【コピペで動く！】「新規保険失業申請件数の反転」は未来を占うのか？！　(Python コードあり)　Twitterで出てくる知見は本当か自分で調べてみよう。2【違いをみつけろ！】

Twitterで出てくる知見は本当か自分で調べてみるシリーズです。雰囲気や、特定の誰かが言っているからではなく、事実やデータに基づいた分析や判断を行う事ができるようになります。

元記事は　2019/12/22 noteに書いた記事になります。

Twitterで出てくる知見は本当か自分で調べてみよう。2 「新規保険失業申請件数の反転」(Python コードあり)｜TF

ーーーーーーーーーーー2021/07/29　追記ーーーーーーーーーーー今後こちらに移行します。 Twitterで出てくる知見は本当か自分で調べてみよう。2 「新規保険失業申請件数の反転」(Python コードあり) - worth2know.comTwitterで出てくる知見は本当か自分で調べてみよ...

以前のコードでは動かくなっているようですので、こちらのサイトで修正したものをリライトして、載せていきます。

2021/07/29時点で以下のコードはエラーなく動いていることを確認しています。

前回の記事「Twitterで出てくる知見は本当か自分で調べてみよう。1 (Python コードあり)」に引き続きの記事になります。

今回は「新規保険失業申請件数の反転」に関する記事です。

リスク資産が堅調で世界中がFOMOに取り憑かれている今こそ頭の片隅に入れておきましょう。

新規保険失業申請件数の反転や長短金利差の大幅な回復はリセッションへの道。 pic.twitter.com/PYftjB6p45
— クロノスの商人 (@ChronoMerchant) December 21, 2019

アメリカ株は史上最高値を更新中で皆さん油断してませんか？
「鉱山のカナリア」的に危険を事前に教えていただけることもあります。

なぜ、「新規保険失業申請件数の反転」が大事なのでしょうか？
それは株価指数や、景気循環と関係があるのでしょうか？

自分で調べてみましょう！
前回同様、命の次に大事なお金が減ることを考えたら、

必要ないはやらなくていいけど、
めんどくさいはやる！

の精神です。

今回もGoogle Colaboratoryのpythonを使うことにします。

まずは失業者のデータですが、これはFederal Reseveのデータを利用します。

Federal Reserve Economic Data | FRED | St. Louis Fed

Download, graph, and track 824,000 economic time series from 114 sources.

今まではYahooの株価データばかりでしたが、Fredのデータを利用すると失業率や、米国債のデータなどもPythonから利用することができます。

今回利用するのは
IC4WSA : 4-Week Moving Average of Initial Claims
ICSA : Initial Claims　新規失業保険申請件数　です。

ブレがある数字なので、４週の平均を使ってみます。
Pythonで関数をちょっと利用してみます。

また、グラフを左右に二つ並べるタイプの表示をしています。

import datetime
import pandas_datareader.data as web
import matplotlib.pyplot as plt
import matplotlib.dates as mdates

start_D="1990-1-7"
end_D="2019-12-31"

data2 = web.DataReader([
   "IC4WSA",
   "ICSA",
], "fred", start_D, end_D)

def SidePlot(df_all):
       dateformat=mdates.DateFormatter('%y/%m/%d')
       plt.rcParams["font.size"] = 18
       fig, axs = plt.subplots(1,2, figsize=(15, 8),sharey=False)
       axs[0].plot(df_all.index,df_all,linewidth = 3.0)
       axs[0].grid(True) 
       axs[0].xaxis.set_major_formatter(dateformat)
       for code in df_all.columns :
           axs[1].plot(df_all[code][zone_start:].index,df_all[code][zone_start:],linewidth = 3.0,label=code)
           
       axs[1].legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)   
       axs[1].grid(True) 
       axs[1].xaxis.set_major_formatter(dateformat)
       fig.autofmt_xdate() #x軸のオートフォーマット    

df_tmp=data2.copy()
zone_start="2017-1-1"
df_tmp.columns=["4week Ave.  Initial Claims","Initial Claims"]
plotlist=["4week Ave.  Initial Claims"]

SidePlot(df_tmp[plotlist])

左側が全期間で、右側のものが直近のものになります。

もともとのグラフは文字がつぶれていて見にくいですが2008年以降でしょうか。600,000 (600K)からの下落で200,000 (200K)での反転でしょうか。

なにか直近再度上昇しそうな、、そんな気配を感じます。反転すると何か問題なのでしょうか。株式指数の値動きを比較をしてみましょう。

S&P500のデータを読み込んで新規失業保険申請件数との比較を可視化します。上下にグラフをプロットし、Ｘ軸を共有化します。

!pip install yfinance --upgrade --no-cache-dir

import yfinance as yf

codelist1 = [
"^GSPC",
]

df3 = yf.download(codelist1, start=start_D, end=end_D)

plt.rcParams["font.size"] = 18
yyyymm=mdates.DateFormatter('%y/%m')
fig, (ax1 ,ax2 )= plt.subplots(2,1,figsize=(10,9), 
                                      gridspec_kw = {'height_ratios':[1, 1]},sharex=True)
ax1.plot(data2.index,data2["IC4WSA"],label="IC4weekMA")
ax1.legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)  
ax1.grid(True)
ax2.plot(df3.index,df3["Adj Close"],label="SPX")
ax2.set_yscale('log')
ax2.legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)  
ax2.grid(True)