【日本株対応】Pythonで株価のローソク足データを取得する方法まとめ【CSV、ライブラリ、スクレイピング】
方法①はシンプルでは手軽に利用できますが、データ読み込み後のデータ整形作業が必要になります。 また、複数の銘柄の株価データを集める際には手間がかかります。 1つの銘柄で、なおかつ1度限りの分析であれば有効と思いますが、繰り返し分析したり、複数銘柄を扱いたい場合には不便です。 データ取得の手順を解説ここからは、Investing.comから株価データをCSV形式でダウンロードして、Pythonで読み込み、データ整形するまでの手順を解説します。 *無料登録が必要です。株価データを取得するには無料の会員登録が必要になります。 必要なのはこれだけです。 お金もかからないので余裕ですね。 銘柄を検索してCSVファイルをダウンロード会員登録を済ませてログインすると株価データをCSV形式でダウンロードできるようになります。 データは日足、週足、月足から選択することができます。 Investing.com
初心者のための測度論的確率論 ~ Pythonコードを添えて ~ - Qiita
測度論的確率論をの初歩的な部分を、コードも交えながら気持ち優先で解説したいと思います。 自分の勉強内容のアウトプットも兼ねています。 動機 技術的な書籍を読んでいて、確率という概念を自分の中できちんと整理したいと思うようになったこと、そしてそれをアウトプットしたいと思ったことが動機です。 確率という概念は、機械学習やデータ分析、情報科学といった分野の基礎知識として多数用いられています。私の本職はネットワークエンジニアで、仕事でこの辺りに触れることはないのですが、流行りものが好きでよくこの手の入門書に手を出しては休日に眺めています。 しかし、その中でどうしても気になっていることが1つあります。 それは、多くの書籍で確率という概念が非常に曖昧に用いられていることです。特に、確率変数、確率分布という言葉の定義がかなり曖昧に済まされている場合が多いと感じています。 数式を用いた論理展開を主軸にした
Data Science by R and Python
はじめに ほんと、久々の更新になってしまいました。。。 いまだに月間で1000PVほど見られているようでとてもありがたく思いますm(_ _)m 最近も変わらず因果推論の研究を中心に行っておりますが、それ関連の内容はまた機会をみてblogで書いていければと思っています。 また先日、twitterで公開したこちらのスライドもたくさんの方に見ていただけまして、コメントも頂けたりして、とても嬉しく、励みになっています。 speakerdeck.com また、少しずつではありますが更新いたしますので、たまに覗いていただければ嬉しいです。 では、本題にまいります。 今回の更新 とはいっても、今日の更新は、大した内容ではなく、pythonでstepwise regressionの関数で自分がほしいものがないので、つくりましたという内容です。 Stepwise Regressionについて 特に、回帰モデ
Monte Carlo Note
ファイナンス 金融工学 譲渡予約権とは何か。新株予約権（ストック・オプション）との違いと評価手法について。 この記事では、譲渡予約権とはなにか、譲渡予約権の価値をどのように評価すればよいかについてまとめる。 譲渡予約権は企業の資本政策や経営者等のインセンティブ設計に活用することができると言われている。 しかし、その内容、特に新株予約権との違いについてあまり情報がなく、譲渡予約権の評価に... 数学 統計学 対数正規分布の和、幾何ブラウン運動の和、リスク資産ポートフォリオ 対数正規分布に従う確率変数の和の分布は、対数正規分布になるとは限らない（再生性がない）。 一方、幾何ブラウン運動に従う確率過程は、時点を１つ固定したときの確率変数の分布が対数正規分布となるが、幾何ブラウン運動に従う確率過程の和の確率過程は、幾何ブラウン運動に類する... IT R RとRStudioをアップデートする方法。
Yukkuri Machine Learning
機械学習システムの設計に関して、今回は要件定義をするにあたって重要なポイントをまとめます。また、ML目標の決め方やMLアルゴリズムを簡単に紹介しています。
PyCaretからAutoVizを使用して探索的データ分析（EDA）を簡単に行ってみる - DATAFLUCT Tech Blog
