(Q / V) です。ここで σ は日次ボラティリティ、Q は注文サイズ (株式)、V は平均日次出来高です。これは制度投資家が使用する Almgren-Chriss フレームワークの簡略版です。

E1: 市場インパクト推定値を計算

import yfinance as yf
import numpy as np

def market_impact(ticker_symbol, order_shares=None, order_dollars=None, period="3mo"):
    ticker = yf.Ticker(ticker_symbol)
    hist = ticker.history(period=period)
    info = ticker.info

    if hist.empty:
        return None

    current_price = info.get("currentPrice") or hist["Close"].iloc[-1]
    avg_volume = hist["Volume"].mean()
    daily_volatility = hist["Close"].pct_change().dropna().std()

    # 注文サイズを株式で決定
    if order_dollars and not order_shares:
        order_shares = order_dollars / current_price
    elif not order_shares:
        # デフォルト: 様々なサイズで推定
        order_shares = avg_volume * 0.01  # ADV の 1%

    participation_rate = order_shares / avg_volume if avg_volume > 0 else 0
    pct_adv = (order_shares / avg_volume * 100) if avg_volume > 0 else 0

    # 平方根インパクトモデル
    impact_pct = daily_volatility * np.sqrt(participation_rate) * 100
    impact_bps = impact_pct * 100
    impact_dollars = impact_pct / 100 * current_price * order_shares

    # 複数の注文サイズのインパクト曲線を生成
    sizes = [0.001, 0.005, 0.01, 0.02, 0.05, 0.10, 0.20, 0.50]  # ADV の分数
    curve = []
    for s in sizes:
        q = avg_volume * s
        imp = daily_volatility * np.sqrt(s) * 100
        curve.append({
            "pct_adv": round(s * 100, 1),
            "shares": int(q),
            "dollars": round(q * current_price, 0),
            "impact_bps": round(imp * 100, 1),
            "impact_dollars_per_share": round(imp / 100 * current_price, 4),
        })

    return {
        "ticker": ticker_symbol,
        "current_price": round(current_price, 2),
        "avg_daily_volume": int(avg_volume),
        "daily_volatility_pct": round(daily_volatility * 100, 2),
        "order_shares": int(order_shares),
        "order_dollars": round(order_shares * current_price, 0),
        "pct_of_adv": round(pct_adv, 2),
        "estimated_impact_bps": round(impact_bps, 1),
        "estimated_impact_pct": round(impact_pct, 4),
        "estimated_impact_total_dollars": round(impact_dollars, 2),
        "impact_curve": curve,
    }

E2: 結果を提示

以下を表示します:

• ユーザーの特定の注文サイズの推定インパクト
• 注文サイズでコストがどのようにスケーリングするかを示すインパクト曲線テーブル
• コンテキスト: 「これは平方根市場インパクトモデルを使用します。これは標準的な制度推定です。実際のインパクトは執行戦略 (VWAP、TWAP など)、時刻、および現在の市場条件に依存します。」
• インパクト > 50 bps の場合、注文は流動性に対して大きく、アルゴリズム実行の検討または複数日にわたる注文の分割をユーザーに提案することをフラグします

---

サブスキル F: 回転率

目標: 発行済み株式数および自由フロート相対で、株式がどのくらい活発に取引されるかを測定します。

F1: 回転メトリクスを計算

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

def turnover_analysis(ticker_symbol, period="3mo"):
    ticker = yf.Ticker(ticker_symbol)
    hist = ticker.history(period=period)
    info = ticker.info

    if hist.empty:
        return None

    avg_volume = hist["Volume"].mean()
    shares_outstanding = info.get("sharesOutstanding")
    float_shares = info.get("floatShares")

    result = {
        "avg_daily_volume": int(avg_volume),
        "shares_outstanding": shares_outstanding,
        "float_shares": float_shares,
    }

    if shares_outstanding:
        daily_turnover = avg_volume / shares_outstanding
        result["daily_turnover_ratio"] = round(daily_turnover, 6)
        result["annualized_turnover"] = round(daily_turnover * 252, 2)
        result["days_to_trade_float"] = round(
            (float_shares or shares_outstanding) / avg_volume, 1
        ) if avg_volume > 0 else None

    if float_shares:
        float_turnover = avg_volume / float_shares
        result["float_turnover_daily"] = round(float_turnover, 6)
        result["float_turnover_annualized"] = round(float_turnover * 252, 2)

    # 回転トレンド
    vol = hist["Volume"]
    base = float_shares or shares_outstanding
    if base:
        hist_copy = hist.copy()
        hist_copy["turnover"] = hist_copy["Volume"] / base
        recent_turnover = hist_copy["turnover"].tail(20).mean()
        older_turnover = hist_copy["turnover"].head(20).mean()
        if older_turnover > 0:
            result["turnover_trend_pct"] = round(
                (recent_turnover - older_turnover) / older_turnover * 100, 1
            )

    return result

F2: 結果を提示

以下を表示します:

• 日次および年率回転率 (発行済み株式および自由フロート vs)
• 「フロート取引日数」 — 平均出来高でフリーフロート全体を回転させるのに必要な日数
• 回転トレンド — 株式がより積極的に取引されるようになってもなくなってもいるか?
• コンテキスト:

回転率 (年率)	解釈
> 500%	非常にアクティブ — おそらく投機的またはモメンタムドリブン
100–500%	アクティブに取引
30–100%	中程度のアクティビティ
< 30%	薄く取引 — 機関投資家の買持ちまたは無視される可能性が高い

---

ステップ 3: ユーザーに応答

適切なサブスキルを実行した後:

常に含める

• 過去メトリクスで使用した ルックバック期間
• データタイムスタンプ — スプレッドと相場はスナップショット。リアルタイムではありません
• 空のデータを返した ティッカー (無効なシンボル、上場廃止など)

常に注意

• Yahoo Finance 相場データは、ほとんどの取引所で 15 分遅延 — 表示されたスプレッドは現在のライブ市場を反映しないかもしれません
• 完全なオーダーブック (レベル 2) データは Yahoo Finance を通じて 利用できません
• 市場インパクト推定値は モデルです。保証ではありません — 実際の執行コストは戦略、タイミング、市場条件に依存します
• 流動性は 急速に変わる可能性があります — 今日流動的な株式は明日そうではないかもしれません (特にイベント、ハルト、またはアフターアワーズの周辺)

実用的なガイダンス (関連する場合に言及)

• ポジションサイズ: 推定インパクトが 25 bps を超える場合、ポジションは株式の流動性に対して大きすぎる可能性があります
• スモール / マイクロキャップ警告: < $1M 日次ドル出来高の株式は慎重な執行が必要です
• スプレッドコストは複合: ラウンドトリップ (買い + 売り) の 0.10% スプレッドは 0.20% のコスト — これは積極的な戦略で積み重なります
• 流動性プレミアム: より流動性の低い株式は歴史的に報酬として高いリターンを獲得 — しかし取引コストはこのプレミアムを消費できます

重要: 特定の取引を決して推奨しないでください。流動性データを提示し、ユーザーが自分の決定を下すようにしてください。

---

リファレンスファイル

• references/liquidity_reference.md — すべての流動性メトリクスの詳細な公式、拡張コードテンプレート、メトリクス解釈ガイド、および学術参考文献

正確な公式、エッジケース処理、または流動性メトリクスに関するより深い背景が必要な場合はリファレンスファイルを読んでください。