オプショントレーダーによるJ-Quants API活用方法¶

マケデコハッカソン LT大会 presented by J-Quants
driller@patraqushe
分析用のソースコードなどは GitHubリポジトリで公開

お前誰よ¶

どりらん
日経225オプションをやってます
fin-py（Python x 金融のコミュニティ）
かいた本

今回はなすこと¶

普段オプショントレーダーがどのようにデータをみているか
- J-Quants APIから得られるデータだけ を使って紹介
オプションの優位性
- データだけでも宝の山
オプションのデータは大変
- 計算すること、前処理すること、分析するために加工することがたくさんある
- ある程度の経験がないと難しいが、J-Quants APIのデータをいい感じに前処理するライブラリを作ったので紹介
オプションデータを使ったトレード戦略
- 特にここ最近は非常に珍しい状態になっているので、この状況を活かした戦略を立てる

今回はなさないこと¶

グリークスとか小難しいはなし
- デルタ、ガンマ、ベガ、ボルガ、バンナ...

Q1: どちらを持って指したいですか？¶

shogi

先手☗ ロング（ショート）
後手☖ オプション

オプション¶

言葉の意味

選択
取捨
選択肢

オプション取引は無限の選択肢がある¶

ごくごく一部の例

ブル目線でありつつも急落に備える
急落した後のリバンドを狙うが、さらに急落した場合にも備える
ボラティリティの裁定取引
- ストライク
- 異限月
現物（原資産）のヘッジ

オプションのデータは宝の山¶

ボラティリティのデータを俯瞰することで、さまざまなことが読み取れる
相場参加者の恐怖・楽観・不安...
みんなが見ていないデータこそ価値がある

オプションのデータって...¶

とにかくデータが多い
とにかく計算しないといけない
とにかく前処理しないといけない

こんなこともあろうかと¶

ライブラリ（Pythonパッケージ）を作った
前処理不要
一発で可視化
ほかにもあると便利な機能

jquants-derivatives¶

J-Quants API Python クライアントライブラリ (jquants-api-client) のデリバティブ用ラッパー
J-Quants APIのスタンダード以上のプランが必要
GitHub: https://github.com/drillan/jquants-derivatives
PyPI: https://pypi.org/project/jquants-derivatives/

インストール¶

pipでインストール

pip install jquants-derivatives

データの取得¶

jquantsapi.Client クラスを継承しているので、jquants-api-client同じように使える

In [1]:

import jquants_derivatives

cli = jquants_derivatives.Client()

キャッシュ機能¶

リクエストしたデータはディスクに保存される
- sqlite3のデータベース
2回目以降はディスクから読み込まれる
- 高速な処理
- サーバに負荷をかけない ←重要！

In [3]:

%%time
df_20230605 = cli.get_option_index_option("2023-06-05")

CPU times: user 343 ms, sys: 313 ms, total: 657 ms
Wall time: 656 ms

キャッシュされたらデータからSQLでクエリできる¶

pip install ipython-sql

In [5]:

%load_ext sql

In [6]:

%sql sqlite:////home/driller/.jquants-api/jquantsapi.db

テーブルの一覧¶

In [7]:

%sql SELECT name FROM sqlite_master WHERE type='table';

 * sqlite:////home/driller/.jquants-api/jquantsapi.db
Done.

Out[7]:

name
FINS_ANNOUNCEMENT
FINS_DIVIDEND
FINS_STATEMENTS
INDICES_TOPIX
LISTED_INFO
MARKETS_BREAKDOWN
MARKET_SEGMENT
MARKET_SHORT_SELLING
OPTION_INDEX_OPTION
PRICES_DAILY_QUOTES
PRICES_DAILY_QUOTES_PREMIUM
PRICES_PRICES_AM
SECTOR_17
SECTOR_33
OPTION_INDEX_OPTION_PROCESSED

SELECT文によるクエリ¶

In [8]:

%sql SELECT Date, UnderlyingPrice, StrikePrice FROM OPTION_INDEX_OPTION LIMIT 3;

 * sqlite:////home/driller/.jquants-api/jquantsapi.db
Done.