こんにちは！nakamura（@naka957）です。本記事では、PyCaretで簡単に探索的データ分析を行う方法をご紹介します。 探索的データ分析（Explanatory Data Analysis: EDA）とは、データセットを様々な視点から分析し、データを考察することを目的に行うことです。EDAで得られた知見や仮説を活用し、その後のデータ分析や機械学習モデルの構築を有効に行うことができます。 データを考察するための最も有効な手法は、可視化することです。そのため、データを可視化するスキルはEDAにおいて非常に重要になります。本記事ではEDAを目的とした可視化する方法をご紹介します。 では、早速始めていきます。 PyCaretとは AutoVizとは ライブラリのインストール 実行の前準備 EDAの実行 散布図 棒グラフ 密度分布 Violinプロット ヒートマップ（相関係数） Auto
Python 3.15からデフォルトのエンコーディングがUTF-8になります - methaneのブログ
Pythonがファイルを開くときなどに使われるエンコーディングはロケール（WindowsではANSIコードページ）依存でした。 Unixの世界ではどんどんUTF-8ロケールが一般的になっている一方、WindowsのANSIコードページはなかなかUTF-8になりません。 そのために、Unixユーザーが open(filepath) のようにエンコーディングを指定しないままUTF-8を仮定するコードを気軽に書いてしまって、Windowsユーザーがエラーで困るといった問題が発生します。 また、Windowsでもメモ帳（Notepad.exe）やVSCodeはすでにUTF-8をデフォルトのエンコーディングで使用しています。ANSIコードページがUTF-8になるのを待っていたらどんどん周りの環境から置いていかれ、レガシー化してしまいます。 Pythonがデフォルトで利用するエンコーディングをWind
[確率思考の戦略論] 1.確率理論の導入とプレファレンスの数学的説明
import numpy as np import scipy from scipy.stats import binom %matplotlib inline %config InlineBackend.figure_format = 'svg' import matplotlib import matplotlib.pyplot as plt import seaborn as sns print("numpy version :", np.__version__) print("matplotlib version :", matplotlib.__version__) print("sns version :",sns.__version__) numpy version : 1.18.1 matplotlib version : 2.2.2 sns version : 0.8.1
![[確率思考の戦略論] 1.確率理論の導入とプレファレンスの数学的説明](https://cdn-ak-scissors.b.st-hatena.com/image/square/1c2288eb344765bc26ac66fb71d3ea3b95ee9641/height=288;version=1;width=512/https%3A%2F%2Fwayama.io%2Fimages%2Favatar.webp){kind=avatar}
scipyを使って特徴量の相関を考慮したマハラノビス距離を計算する - Qiita
はじめに 本連載について こんにちは，(株)日立製作所 Lumada Data Science Lab. の露木です。 化学プラントや工場設備，あるいはもっと身近なモーターや冷蔵庫などの故障予兆検知を行う際に，振動や音，温度，圧力，電圧，消費電力のような値を取得できる複数のセンサーで測定した多次元の時系列数値データを分析することがあります。このような故障予兆検知は，機械学習の分野では異常検知問題として解くことができます。 そこで本連載では時系列数値データの異常検知を最終目標とし，数回の記事に分けてアルゴリズムの基礎的な説明と実装を示していきます。初回の本稿では，後に説明する異常検知アルゴリズムの出発点となるマハラノビス距離について取り上げます。 第1回. scipyを使って特徴量の相関を考慮したマハラノビス距離を計算する (本稿) 第2回. ホテリングの$T^2$法による多変量正規分布を仮
