ChatGPTで代替経済指標の分析をしてみた

はじめに

グループ研究開発本部・AI研究開発室のS.Sです。
これまでChatGPTに金融データ分析を行わせる記事を書いてきているので、今回も代替経済指標の分析を行わせるというテーマで記事を書いてみます。
直近では関税政策の影響で市場センチメントが悪化し、株式指数が調整局面入りしたことも記憶に新しいので、各種代替指標の分析を通して事前にそのような兆候をつかめるかどうかという観点で少し分析をしてみたいと思います。

指標の選定

株式・為替などの先行指標となりそうな代替指標をChatGPTにピックアップしてもらうと以下のようになりました。
衛星画像など興味深いデータもありますが、直近の動きを捉えられそうな表形式データに絞ってみると、EPUあたりがやはりお手軽そうです。

経済政策不確実性指数 (EPU)の分析

EPUとは以下のような特徴を持った指標です。

• 政策不透明感の測定: 政府の政策発表や議論に伴う不確実性を定量的に示します。

• メディア分析に基づく: 新聞記事などの報道中のキーワード頻度を解析して算出され、経済環境の不透明さを反映します。

• 先行指標として活用: 経済成長や市場変動の先行シグナルとして、投資家や政策立案者に注目されています。

実装

それではEPUの増減を大きく3つ(上位・中間・下位)に分けて影響を見積もってみたいと思います。
指標が変化した日から前後30日間で株式・ドル・原油の価格がどう変化したかを可視化してみます。
以下のようなプロンプトでコードを書いてもらいます。

添付ファイルはEconomic Policy Uncertainty Index for United Statesの週次データです。 このデータを入力ファイルとして受け取り、政策の不確実性の株価・ドルインデックス・原油価格への影響を評価するpythonコードを書いてください。 具体的にはEPUの変化率を分位数で3分割して、変化が生じた時から前後30日間の平均リターンを上記の各資産ごとに算出してください。 データはyahoo financeから取得すること。

プロンプトにはEPUの系列データを添付しており、プロットしてみると以下のようになります。
関税のヘッドラインが増えた2024/11の大統領選以降は指数が増加傾向にあることがわかります。

最初に出てきた分析コードは以下のようになります。
何点か気になるポイントがあります。

• 前後30日間の平均リターンはよくあるイベント影響の分析のように1日刻みで累積リターンを出してほしい
• yahoo financeからだと一部取得がうまくできないTickerが指定されている

import pandas as pd
import numpy as np
import yfinance as yf
from datetime import timedelta

# --- 1. EPUデータの読み込みと前処理 ---
# CSVファイル（例: "USEPUINDXD.csv"）には少なくとも日付（"Date"）とEPU水準（"EPU"）の列がある前提です。
epu_df = pd.read_csv("/mnt/data/USEPUINDXD.csv", parse_dates=['Date'])
epu_df.sort_values('Date', inplace=True)
epu_df.reset_index(drop=True, inplace=True)

# EPUの変化率（パーセント変化）を計算
epu_df['EPU_change'] = epu_df['EPU'].pct_change()
# 初回はNaNとなるため削除
epu_df = epu_df.dropna(subset=['EPU_change']).reset_index(drop=True)

# EPU変化率を3分位（Low, Medium, High）に分割
epu_df['Quantile'] = pd.qcut(epu_df['EPU_change'], 3, labels=['Low', 'Medium', 'High'])

# --- 2. 資産データ取得のための期間設定 ---
# イベント（EPUデータ）の最小・最大日付に対して、前後30日分の期間を設定
start_date = (epu_df['Date'].min() - pd.Timedelta(days=30)).strftime('%Y-%m-%d')
end_date = (epu_df['Date'].max() + pd.Timedelta(days=30)).strftime('%Y-%m-%d')

# --- 3. Yahoo Financeから各資産のデータ取得 ---
# ここでは例として以下のティッカーを使用しています：
# ・株価：S&P500（^GSPC）
# ・ドルインデックス：米ドルインデックス（^DXY）
# ・原油価格：WTI原油先物（CL=F）
tickers = {
    'Stock': '^GSPC',
    'Dollar': '^DXY',
    'Oil': 'CL=F'
}