Out[8]:

Date	UnderlyingPrice	StrikePrice
2021-02-12 00:00:00	29520.07	20000.0
2021-02-12 00:00:00	29520.07	20250.0
2021-02-12 00:00:00	29520.07	20500.0

pandasによるクエリ¶

In [9]:

import sqlite3
import pandas as pd

with sqlite3.connect(jquants_derivatives.database.db) as con:
    query_df = pd.read_sql(
        "SELECT Date, UnderlyingPrice, StrikePrice FROM OPTION_INDEX_OPTION", con
    )

query_df.head()

Out[9]:

	Date	UnderlyingPrice	StrikePrice
0	2021-02-12 00:00:00	29520.07	20000.0
1	2021-02-12 00:00:00	29520.07	20250.0
2	2021-02-12 00:00:00	29520.07	20500.0
3	2021-02-12 00:00:00	29520.07	20750.0
4	2021-02-12 00:00:00	29520.07	21000.0

型変換機能¶

DataFrameの各列はjquants_derivatives/modelsで定義したデータ型に自動で型変換される

@dataclass
class IndexOption(DataFrameColumnsBase):
    Date: np.dtype("datetime64[ns]")
    Code: str
    WholeDayOpen: float
    WholeDayHigh: float
    WholeDayLow: float
    WholeDayClose: float
    ...
    LastTradingDay: np.dtype("datetime64[ns]")
    SpecialQuotationDay: np.dtype("datetime64[ns]")
    SettlementPrice: float
    TheoreticalPrice: float
    BaseVolatility: float
    UnderlyingPrice: float
    ImpliedVolatility: float
    InterestRate: float

    @classmethod
    def get_dtype(cls, field: str) -> Type[Any]:
        key = field.replace("(", "").replace(")", "")
        return cls.__annotations__[key]

型変換とキャッシュ機能はjquants-api-clientにPRするかも？¶

もしこれらの機能を気に入ってくれるなら、本家に取り込んでもらいたい
現状は オプション四本値(/option/index_option) のエンドポイントにしか対応していない

Optionクラス¶

実務上扱いやすい形式に変換するクラス

In [10]:

from jquants_derivatives import Option

op_20230605 = Option(df_20230605, contracts=2)
op_20230605.contract_month

Out[10]:

['2023-06', '2023-07']

In [11]:

op_20230605.underlying_price

Out[11]:

{'2023-06': 32217.43, '2023-07': 32217.43}

In [12]:

op_20230605.contracts_dfs["2023-06"].head()

Out[12]:

	Date	Code	WholeDayOpen	WholeDayHigh	WholeDayLow	WholeDayClose	NightSessionOpen	NightSessionHigh	NightSessionLow	NightSessionClose	...	EmergencyMarginTriggerDivision	PutCallDivision	LastTradingDay	SpecialQuotationDay	SettlementPrice	TheoreticalPrice	BaseVolatility	UnderlyingPrice	ImpliedVolatility	InterestRate
0	2023-06-05	138067618	3.0	3.0	1.0	1.0	3.0	3.0	3.0	3.0	...	002	1	2023-06-08	2023-06-09	1.0	1.0000	0.195121	32217.43	0.513807	-0.000664
1	2023-06-05	188067718	3.0	4.0	1.0	2.0	3.0	4.0	3.0	3.0	...	002	1	2023-06-08	2023-06-09	2.0	2.0000	0.195121	32217.43	0.535335	-0.000664
2	2023-06-05	138067818	3.0	4.0	2.0	2.0	3.0	4.0	3.0	3.0	...	002	1	2023-06-08	2023-06-09	2.0	2.0844	0.195121	32217.43	0.520748	-0.000664
3	2023-06-05	188068018	3.0	4.0	1.0	2.0	3.0	4.0	3.0	3.0	...	002	1	2023-06-08	2023-06-09	2.0	2.0000	0.195121	32217.43	0.506194	-0.000664
4	2023-06-05	138068118	4.0	4.0	2.0	2.0	4.0	4.0	3.0	3.0	...	002	1	2023-06-08	2023-06-09	2.0	2.0000	0.195121	32217.43	0.491672	-0.000664