中心極限定理をPythonで証明してみた - case-kの備忘録
記事を見て頂きありがとうございます。今回は中心極限定理について記事を書いてみました。中心極限定理について二項分布・正規分布・ポアソン分布を用いて説明します。 本記事の目的 中心極限定理とは 中心極限定理のシュミレーション 確率分布 正規分布とは 正規分布の特徴 二項分布とは ポアソン分布とは 中心極限定理のメリット 各分布の利用用途 正規分布活用CASE： 二項分布活用CASE： ポアソン分布活用CASE： 本記事の目的 本記事は以下を目的としています ・中心極限定理のメリットや活用用途の理解 ・実際に動かして学び理解を深める 中心極限定理とは 中心極限定理とはサンプルサイズが大きい時は、母集団分布が分からなくても、確率変数の和は正規分布に近いものとなることです。 中心極限定理は母集団がいかなる分布に従っていても、正規分布として扱うことができるのがメリットで、実際のユースケースでいうと標準
Python＋数学講座と機械学習講座が無料に Pythonでデータの抽出から可視化までが可能に | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
【今度こそ】「ゼロから作るDeep Learning」をiPhoneのCarnetsだけで学ぶ - Narrateur de Jeu
少し間が空きました。 ご報告 深層学習 これまでの振り返り Pythonista 3 の Numpy Numpy のアップデート 新たに見つけたアプリ Jupyter Notebook とは？ Numpy のバージョンを確認する Gist によるドキュメント管理とブログへの引用 そしてアノ問題へ Jupyter Notebook での画像表示問題 いざ実行 ご報告 昨年の7月から始めていたザ・レスポンスの20万円の講座「セールスライター認定コース」の半年の講座が終了したのが昨年末。それから認定試験に向けてコツコツと課題に取り組んできました。 令和2年2月11日(火) ついに課題を仕上げて提出しました。採点が行われて認定資格の合否が判定されます。結果が出るまではおおよそ1〜2ヶ月とあったので少しのんびり待つつもりです。 深層学習 ひと段落したので、これから少し本業に近いところで前に途中のまま
condaを使うべきか、pipを使うべきか
結論 まず初めに結論から述べますと、pipとcondaの併用は極力避けてください 絶対にするなというわけではありませんが基本的にはどちらかに統一するのがベターです 何故かと言うと、場合によってはPython環境がぶっ壊れて謎のエラー地獄に陥ることがあるからです これはpipとcondaではパッケージの管理方法の違いによって発生します 詳しくは以下で説明していきますね pipとcondaの違い 上記でも軽く説明しましたが、pipとcondaではパッケージの管理方法と適用範囲が違います まず適用範囲についてですが… pipはAnaconda上の仮想環境ごとにパッケージ管理するのに対して、condaはanaconda自体で管理します そのため、pipで入れたパッケージはその仮想環境のみに適用されますが、condaで入れたパッケージは仮想環境全体に自然と適用されます そしてこのシステムの厄介なとこ
ニューラルネットワーク入門
Pythonコードで理解するニューラルネットワーク入門 ニューラルネットワークの仕組みや挙動を、数学理論からではなく、Pythonコードから理解しよう。フルスクラッチでニューラルネットワーク（DNN：Deep Neural Network）を実装していく。 第1回 Pythonでニューラルネットワークを書いてみよう（2022/02/09） 本連載（基礎編）の目的 ・本連載（基礎編）の特徴 ニューラルネットワークの図 訓練（学習）処理全体の実装 モデルの定義と、仮の訓練データ ステップ1. 順伝播の実装 ・1つのノードにおける順伝播の処理 ・重み付き線形和 ・活性化関数：シグモイド関数 ・活性化関数：恒等関数 ・順伝播の処理全体の実装 ・順伝播による予測の実行例 ・今後のステップの準備：関数への仮引数の追加 第2回 図とコードで必ず分かるニューラルネットワークの逆伝播（2022/02/16）
