2023年1-2月かふかふ売買報告書 ~Python、ChatGPTを活用~
直近2か月の売買の記録です。
上矢印が購入、下矢印が売却です。
売買理由
2023年1月18日の日銀金融政策決定会合に注目しており、2022年12月20日の日銀金融政策決定会合のような金融緩和縮小があっても良いように、円ヘッジをしようと考えました。米国株依存度を下げるイメージです。
1月14日くらいに、内需等に強いと思われる、1489(配当5%),1615(銀行),1651(配当,3%)を選定し、購入しました。
銀行株に関しては、思っていたような値動きではなかったので、2月中旬に利確しました。
高配当株を選定した理由は、NIkkei225はSP500と連動性が高い円安系指数なので嫌だったこと、そこそこ手数料が安いETFであったからです。銀行、商社、鉄など。
米国株
GAFAMTの決算見通しが悪く、QQQを売りました。
SP500は、PER水準がボックス相場の上値に近いという判断で売りました。
NOBLは積み立てています。（tracers配当貴族投信)
その他株式
中国経済再開で買いましたが、だめですね。
ドル安シフトで得するのは債務国である新興国だと思ったのですが、中国・台湾・インドはどれもあんまり世界インフレと連動しておらず、VWOやFMも微妙ですね。
むしろ、ドル安シフト（というよりはインフレピークアウト）で強いのはEU株でした。
世界の分断が、グローバルマクロの値動きにも影響があったのだと考えました。
債券
米国短期債の値動きと日本円の値動きが変わらないので、円高に強い日本円に変換しました。
一方で、米国超長期債券(EDV)は日本円以上に円高に強いので、買いました。
ゴールド・通貨
ゴールド上がっていると買いたくなるんですけど、買いタイミングがいつも悪いです。
PythonCoding
Python始めました。
練習で株価データ抽出してグラフ化しました。
import pandas as pd
import yfinance as yf
import cufflinks as cf
#日本株
symbolsT=["1489","1615","1651","1545","2620","2647","2563","2558"]
symbolsT = sorted(symbolsT)
symbolsTT = [str(i) + ".T" for i in symbolsT]
#米国株
symbolsUS = ["TQQQ", "NOBL", "CXSE", "EDV", "GLDM","JPY=X"]
symbolsUS = sorted(symbolsUS)
symbols = symbolsTT + symbolsUS
#期間
start_date = '2023-01-01'
end_date = '2023-03-03'
#ダウンロード
#規格化
#日本株のtickerを指数名に変換
df = df.sort_values(by=['コード'])
df2 = df[df['コード'].isin([int(s.split('.')[0]) for s in symbolsT])].rename(columns={"コード": "コードT"})
symbolsTTT = df2['対象指標'].tolist()
symbols2 = [f"{code}.T" if str(code).isdigit() else code for code in symbolsTTT + symbolsUS]
normalized_ETF.columns = symbols2
ETF.columns = symbols2
#プロット
iplot(ETF.dropna().iplot(asFigure=True, subplots=True,subplot_titles=True,shape=(7,2),dimensions =(1500,1000)))
AIで説明文を生成してみました。
#このコードでは、まず日本株と米国株の銘柄コードをリストで定義します。次に、yfinanceライブラリを使用して、指定された銘柄の株価データをダウンロードし、データを整形しています。ダウンロードしたデータは、欠損値を削除して、最初の行で割ります。その後、Pandasのread_html関数を使用して、日本株のETFに関する情報があるウェブページからテーブルデータを取得し、必要な情報を抽出します。これらの情報を使用して、グラフをプロットし、それぞれのグラフに銘柄名を表示します。
cufflinksのiplotをチュートリアル参考にしました。