スポット購入検討　疑似ビットコイン～相関性の高い銘柄Top10

前回の続きで、スポット購入する株の検討です。宝くじドリーム枠の検討です。
BTCと相関性の高いTOP10銘柄と、銘柄の抽出方法も紹介しています。

宝くじ枠としては、ビットコインと連動性が高い銘柄の購入を考えています。

なぜビットコイン銘柄を買うのか
連動性の高い株の抽出方法
Alpha Vantage APIの使用方法
BTCと相関性の高い銘柄Top10
購入予定銘柄

なぜビットコイン銘柄を買うのか

ビットコインそのものに投資するより税金面でメリットがあるからです。
株式は分離課税で、利益に対し所得税・住民税あわせて20.315%税金がかかりますが、ビットコインの場合、雑所得に分類され総合課税となります。所得にもよりますが税金が高くなってしまいます。

もしビットコインと同じ動きをする株があるのなら、ビットコインの代わりに購入しておけば、利益が出たときの税金が安く済みます。また、損失が出た時も、他の株や投信の利益で相殺できます。

以前も疑似ビットコインとしてMSTRを保有していたのですが、ビットコイン上昇時に株価が上がらなかったため決済してしまっていました。

#BTC 下がりはじめたね、あがりっぱなしだと利益が出せないので上下することを期待🙏$MSTR は休場中にBTC上がった分は上昇せず、今下がっている分は反映されるので逃げて正解でした😅
— ほどしば💡氷河期FIRE (@hodoshiba) September 7, 2021

連動性の高い株の抽出方法

ビットコイン関連銘柄としては、MSTRの他、MARA, RIOT, TSLA, CLSK, BTBT, SQ, CAN, EBON, COIN, ICE, SI, BLK, DAPP等があげられます。以前MSTRとMARA, RIOTを比べたときは、MARAが良さそうな感じでした。

$MSTR よりも $MARA の方が最近の #BTC の動きに忠実。次検討するときは 1st choice は $MARA だな pic.twitter.com/rWWIe7242g
— ほどしば💡氷河期FIRE (@hodoshiba) September 8, 2021

見た目の感覚での判断だったので、今回は統計的に相関性の高いものを抽出することにしました。やり方としては、米国株のヒストリカルデータをダウンロードし、各銘柄に対しBTCとの相関係数を計算し、一番値の高い銘柄を選択するという方法です。

ヒストリカルデータのダウンロードや相関係数の計算にはPythonのpandas_datareaderを使うと便利です(便利でした)。

ただ、作業を始めてみたら、pandas_datareaderがエラーしてヒストリカルデータが入手できない！?
急遽別の方法、Alpha Vantage APIを使用することにしました。

Alpha Vantage APIの使用方法

Alpha Vantage APIは、https://www.alphavantage.co/support/#api-key で無料のAPIキーを入手して使用します。以下はヒストリカルデータをダウンロードしたときのPythonコードです。

import requests
import time

TIC = [ダウンロードしたいTickerコードのリスト]
TIC.sort() 

api_key = "入手したAPI"

try:
    HIST
except NameError:
  HIST = {}

for i in range(len(TIC)):
 key = TIC[i]
 if key in HIST:
   print("Skip Loading %s ... " % (key))
   continue
 print("Loading %s ... " % (key))
 url = "https://www.alphavantage.co/query?function=TIME_SERIES_DAILY_ADJUSTED&symbol=%s&apikey=%s" % (key, api_key)
 r = requests.get(url)
 HIST[key] = r.json()
 time.sleep(12)

url = "https://www.alphavantage.co/query?function=DIGITAL_CURRENCY_DAILY&symbol=BTC&market=CNY&apikey=%s" % (api_key)
 r = requests.get(url)
 btc = r.json()

Alpha Vantage APIには、1分間で5回までのアクセス制限と、1日500回までのダウンロード制限があります。ですので1銘柄ダウンロードするたびに12秒Waitをかけています。ヒストリカルデータは日足で100日分となっています。

次に、ダウンロードしたヒストリカルデータを使って相関係数を計算していきます。
※ かなり冗長なコードですが、計算結果が得られることを優先しています。

import numpy as np
import math

from operator import itemgetter

x=[]
y=[]
res = []
for key in TIC:
 if len(HIST[key])==1 :
  continue
 x=[]
 y=[]
 d=-1
 for i in HIST[key]["Time Series (Daily)"]:
  d=d+1
  if d % 1 != 0 :
   continue
  y.append(float(HIST[key]["Time Series (Daily)"][i]['5. adjusted close']))
  x.append(float(btc['Time Series (Digital Currency Daily)'][i]['4b. close (USD)']))
 x.reverse()
 y.reverse()

 x2=[]
 y2=[]
 for i in range(len(x)):
  if i==0 :
   continue
  x2.append(math.log(x[i]/x[i-1]))
  y2.append(math.log(y[i]/y[i-1]))

 coef = np.corrcoef(np.array(x2), np.array(y2))
 res.append([key, coef[0][1]])

for k in (sorted(res, key=itemgetter(1), reverse=True)):
 print("%s %f" % (k[0], k[1]))

これで相関係数が高い銘柄順にソートされて出力されます。