5 rows × 30 columns

ボラティリティの可視化¶

Plotlyによる可視化

In [13]:

# スライド表示用なので、実際にノートブックで実行するときはスキップしてください
import plotly.io as pio

pio.renderers.default = "png"

In [14]:

jquants_derivatives.plot_volatility(op_20230605).update_layout(width=800)

異なる日のデータを比較¶

In [15]:

df_20230602 = cli.get_option_index_option("2023-06-02")
op_20230602 = Option(df_20230602)
jquants_derivatives.plot_volatility(op_20230605, op_20230602).update_layout(width=800)

In [16]:

import pickle

with open("save_fig.pickle", "rb") as f:
    save_fig = pickle.load(f)

インプライドボラティリティと原資産価格を分析¶

In [17]:

save_fig["原資産価格(日経225)とインプライドボラティリティの時系列データ"]

原資産価格とボラティリティの騰落率¶

原資産価格が上昇→ボラティリティが下落（上げ剥げ:アゲハゲ）
原資産価格が下落→ボラティリティが上昇（下げ盛り:サゲモリ)

In [18]:

save_fig["原資産価格とボラティリティの騰落率"]

ボラティリティの上昇局面・下落局面においての原資産価格の分布¶

ボラティリティが上昇すると、ダウンサイドのテール
ボラティリティが下落すると、アップサイドのテール

In [19]:

save_fig["ボラティリティの上昇局面・下落局面においての原資産価格の分布"]

2023年5月は特殊な状況に¶

2019年以降、1076日中、上げ盛り（アゲモリ）は39日
直近では極めてめずらしいアゲモリ状態に

In [20]:

save_fig["原資産価格とボラティリティの騰落率（2023年5月以降のアゲモリ）"]

アゲモリ局面の原資産価格の分布¶

原資産価格とボラティリティの両方が1%以上上昇した場合、しばらくは原資産価格が上昇傾向にある

In [21]:

save_fig["アゲモリ局面の原資産価格の分布"]

アゲモリ局面の原資産価格とボラティリティの分布¶

原資産価格価格の上昇が続いても、ボラティリティは落ち着いていく

In [22]:

save_fig["アゲモリ局面の原資産価格とボラティリティの分布"]

アゲモリ局面のトレード戦略¶

原資産（先物）をロング
ボラティリティ(オプション）をショート
- ボラティリティだけをショートする方法はないので、実際にはVI先物やオプションを使う

In [23]:

save_fig["原資産をロングした場合の損益と、ボラティリティのショートを組み合わせた損益"]

2019年11月5日のボラティリティスマイル¶

無作為にアゲモリの最初のデータを抽出
特にコール側のボラティリティが盛っている

In [24]:

save_fig["2019年11月5日のボラティリティスマイル"]

トレード戦略（カバードコール）¶

原資産（先物12月限）をロング
- @23251.99
コールオプション（12月限23500）をショート
- @290

2019年11月6日のボラティリティスマイル¶

コール側のボラティリティが下落（アゲハゲ）

In [25]:

save_fig["2019年11月6日のボラティリティスマイル"]

トレード損益¶

原資産（先物12月限）をロング
- @23251.99 -> 23303.82 = 51.83
コールオプション（12月限23500）をショート
- @290 -> 295 = -5
損益: 46.8 = 1セット当たり: 46,800円
たんに先物をロングしたほうが儲かる？
- 仮に先物が下がっても満期までの下落が290円までなら、損益がプラスになる

どうやって分析したり可視化するコードを書くの？¶

今回の内容はこの本を読めば書けるようになるはず

まとめ¶

J-Quants APIから得られるデータだけでも、有効に使える
- 今回は時間が限らているので、活用方法のごく一例だけを紹介
データを活用するにはツールが必要 ← 作ったので使ってね
オプションを活用することでトレードの幅が広がる