機械学習（線形回帰）を使って株の売買シミュレーションを行う

import sqlite3
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

# SQLiteデータベースに接続
conn = sqlite3.connect('stock_data.db')

# tickerの一覧を取得
tickers = pd.read_sql_query("SELECT DISTINCT ticker FROM stock_price", conn)

# 結果を格納するための空のデータフレームを作成
results = pd.DataFrame()
counter =0

for ticker in tickers['ticker']:
    # tickerごとにデータを取得
    df = pd.read_sql_query(f"SELECT * FROM stock_price WHERE ticker='{ticker}'", conn)
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)

    # データフレームを営業日にリサンプリング（土日や祝日など、市場が開いていない日を除外）
    df = df.resample('B').mean(numeric_only=True)

    # テストデータの開始日と終了日を設定
    test_start_date = datetime(2021, 5, 1)
    test_end_date = datetime(2023, 5, 1)

    # 学習期間と移動平均期間の範囲を設定
    for training_period in range(5, 16):  # 5年から15年
        for ma_period in range(5, 51):  # 5日から50日
            try:
                # 学習データの開始日を設定
                train_start_date = test_start_date - timedelta(days=training_period*365)

                # 学習データとテストデータに分割
                train_df = df[train_start_date:test_start_date]
                test_df = df[test_start_date:test_end_date]

                # 移動平均を計算
                train_df = train_df.copy()
                train_df.loc[:, 'MA'] = train_df['close'].rolling(ma_period).mean()
                test_df = test_df.copy()
                test_df.loc[:, 'MA'] = test_df['close'].rolling(ma_period).mean()
                # 欠損値を削除
                train_df = train_df.dropna()
                test_df = test_df.dropna()

                # 線形回帰モデルを作成し、学習
                model = LinearRegression()
                model.fit(train_df[['MA']], train_df['close'])

                # テストデータで予測
                test_df = test_df.copy()
                test_df['prediction'] = model.predict(test_df[['MA']])

                # 正解・不正解のカウントを初期化
                correct = 0
                incorrect = 0

                # 売買シミュレーション
                initial_money = 100000  # 初期資金
                money = initial_money
                shares = 0
                for i in range(len(test_df) - 1):  # 最終日は次の日のデータがないため除外
                    # 予測価格が実際の価格より高い場合、購入
                    if test_df['prediction'].iloc[i] > test_df['close'].iloc[i]:
                      shares += money // test_df['close'].iloc[i]
                      money %= test_df['close'].iloc[i]
                      # 次の日の価格が上昇した場合、正解
                      if test_df['close'].iloc[i+1] > test_df['close'].iloc[i]:
                        correct += 1
                      else:
                        incorrect += 1
                    # 予測価格が実際の価格より低い場合、全て売却
                    elif test_df['prediction'].iloc[i] < test_df['close'].iloc[i]:
                      money += shares * test_df['close'].iloc[i]
                      shares = 0
                      # 次の日の価格が下降した場合、正解
                      if test_df['close'].iloc[i+1] < test_df['close'].iloc[i]:
                        correct += 1
                      else:
                        incorrect += 1

                # シミュレーション結果と正解率を計算
                result = money + shares * test_df['close'].iloc[-1]
                accuracy = correct / (correct + incorrect)

                # 結果をデータフレームに格納
                new_row = pd.DataFrame({'ticker': ticker,
                                        'training_period': training_period,
                                        'ma_period': ma_period,
                                        'final_money': result,
                                        'accuracy': accuracy}, index=[0])  # 正解率を追加
                results = pd.concat([results, new_row], ignore_index=True)

            except ValueError:
                # 移動平均期間が学習データの期間より長い場合、エラーが発生するため、スキップ
                continue

    counter+=1
    print(counter)


# 結果をデータベースに格納
results.to_sql('simulation_results', conn, if_exists='replace')

# データベース接続を閉じる
conn.close()