相関関係が存在するため、特に先物などレバレッジが組み込まれた投資の場合、投資する際に 1 つの商品の情報だけを考慮することはできません。
相関分析とは何ですか
先物相関とは、2つの先物間の価格動向の近さに基づいて計算される統計指標であり、2つの先物間の相関の度合いを示すために使用されます。相関係数や共分散などの統計的手法は、先物品種間の相関を測定するためによく使用されます。
相関分析の役割は何ですか?
先物取引では、異なる品種間の相関関係が投資ポートフォリオのリスクとリターンに大きな影響を与える可能性があるため、先物相関分析は非常に重要です。相関分析の主な機能は次のとおりです。
-
投資ポートフォリオの最適化と投資リスクの軽減: 投資家は、相関性の低い先物商品を組み合わせてより分散された投資ポートフォリオを形成することで、投資リスクを軽減できます。ある品種が損失を被った場合、相関性の低い他の品種が保護的な役割を果たすことが多く、それによってポートフォリオ全体のリスクが軽減されます。
-
取引機会を見つける: 先物品種間の相関関係を分析することで、潜在的な取引機会を発見できます。異なる先物品種間に高い相関関係がある場合、市場におけるこれらの品種の価格傾向は類似していることが多く、取引のチャンスがいくつかあります。たとえば、パーム油が突然急落すると、菜種油も追随することがよくあります。また、先物取引では、先物間に相関関係があるため、ある商品をショートし、相関性の高い別の商品をロングすることで裁定取引が可能となります。
Python を使用して先物相関分析を実装する
Python では、numpy ライブラリの corrcoef 関数を使用して相関係数行列を計算することも、pandas または scipy を使用して相関係数行列を計算することも、ピアソン積率相関係数を自分で実装することもできます。numpy ライブラリの corrcoef 関数を例として説明します。
numpy.corrcoef(x, y=None, rowvar=True, bias=<no value>, ddof=<no value>, *, dtype=None)
機能: ピアソン積モーメント相関係数を計算して返します。サンプルコードは次のとおりです。
array_om = om_align['收盘'].values
array_dm = dm_align['收盘'].values
corr = np.corrcoef(array_om, array_dm)
print("corr is:" + str(corr))
複数の製品の相関行列を計算し、seaborn を使用して相関ヒート マップを描画できます。デモは記事の冒頭に示されています。
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(16,12))
sns.heatmap(df, cmap="YlGnBu", annot=True)
plt.show()
適切な相関係数はどれくらいでしょうか?
先物相関係数は -1 から +1 の間です。相関係数の絶対値が大きいほど相関が強くなり、相関係数が 0 に近づくほど 2 つの変数セット間の相関が弱くなります。
-
一般に、相関係数が 0.6 を超えると相関が高いとみなされ、相関係数が 0.3 ～ 0.6 の場合は相関が弱いと考えられます。もちろん、数学的な観点から厳密に言うと、相関係数が 0 に近いということは、2 つの変数が直線的な関係になく、曲線的な相関関係があることを示すだけですが、先物の場合は単純に無相関であると見なすことができます。
-
相関係数が 1 の場合は 2 つの変数セットが完全に正の相関関係にあることを意味し、相関係数が -1 の場合は 2 つの変数セットが完全に負の相関関係があることを意味します。
結論とコミュニケーション
先物に興味のある方は、公式アカウントをフォローして「グループに参加する」とリプライすると、先物投資取引所グループへの招待状が届きます（数に限りがございますので、お見逃しなく）。記事を書くのは簡単なことではありませんが、この記事が役に立ったと思われる場合は、高評価を押して転送していただけると、良い記事を書き続けるモチベーションになります。