# 各資産の日次終値データとリターン計算
asset_returns = {}
for asset, ticker in tickers.items():
    data = yf.download(ticker, start=start_date, end=end_date)
    # 調整後終値を利用
    data = data[['Adj Close']].rename(columns={'Adj Close': asset})
    # 日次リターン（パーセント変化）を計算
    data[asset + '_ret'] = data[asset].pct_change()
    asset_returns[asset] = data[[asset + '_ret']]

# 各資産のリターンを日付で結合
returns_df = pd.concat([asset_returns[asset] for asset in tickers.keys()], axis=1)
returns_df.index = pd.to_datetime(returns_df.index)

# --- 4. イベントスタディ：各EPUイベント日について前後30日間の平均リターン計算 ---
window = 30  # 前後30日間
results = []

# 各イベント（EPUデータの各行）に対して処理
for _, row in epu_df.iterrows():
    event_date = row['Date']
    quantile = row['Quantile']
    
    # イベントウィンドウの開始日・終了日（30日前～30日後）
    window_start = event_date - pd.Timedelta(days=window)
    window_end = event_date + pd.Timedelta(days=window)
    
    # 該当期間のリターンデータ（市場が休場の場合はデータが存在しない日もあります）
    window_data = returns_df.loc[window_start:window_end]
    
    avg_stock = window_data['Stock_ret'].mean()
    avg_dollar = window_data['Dollar_ret'].mean()
    avg_oil = window_data['Oil_ret'].mean()
    
    results.append({
        'Event_Date': event_date,
        'Quantile': quantile,
        'Avg_Stock_Return': avg_stock,
        'Avg_Dollar_Return': avg_dollar,
        'Avg_Oil_Return': avg_oil
    })

results_df = pd.DataFrame(results)

# --- 5. 各分位群ごとの平均リターンを集計 ---
summary = results_df.groupby('Quantile').agg({
    'Avg_Stock_Return': 'mean',
    'Avg_Dollar_Return': 'mean',
    'Avg_Oil_Return': 'mean'
}).reset_index()

print("【イベントスタディ結果】")
print("各EPU変化率分位群における、イベント日（前後30日）の平均リターン")
print(summary)

そこで以下のように修正の指示を出してみます。

0日から見て、-30日から0日, 0日から30日でそれぞれの累積リターンを1日刻みで出すように上記のコードを修正してください。このような累積リターンはイベント分析でよく利用されるものです。

するとほぼ想像通りの可視化コードを回答してくれました。

import pandas as pd
import numpy as np
import yfinance as yf
from datetime import timedelta

# --- 1. EPUデータの読み込みと前処理 ---
# CSVファイル（"USEPUINDXD.csv"）には少なくとも"Date"（日付）と"EPU"（EPU水準）の列がある前提です。
epu_df = pd.read_csv("/mnt/data/USEPUINDXD.csv", parse_dates=['Date'])
epu_df.sort_values('Date', inplace=True)
epu_df.reset_index(drop=True, inplace=True)

# EPUの変化率（％変化）を計算
epu_df['EPU_change'] = epu_df['EPU'].pct_change()
epu_df = epu_df.dropna(subset=['EPU_change']).reset_index(drop=True)

# 変化率を3分位に分割（Low, Medium, High）
epu_df['Quantile'] = pd.qcut(epu_df['EPU_change'], 3, labels=['Low', 'Medium', 'High'])

# --- 2. Yahoo Financeから資産データ（調整後終値）を取得 ---
# イベント（EPUデータ）の最小・最大日付に対し、前後30日分の期間を設定
start_date = (epu_df['Date'].min() - pd.Timedelta(days=30)).strftime('%Y-%m-%d')
end_date = (epu_df['Date'].max() + pd.Timedelta(days=30)).strftime('%Y-%m-%d')

# 使用する資産のティッカー（例）
# ・株価指数：S&P500 (^GSPC)
# ・ドルインデックス：^DXY
# ・原油価格：WTI原油先物 (CL=F)
tickers = {
    'Stock': '^GSPC',
    'Dollar': '^DXY',
    'Oil': 'CL=F'
}

# 各資産の調整後終値データをダウンロードし、辞書に保存
prices_dict = {}
for asset, ticker in tickers.items():
    data = yf.download(ticker, start=start_date, end=end_date)
    # 調整後終値のみ抽出し、列名を資産名に変更
    prices_dict[asset] = data[['Adj Close']].rename(columns={'Adj Close': asset})

# 複数資産の価格データを日付インデックスで統合
prices_df = pd.concat(prices_dict.values(), axis=1)
prices_df.index = pd.to_datetime(prices_df.index)