日曜化学(3)：分子軌道法と可視化（Python/matplotlib） - tsujimotterのノートブック
いよいよ 分子軌道 を計算してみたいと思います。 今回の記事の内容を理解するとエチレンやブタジエンやベンゼンなどの分子軌道が計算でき、それをPythonのプログラムで可視化できるようになります。 これまで３回に渡って書いてきた「日曜化学シリーズ」の記事ですが、今回がまさに集大成となっています。 過去の記事を前提にお話しますので、まだの方はシリーズの過去記事をご覧になってください。 tsujimotter.hatenablog.com （番外編の日曜化学(2.5)は読まなくても、今回の内容については大丈夫です。） 前回までの記事で計算したのは、水素様原子という 原子核が１つ・電子が１つ のものでした。 そうなると、原子核が２つ以上で電子が１つ の状況（つまり分子）を計算したくなると思います。 上記の状況はポテンシャルによって表すことができますので、ハミルトニアンに反映させればシュレーディンガ
Python言語による実務で使える100+の最適化問題 | opt100
はじめに 本書は，筆者が長年書き溜めた様々な実務的な最適化問題についてまとめたものである． 本書は，Jupyter Laboで記述されたものを自動的に変換したものであり，以下のサポートページで公開している． コードも一部公開しているが，ソースコードを保管した Github 自体はプライベートである． 本を購入した人は，サポートページで公開していないプログラムを 圧縮ファイル でダウンロードすることができる． ダウンロードしたファイルの解凍パスワードは<本に記述>である． 作者のページ My HP 本書のサポートページ Support Page 出版社のページ Pythonによる実務で役立つ最適化問題100+ (1) ―グラフ理論と組合せ最適化への招待― Pythonによる実務で役立つ最適化問題100+ (2) ―割当・施設配置・在庫最適化・巡回セールスマン― Pythonによる実務で役立つ
Wiresharkでできないことができる、パケット解析×プログラミング
新型コロナウイルス禍で企業ネットワークの姿が変わってきています。ネットワーク管理にも変化に対応した手法が求められています。この特集ではネットワークを流れるパケットをキャプチャーして収集し、Pythonとリレーショナルデータベースを用いて精度よく解析するための実践的なテクニックを紹介します。第2回はパケット解析のツールとしてよく使われる「Wireshark」で「できる」こと、「できない」ことを通してパケットキャプチャーにプログラミングを導入する背景やその考え方を解説します。 パケット解析をする際によく使われる「Wireshark」をご存じでしょうか。オープンソースソフトウエア（OSS）として現在も活発に開発が続けられています。もはや業界標準と言っても差し支えないポピュラーなツールです。パケットキャプチャーの参考書などでは必ずと言っていいほど取り上げられており、Wiresharkの使い方がパケ
エンジニアからデータサイエンティストへのキャリアチェンジのお供に「Pythonではじめる数理最適化」は良い教科書になるかもしれない - Lean Baseball
良い本良い魚良いお酒でした 秋も深まり, 緊急事態宣言が解除された今日このごろ, お酒を片手に読書がだいぶ捗るようになりました📖 酒と魚の話はさておき*1, 長いこと友人かつRetty時代の元同僚である岩永さん（とその仲間たち）*2が, 「Pythonではじめる数理最適化」なる書籍を出しました*3. Pythonではじめる数理最適化 ―ケーススタディでモデリングのスキルを身につけよう― 作者:岩永二郎,石原響太,西村直樹,田中一樹オーム社Amazon エンジニアな自分が読んだ感想として, 数理最適化でモデリングをする人だけでなく, エンジニアからデータサイエンティストへのキャリアチェンジを考えている人も必読なのでは? と思ったので, メモ代わりに感想（とちょっとしたコンテンツ）を残したいと思います. TL;DR 現実の課題・問題（主に仕事）をデータサイエンティストとして解きたい方の参考書
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
【第1回Python流体の数値計算】目標と環境構築。まずはここからはじめよう！｜宇宙に入ったカマキリ
数学×Pythonプログラミング入門
