ボラティリティクラスタリング(Volatility Clustering)について

ボラティリティクラスタリング(Volatility Clustering)について:Google ColabのPythonでの相場環境分析

投資

2022.07.28 2022.06.24

マーケットの値動きは不安定（ボラタイル）な時期と、安定（ボラティリティが低い）時期が比較的固まって現れます。これをクボラティリティクラスタリングといいます。もう少し簡単な表現をすれば、動くときは”大きく動く時期”が固まってあらわれ、動かない時期は”あまり動かな時期”が固まって出現します。ボラティリティの出現は均等でなく、塊として可視化されます。これは地震が起こったのちに余震がしばらく発生するようなものと考えていただければイメージしやすいと思います。

現状（下記グラフの右端）を考えると今はボラティリティが上昇している時期と見てよいようです。

株価の変化率や収益率自体には自己相関は観測されませんが、一般的に言って、株価の収益率の２乗には自己相関が見られるといわれています。

そういった物を現状の株価で確認したり、Pythonを用いて検証してみたいと思います。

目標とすること
使用するツール
実際のコードとやっていること
ディスクレーマー

目標とすること

S&P500のボラティリティと変化率と、その出現傾向を調べる

使用するツール

使用するツールはGoogle Colaboratoryのpythonを使いますので、無料で、簡単に行うことができます。Google Colaboratoryについては以前書いた記事をご参照いただければと思います。

実際のコードとやっていること

実際のコードは以下の通りです。

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

import yfinance as yf
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import datetime

start_D="2000-1-1"
end_D=datetime.date.today()
codelist1 = ["^GSPC"]

data2 = yf.download(codelist1, start=start_D, end=end_D)

display(data2.dropna().head(1).append(data2.dropna().tail(1)))
data2["Adj Close"].plot()
plt.show()

今回はデータは2000年以降の物を利用することにしました。また始値：高値：安値：終値：分割など調整後の終値：出来高などが取得できているようです。

ボラティリティとして高値と安値の差を前日終値との比較で行います。

収益率、変化率は調整後の終値（Adj Close）を利用します。

df=data2["2000/1/1":].copy()
df["HL"]=(df["High"]-df["Low"])/df["Adj Close"].shift()
df["pct"]=df["Adj Close"].pct_change()

plt.rcParams["font.size"] = 18
import matplotlib.dates as mdates
yyyymm=mdates.DateFormatter('%y/%m')
fig, (ax1,ax2,ax3)= plt.subplots(3,1,figsize=(10,9), 
                                      gridspec_kw = {'height_ratios':[1,1,1]},sharex=True)
ax1.plot(df.index,df["HL"],label="HL")
ax1.legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)  
ax1.grid(True)
ax2.plot(df.index,df["pct"],label="pct")
ax2.legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)  
ax2.grid(True)
ax3.plot(df.index,df["pct"].cumsum(),label="cumsum")
ax3.legend(loc='center left', bbox_to_anchor=(1, 0.5), fontsize=18)  
ax3.grid(True)

Zone1_start = datetime.datetime(2007,10,1)
Zone1_end = datetime.datetime(2009,3,1)
ax1.axvspan(Zone1_start,Zone1_end, color = "gray", alpha=0.3)
ax2.axvspan(Zone1_start,Zone1_end, color = "gray", alpha=0.3)
ax3.axvspan(Zone1_start,Zone1_end, color = "gray", alpha=0.3)