# --- 3. 各イベントごとに、イベント日を0日として前後30日間の累積リターンを計算 ---
# 累積リターンは、各イベント日の調整後終値を基準（＝1）として、
# 各日の価格比 (price / price_at_event) から (基準比-1) を算出することで求めます。

event_results = []  # 各イベントのウィンドウごとの累積リターンを格納するリスト

for _, row in epu_df.iterrows():
    event_date = row['Date']
    quantile = row['Quantile']
    
    # イベントウィンドウ：イベント日を0日、前後30日間
    window_start = event_date - pd.Timedelta(days=30)
    window_end = event_date + pd.Timedelta(days=30)
    # カレンダー日付の連続した日付を生成（1日刻み）
    date_range = pd.date_range(start=window_start, end=window_end, freq='D')
    
    # prices_dfからウィンドウ内のデータを抽出し、カレンダー日付に合わせる（欠損日は直前の値で補完）
    window_prices = prices_df.reindex(date_range).ffill()
    # 相対日（リラティブデー）の計算：イベント日との差（日数）
    window_prices['rel_day'] = (window_prices.index - event_date).days
    
    # イベント日の価格（基準となる値）を取得
    try:
        event_price = window_prices.loc[event_date, list(tickers.keys())]
    except KeyError:
        # イベント日が取引日でない場合は、最も近い取引日の価格を利用
        event_price = window_prices.iloc[window_prices.index.get_loc(event_date, method='nearest')][list(tickers.keys())]
    
    # 各資産について、累積リターン = (価格 / イベント日の価格) - 1 を計算
    for asset in tickers.keys():
        window_prices[asset + '_cum_return'] = window_prices[asset] / event_price[asset] - 1
    
    # 必要な列のみ抽出し、イベント日・分位群情報を追加
    event_window = window_prices[['rel_day'] + [asset + '_cum_return' for asset in tickers.keys()]].copy()
    event_window['Event_Date'] = event_date
    event_window['Quantile'] = quantile
    event_results.append(event_window)

# 全イベントの結果を1つのDataFrameに統合
all_events_df = pd.concat(event_results, ignore_index=True)

# --- 4. 分位群・相対日ごとの平均累積リターンを算出 ---
summary = all_events_df.groupby(['Quantile', 'rel_day']).agg({
    'Stock_cum_return': 'mean',
    'Dollar_cum_return': 'mean',
    'Oil_cum_return': 'mean'
}).reset_index()

# 結果の表示
print("【イベント分析結果】")
print("各EPU変化率分位群ごと、相対日（-30日～+30日）における平均累積リターン")
print(summary)じ

実際に動かしてみて軽く手直ししたコードは以下のようになります。
必要だったのは小さな修正のみでほぼ元のコードのまま動かすことができました。

import pandas as pd
import numpy as np
import yfinance as yf
from datetime import timedelta

# --- 1. EPUデータの読み込みと前処理 ---
# CSVファイル（"USEPUINDXD.csv"）には少なくとも"Date"（日付）と"EPU"（EPU水準）の列がある前提です。
epu_df = pd.read_csv("./USEPUINDXD.csv", parse_dates=['observation_date'])
epu_df = epu_df.rename(columns={"observation_date": "Date", "USEPUINDXD": "EPU"})
epu_df.sort_values('Date', inplace=True)
epu_df.reset_index(drop=True, inplace=True)

# EPUの変化率（％変化）を計算
epu_df['EPU_change'] = epu_df['EPU'].pct_change()
epu_df = epu_df.dropna(subset=['EPU_change']).reset_index(drop=True)

# 変化率を3分位に分割（Low, Medium, High）
epu_df['Quantile'] = pd.qcut(epu_df['EPU_change'], 3, labels=['Low', 'Medium', 'High'])

# --- 2. Yahoo Financeから資産データ（調整後終値）を取得 ---
# イベント（EPUデータ）の最小・最大日付に対し、前後30日分の期間を設定
start_date = "2020-01-01"
end_date = "2025-04-01"

# 使用する資産のティッカー（例）
# ・株価指数：S&P500 (^GSPC)
# ・ドルインデックス：^DXY
# ・原油価格：WTI原油先物 (CL=F)
tickers = {
    'Stock': '^GSPC',
    'Dollar': 'DX-Y.NYB',
    'Oil': 'CL=F'
}

