h.onomoto

h.onomoto

Mid-cycle rate cuts

diff(cli_g20)["1998-09::1999-09"]diff(cli_g20)["1995-07::1996-07"]diff(cli_g20)["1989-07::1990-07"]diff(cli_g20)["1987-10::1988-10"]diff(cli_g20)["1983-10::1984-10"]diff(cli_g20)["1971-01::1972-01"] diff(to.monthly(NFCI)[,4])["1998-09::199

h.onomoto

    • 8月時点で7勝1敗の時、9月から12月の成績は？ slice

      データ年の選択(復習)slice を利用してオリジナルのデータフレームから該当年を抽出最終版monthlyReturn(GSPC)["1950::2023"] %>% matrix(.,nrow=12) %>% t() -> ml <- c(); y <- c(); p <- c()for(i in seq(1,74,1)){m[i,1：8]->n; y <<- c(y,i+1949); l <<- c(l,length(n[n<0])) ;p <<- c(p,as.vect

      h.onomoto

      • 8月終了時点で7勝1敗の時、年間収益率は？

        概要1950年以降2023年までのS&P500月間収益率データを年次月次の行列とする。 上記行列のうち1月から8月分までを抜き出す。 各行に対して、マイナス月数をカウントしする。それに該当年西暦及び年次収益率を付加しデータフレームを作る。 データフレームからマイナス月数=1の年のみを抽出し年次収益率を平均、出力する。 同じく抽出した収益率をヒストグラムにする。 注意:データフレームをselect しただけではvector化できないのでデータフレーム→行列→ベクターの

        h.onomoto

        • マカオ　Gross revenue from different gaming activities

          URL時系列データ 1 HKD = 1.03MOP (Unit:MOP million* )

          h.onomoto

        Mid-cycle rate cuts

        h.onomoto

          g20 cli 推移

          2024/9データ デルタ last(diff(cli_g20),21) %>% plot(.,type='h') 2024/6データ デルタ last(diff(cli_g20),21) %>% plot(.,type='h')

          h.onomoto

          g20 cli 推移

          h.onomoto

          SPX 予測

          概要 一株あたり利益予測データからS＆P500の妥当な水準を推定する。 EPSデータはS＆Pから入手する。 ソースコード k2k <- "2010-01-01::2024-06-30"lag_month <- 10data.frame( apply.quarterly(SP5[,4][k2k],mean), eps_year_xts[k2k], apply.quarterly(PA[k2k],mean), apply.quarterly(CS[k

          h.onomoto

          SPX 予測

          h.onomoto

          SPX 四半期理論価格モデル

          EPSを利用する場合ケース1 eps+各種マクロデータ+OECDによるG20 composite leading indicator を説明変数とした。 G20 composite leading indicatorは10ヶ月前の値との差を説明変数として使用する。 上記の結果生成されたオブジェクトを利用して任意のデータを利用して予測値を計算する。 lmdf <- data.frame(spx=apply.quarterly(SP5[,4][k2k],mean),eps

          h.onomoto

          SPX 四半期理論価格モデル

          h.onomoto

          二項検定

          実行例 binom.test 確率95%が想定される環境で18回試行の結果、16回の成功が得られた。想定された確率が正しいかを検証する。この場合は帰無仮説は「該当環境の確率は95%である」になり、binom.test はp値を0.2265としているので帰無仮説は成立する。 dbinom 確率95%の試行を18回行った時、成功16回となる確率を計算する。結果は16.8%。成功が16回以下を求めたい場合は引数に1:16を与え、その結果を合計すれば良い。この場合、22.65

          h.onomoto

          二項検定

          h.onomoto

          #SPX 月次収益率統計モデル　その2

          データの準備 TERM <- "1972::2024-02"merge(g20=diff(cli_g20)[TERM],usa=diff(cli_usa)[TERM],g7=diff(cli_g7)[TERM])-> wmerge(w,nfci=as.vector(diff(to.monthly(NFCI)[,4])[TERM]),spx=as.vector(monthlyReturn(GSPC)[TERM])) -> ww<-last(w,120)# r <- (lm(w

          h.onomoto

          #SPX 月次収益率統計モデル　その2

          h.onomoto

          dplyr filter select reframe summarise

          ソースコード quarterlyReturn(GSPC)["1950::2021"] %>% matrix(.,nrow=4) %>% t() -> mcbind(m,(quarterlyReturn(GSPC)["1951::2022"] %>% matrix(.,nrow=4) %>% t())) -> mcbind(m,(quarterlyReturn(GSPC)["1952::2023"] %>% matrix(.,nrow=4) %>% t())) %>% as.

          h.onomoto

          dplyr filter select reframe summarise

          h.onomoto

          大統領選挙年の2月3月収益率について

          大統領選挙が行われる年の2月および3月の収益率をそれ以外の年と比較する。果たして大統領選挙年に当該月のパフォーマンスは悪いと言えるのか。 ソースコード monthlyReturn(GSPC)["::2023"] %>% matrix(.,nrow=12) %>% t() -> ww[seq(3,74,4),] %>% apply(.,2,mean)w[-1*seq(3,74,4),] %>% apply(.,2,mean)t.test(w[seq(3,74,4),2],

          h.onomoto

          大統領選挙年の2月3月収益率について

          h.onomoto

          NFCI vs. SPX 月次収益率 with VIX &CLI png facet

          VIXを利用して分類した場合 facet_wrap 使用 NFCI月間変化値とS&P500月次収益率の関係はすでに検証済みだが、これをVIX<20の場合とそれ以外に分けて分析する。 コード TERM <- "2007::2024-01"w <- data.frame(fci=(diff(to.monthly(NFCI)[,4]))[TERM],spx=(monthlyReturn(GSPC))[TERM])cbind(w,apply.monthly(VIX[,4],me

          h.onomoto

          NFCI vs. SPX 月次収益率 with VIX &CLI png facet

          h.onomoto

          確定申告

          事前準備 配当計算 google マイドライブにアクセスする。「xxxx年度作業中配当および外国税額計算」というシートを使用する。基本的に「配当額(USD)」をメンテすれば良いはずである。株の売買をした場合は銘柄及び株数を更新すること。また、税率は実際に控除された際の税率に関わらず固定で10%として計算する。シート1の更新が終了したら、データは「配当額合計ピボット」に自動的に反映され銘柄ごとの集計が行われる。確定申告にはこの銘柄ごと集計データを使用する。

          ¥50,000
          h.onomoto

          確定申告

          ¥50,000
          h.onomoto

          scale palette スケールとパレット viridis ggplot2

          組み合わせ 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Table 12.1: Discrete fill and color scalesFill scale 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Color scale 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Descriptionscale_fill_discrete() scale_colour_discrete() 　　　　　　　　Co

          h.onomoto

          scale palette スケールとパレット viridis ggplot2

          h.onomoto

          #SPX 月次収益率統計モデル matplot predict

          データの準備 TERM <- "1972::2024-02"merge(g20=diff(cli_g20)[TERM],usa=diff(cli_usa)[TERM],g7=diff(cli_g7)[TERM])-> wmerge(w,nfci=as.vector(diff(to.monthly(NFCI)[,4])[TERM]),spx=as.vector(monthlyReturn(GSPC)[TERM])) -> ww<-last(w,120)# r <- (lm(w

          h.onomoto

          #SPX 月次収益率統計モデル matplot predict

          h.onomoto

          how to wire fund from firstrade swift

          wire 申請用紙入手入手方法 申請用紙サンプル

          ¥50,000
          h.onomoto

          how to wire fund from firstrade swift

          ¥50,000
          h.onomoto