はてなブックマーク

# 1st screening import numpy as np import pandas as pd import matplotlib.pyplot as plt import yfinance as yf from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from sklearn.metrics import mean_squared_error import os import time import concurrent.futures from google.colab import drive # Google Drive

整理整頓から始める在宅トレード環境最適化 最近Python×株式投資：月利3〜5％を狙う自動スクリーニング戦略なんていう、ちょっと真面目で小難しい記事を書いたんですが、 ふと気づいたんですよ。 机、汚くね？ ↑説得力ゼロの作業環境。 株価予測コードをどれだけ力説しても、 机がこれでは、リターンも乱れるんじゃないかと。 ニトリの神ワゴンにすべてを託した というわけで、こちらの商品を衝動買い。 高さ調節ができるスチールワゴン トロリ4 コンパクト 画像はHPから引用させていただきました。 散らかった作業環境を一掃した救世主。 上段はキーボード・マウス類、中段は古いMacたち、下段はそのほか細々・日用品ストック用に分けて使います。 ✅ 狭いスペースにもぴったり ✅ キャスター付きで移動も楽 ✅ 天板を買うと小さい机がもう１個増える感じ 「投資ではなく設備に資金投入」です。 組み立ての様子は割愛

たくさんありますが、パターン4つごとに、RSIの範囲が変わっているだけです。MA乖離上限は4つごとに同じことを繰り返しています。 各スクリーニング日には地合いスコア（-3〜+3）をタグ付けしており、 これにより相場の状況によってどのパターンが機能しやすいのかも、あわせて検証できます。 テクニカル選抜の有効性について（バックテストの結果） 概要 1ヶ月後にプラスの平均リターン（3〜7%）を期待できるパターンが存在し、有効性のあるテクニカル選抜条件が含まれていると考えられました。 また、最適な選抜条件は地合いスコアによって異なることが示唆されました。以下では、スコアごとに結果を整理します。 ＜地合いスコア -3〜0＞ 相場が最も悪い「スコア -3」のときは、**RSIが低め（25〜50）かつMA乖離上限（ma_eps）が4〜8%**のパターンで、 シャープレシオが0.8以上、かつ銘柄数が20未