KOSPI - 예탁금, 수입금액지수, 물가, 통화량, 금리, 환율

 

 

 

KOSPI - 예탁금, 수입금액지수, 금리 상관관계¶

 

 

약어¶

 

 

A : 1년, Q : 1분기, M : 1달, D : 1일

 

 

Library¶

 

In [1]:

import requests
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

### 회귀분석
import numpy as np
import statsmodels.api as sm

plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False  # 마이너스 기호 깨짐 방지

 

In [2]:

api_key = ''

 

 

Def¶

 

 

분석도구

 

In [3]:

### 최초시점 기준 변동률
def calc_growth_rate(row):
    return 1+round((row - row.iloc[0]) / row.iloc[0], 2)

### ex : growth_rate_df = df.apply(calc_growth_rate, axis=0)

 

In [4]:

# 회귀분석
def osl(df, deva):
    
    #deva = "dependent variable"
    
    col_list = df.columns.tolist()
    col_list.remove(deva)
    y = df[deva]
    X = df[col_list]

    # 상수항 추가
    X = sm.add_constant(X)

    # 회귀 모형 적합
    model = sm.OLS(y, X)
    result = model.fit()

    # 회귀분석 결과 출력
    print(result.summary())

 

 

ecos_데이터 요청

 

In [5]:

def ecos_data(STAT_CODE, period, **CODE ):
    
    ITEM_CODE = CODE['ITEM_CODE']
    
    ### 기간설정
    if period == "A":
        st_date = '1960'
        end_date = '2022'
    elif period == "M" or "Q":
        st_date = '196001'
        end_date = '202212'
    else:
        st_date = '19600101'
        end_date = '20221231'
    
    
    #api_key = ''
    url = f"https://ecos.bok.or.kr/api/StatisticSearch/{api_key}/json/kr/1/100000/{STAT_CODE}/{period}/{st_date}/{end_date}/{ITEM_CODE[0]}/{ITEM_CODE[1]}/{ITEM_CODE[2]}/{ITEM_CODE[3]}"
    response = requests.get(url)

    data = response.json()['StatisticSearch']['row']
    df = pd.DataFrame(data)[['TIME', 'DATA_VALUE']]
    
    df['TIME'] = pd.to_datetime(df['TIME'], format='%Y%m')
    df['DATA_VALUE'] = df['DATA_VALUE'].astype('float64')
    df = df.set_index('TIME')
    
    return df

 

 

ecos_요청데이터 concat

 

In [6]:

def ecos_datas(data_condition):

    dfs = []

    for key in data_condition.keys():
        condition = data_condition[key]
        df = ecos_data(condition[0], condition[1], ITEM_CODE = condition[2])
        df.columns = [key]
        dfs.append(df)

    df = pd.concat(dfs, axis=1)
    return df

 

 

데이터 수집¶

 

 

통계표 https://ecos.bok.or.kr/api/#/DevGuide/StatisticalCodeSearch

 

In [57]:

# 비교할 데이터 요청코드 입력
data_condition = {
    "KOSPI" : ["901Y014", "M", ["1070000","?","?","?"]],
    "예탁금" : ["901Y056", "M", ["S23A","?","?","?"]], ### 투자자 예탁금
    "국고채3년" : ["902Y001", "M", ["1010701","?","?","?"]],
    "LIBOR" : ["902Y001", "M", ["1030401","?","?","?"]],
    "환율" : ["731Y004", "M", ["0000001","0000100","?","?"]],
    "M1" : ["101Y019", "M", ["BBLA00","?","?","?"]],
    "수입금액지수" : ["403Y003", "M", ["*AA","?","?","?"]],
    "소비자물가지수" : ["901Y009", "M", ["0","?","?","?"]],
}

# 데이터 요청
df = ecos_datas(data_condition)
df

 

Out[57]:

	KOSPI	예탁금	국고채3년	LIBOR	환율	M1	수입금액지수	소비자물가지수
TIME
1964-05-01	NaN	NaN	NaN	NaN	255.77	NaN	NaN	NaN
1964-06-01	NaN	NaN	NaN	NaN	255.77	NaN	NaN	NaN
1964-07-01	NaN	NaN	NaN	NaN	255.77	NaN	NaN	NaN
1964-08-01	NaN	NaN	NaN	NaN	255.77	NaN	NaN	NaN
1964-09-01	NaN	NaN	NaN	NaN	255.77	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...
2022-08-01	2472.05	53063280.0	3.685	3.09971	1318.44	1336447.0	184.16	108.62
2022-09-01	2155.49	50852276.0	4.186	3.75471	1391.59	1322918.4	170.26	108.93
2022-10-01	2293.61	48619094.0	4.185	4.46029	1426.66	1287865.7	165.06	109.21
2022-11-01	2472.53	46674550.0	3.689	4.77857	1364.10	1249905.7	164.45	109.10
2022-12-01	2236.40	46448436.0	3.722	4.76729	1296.22	1225205.6	166.41	109.28