# 各資産の調整後終値データをダウンロードし、辞書に保存
prices_dict = {}
for asset, ticker in tickers.items():
    data = yf.download(ticker, start=start_date, end=end_date)
    data = data.xs(data.columns.levels[1][0], axis=1, level=1)
    # 調整後終値のみ抽出し、列名を資産名に変更
    prices_dict[asset] = data[['Close']].rename(columns={'Close': asset})

# 複数資産の価格データを日付インデックスで統合
prices_df = pd.concat(prices_dict.values(), axis=1)
prices_df.index = pd.to_datetime(prices_df.index)

# --- 3. 各イベントごとに、イベント日を0日として前後30日間の累積リターンを計算 ---
# 累積リターンは、各イベント日の調整後終値を基準（＝1）として、
# 各日の価格比 (price / price_at_event) から (基準比-1) を算出することで求めます。

event_results = []  # 各イベントのウィンドウごとの累積リターンを格納するリスト

for _, row in epu_df.loc[lambda x: x["Date"].between(start_date, end_date)].iterrows():
    event_date = row['Date']
    quantile = row['Quantile']

    # イベントウィンドウ：イベント日を0日、前後30日間
    window_start = event_date - pd.Timedelta(days=30)
    window_end = event_date + pd.Timedelta(days=30)
    # カレンダー日付の連続した日付を生成（1日刻み）
    date_range = pd.date_range(start=window_start, end=window_end, freq='D')

    # prices_dfからウィンドウ内のデータを抽出し、カレンダー日付に合わせる（欠損日は直前の値で補完）
    window_prices = prices_df.reindex(date_range).ffill()
    # 相対日（リラティブデー）の計算：イベント日との差（日数）
    window_prices['rel_day'] = (window_prices.index - event_date).days

    # イベント日の価格（基準となる値）を取得
    try:
        event_price = window_prices.loc[event_date, list(tickers.keys())]
    except KeyError:
        # イベント日が取引日でない場合は、最も近い取引日の価格を利用
        event_price = window_prices.asof(event_date)[list(tickers.keys())]

    # 各資産について、累積リターン = (価格 / イベント日の価格) - 1 を計算
    for asset in tickers.keys():
        window_prices[asset + '_cum_return'] = window_prices[asset] / event_price[asset] - 1

    # 必要な列のみ抽出し、イベント日・分位群情報を追加
    event_window = window_prices[['rel_day'] + [asset + '_cum_return' for asset in tickers.keys()]].copy()
    event_window['Event_Date'] = event_date
    event_window['Quantile'] = quantile
    event_results.append(event_window)

# 全イベントの結果を1つのDataFrameに統合
all_events_df = pd.concat(event_results, ignore_index=True)

# --- 4. 分位群・相対日ごとの平均累積リターンを算出 ---
summary = all_events_df.groupby(['Quantile', 'rel_day']).agg({
    'Stock_cum_return': 'mean',
    'Dollar_cum_return': 'mean',
    'Oil_cum_return': 'mean'
}).reset_index()

# 結果の表示
print("【イベント分析結果】")
print("各EPU変化率分位群ごと、相対日（-30日～+30日）における平均累積リターン")
print(summary)

結果

分析期間を2020/01~現在までに絞り込み、上記のコードをもとにしたアウトプットを可視化すると以下のようになります。
株式では政策の不確実性が高くなると、30日後までのリターンが平均的なケースより低くなる傾向がみて取れます。

原油の場合も同様です。
将来の政策などにより景気が減速する可能性が出てくると、パフォーマンスも低下する傾向にあります。

ドルの場合は反対に安全資産として買われる傾向があることから、むしろ不確実性が高まるとパフォーマンスがよくなっています。

まとめ

GPTによる分析でEPUのような代替指標がさまざまな資産に関わるリスクの先行指標として利用できそうなことがわかりました。
この手のよくある分析も手動で毎回分析コードを書くとデータの取得や各種集計など煩わしいですが、ざっくりとした可視化であればGPTにおまかせしてもある程度のところまではやってくれるようです。

最後に

グループ研究開発本部 AI研究開発室では、データサイエンティスト/機械学習エンジニアを募集しています。ビッグデータの解析業務などAI研究開発室にご興味を持って頂ける方がいらっしゃいましたら、ぜひ 募集職種一覧 からご応募をお願いします。皆さんのご応募をお待ちしています。