このサイトについて

1
import numpy as np
2
import pandas as pd
3

4

5
def generate_stock_prices(
6
    n_tickers: int = 5,
7
    n_days: int = 250,
8
    seed: int = 42,
9
) -> pd.DataFrame:
10
    """仮想の株価時系列(日次四本値)を生成する。
11

12
    列名は J-Quants API V2 の /equities/bars/daily に準拠する。
13

14
    Parameters
15
    ----------
16
    n_tickers : int
17
        銘柄数。
18
    n_days : int
19
        営業日数(デフォルト 250 ≒ 約 1 年)。
20
    seed : int
21
        乱数シード(再現性のため固定)。
22

23
    Returns
24
    -------
25
    pd.DataFrame
26
        columns: Date, Code, O, H, L, C, Vo
27
    """
28
    rng = np.random.default_rng(seed=seed)
29
    dates = pd.date_range("2025-06-01", periods=n_days, freq="B")
30
    records = []
31

32
    for i in range(n_tickers):
33
        code = f"{1301 + i}"
34
        base = rng.uniform(800, 5000)            # 初期株価
35
        trend = rng.uniform(-0.02, 0.06)          # 年率トレンド
36
        amplitude = rng.uniform(0.03, 0.10)       # sin 波の振幅(比率)
37
        period = rng.uniform(40, 80)              # 周期(営業日)
38
        vol = rng.uniform(0.01, 0.025)            # 日次ボラティリティ
39

40
        t = np.arange(n_days)
41
        cycle = amplitude * np.sin(2 * np.pi * t / period)
42
        noise = rng.normal(0, vol, size=n_days)
43
        log_returns = trend / 250 + cycle / 250 + noise
44
        close = base * np.exp(np.cumsum(log_returns))
45
        close = np.round(close, 1)
46

47
        # Open / High / Low / Volume を Close から簡易生成
48
        spread = rng.uniform(0.005, 0.015, size=n_days)
49
        high = np.round(close * (1 + spread), 1)
50
        low = np.round(close * (1 - spread), 1)
51
        open_ = np.round(low + (high - low) * rng.random(n_days), 1)
52
        volume = rng.integers(50_000, 2_000_000, size=n_days)
53

54
        for j in range(n_days):
55
            records.append({
56
                "Date": dates[j],
57
                "Code": code,
58
                "O": open_[j],
59
                "H": high[j],
60
                "L": low[j],
61
                "C": close[j],
62
                "Vo": int(volume[j]),
63
            })
64

65
    return pd.DataFrame(records)

1
def generate_market_data(
2
    n_companies: int = 80,
3
    seed: int = 42,
4
) -> dict[str, pd.DataFrame]:
5
    """仮想の上場企業データ一式を生成する。
6

7
    列名は J-Quants API V2 に準拠する(listed: /equities/master、
8
    statements: /fins/summary、prices: /equities/bars/daily)。
9
    V2 では財務情報の銘柄コード列も Code に統一されている。
10

11
    Returns
12
    -------
13
    dict with keys:
14
        "listed"     — Code, CoName, S33Nm
15
        "statements" — Code, DiscDate, Sales, EPS, FDivAnn
16
        "prices"     — Code, Date, C
17
    """
18
    rng = np.random.default_rng(seed=seed)
19

20
    sectors = [
21
        "情報・通信業", "電気機器", "医薬品", "銀行業", "輸送用機器",
22
        "化学", "機械", "食料品", "小売業", "建設業",
23
        "鉄鋼", "海運業", "証券、商品先物取引業", "不動産業", "サービス業",
24
    ]
25

26
    codes = [f"{1301 + i}" for i in range(n_companies)]
27
    sector_assign = rng.choice(sectors, size=n_companies)
28
    names = [f"サンプル商事{i + 1:03d}" for i in range(n_companies)]
29

30
    listed = pd.DataFrame({
31
        "Code": codes,
32
        "CoName": names,
33
        "S33Nm": sector_assign,
34
    })
35

36
    # --- 財務情報 ---
37
    eps = np.round(rng.lognormal(mean=4.5, sigma=0.8, size=n_companies), 1)
38
    net_sales = np.round(rng.lognormal(mean=10, sigma=1.2, size=n_companies), 0)
39
    base_dps = np.round(rng.exponential(scale=40, size=n_companies), 1)
40
    base_dps[rng.random(n_companies) < 0.15] = 0.0  # 約 15% は無配
41

42
    statements = pd.DataFrame({
43
        "Code": codes,
44
        "DiscDate": pd.Timestamp("2026-05-15"),
45
        "Sales": net_sales,
46
        "EPS": eps,
47
        "FDivAnn": base_dps,
48
    })
49

50
    # --- 株価(直近終値) ---
51
    close = np.round(rng.lognormal(mean=7.0, sigma=0.8, size=n_companies), 1)
52

53
    prices = pd.DataFrame({
54
        "Code": codes,
55
        "Date": pd.Timestamp("2026-05-27"),
56
        "C": close,
57
    })
58

59
    return {"listed": listed, "statements": statements, "prices": prices}