704 rows × 8 columns

 

 

그래프¶

 

In [58]:

# 그래프 크기 설정
fig, ax = plt.subplots(figsize=(10, 6))

# 색상 리스트
colors = ['red', 'blue', 'green', 'purple']

# y축 라벨 리스트
labels = df.columns

# 그래프 그리기
for i, (col, label) in enumerate(zip(df.columns, labels)):
    ax_i = ax.twinx()
    ax_i.spines["right"].set_position(("axes", 1 + 0.1 * i))
    color = np.random.rand(3)
    df[col].plot(ax=ax_i, color=color)
    ax_i.set_ylabel(label, color=color)
    ax_i.tick_params(axis='y', labelcolor=color)

# x축 라벨
ax.set_xlabel('')

# 그래프 타이틀
plt.title('')

# 그리드 표시
plt.grid(True)

# 그래프 출력
plt.show()
#plt.legend()

 

 

elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison

 

 

 

회귀분석¶

 

In [59]:

#deva = "dependent variable" 종속변수
deva = "KOSPI"
df = df.dropna()
osl(df, deva)

 

 

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                  KOSPI   R-squared:                       0.949
Model:                            OLS   Adj. R-squared:                  0.947
Method:                 Least Squares   F-statistic:                     705.5
Date:                Wed, 08 Mar 2023   Prob (F-statistic):          3.50e-168
Time:                        13:08:34   Log-Likelihood:                -1770.0
No. Observations:                 275   AIC:                             3556.
Df Residuals:                     267   BIC:                             3585.
Df Model:                           7                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const      -1417.8457    325.190     -4.360      0.000   -2058.108    -777.584
예탁금         2.077e-05   2.37e-06      8.753      0.000    1.61e-05    2.54e-05
국고채3년         79.1189     18.330      4.316      0.000      43.028     115.210
LIBOR        -27.7686      9.913     -2.801      0.005     -47.287      -8.250
환율            -1.7231      0.128    -13.481      0.000      -1.975      -1.471
M1            -0.0007      0.000     -3.941      0.000      -0.001      -0.000
수입금액지수        -1.9158      1.042     -1.838      0.067      -3.968       0.137
소비자물가지수       57.5475      4.633     12.421      0.000      48.426      66.669
==============================================================================
Omnibus:                        5.484   Durbin-Watson:                   0.405
Prob(Omnibus):                  0.064   Jarque-Bera (JB):                7.120
Skew:                           0.124   Prob(JB):                       0.0284
Kurtosis:                       3.748   Cond. No.                     9.06e+08
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 9.06e+08. This might indicate that there are
strong multicollinearity or other numerical problems.

 

 

종속변수 시점 -1¶

 

In [60]:

#df[deva] = df[deva].shift(-1, freq='MS')
#df = df.dropna()
#osl(df, deva)

 

 

인공신경망¶

 

In [62]:

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 스케일링
scaler = MinMaxScaler()
scaled_df = pd.DataFrame(scaler.fit_transform(df), columns=df.columns, index=df.index)

# 입력 데이터와 출력 데이터 분할
X = scaled_df.drop(deva, axis=1)
y = scaled_df[deva]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=False)

# 인공신경망 모델 생성
model = Sequential()
model.add(Dense(10, input_dim=X.shape[1], activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 모델 학습
model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=0)

# 테스트 데이터로 예측
y_pred = model.predict(X_test)

# A열의 스케일러 객체를 생성하고 fit_transform() 메서드를 호출합니다.
A_scaler = MinMaxScaler().fit(df[[deva]])
scaled_A = A_scaler.transform(df[[deva]])

# inverse_transform() 함수를 이용해 스케일링된 값을 이전 값으로 복원합니다.
restored_A = A_scaler.inverse_transform(scaled_A)

# 예측 결과 그래프로 출력
import matplotlib.pyplot as plt

plt.plot(y_test.index, A_scaler.inverse_transform(y_test.values.reshape(-1, 1)), label='actual')
plt.plot(y_test.index, A_scaler.inverse_transform(y_pred), label='predicted')
plt.legend()
plt.show()

 

 

3/3 [==============================] - 0s 2ms/step

 

 

In [ ]: