[Risk Hedging] 시장 별 관계성 분석

• 포트폴리오 전략 구성 시 다양한 종목이 분포하는 것이 헷징을 위해서 현명하다
• 전략 구성을 위해서 각 시장에 대해서 분석을 진행한다
• S&P500 Sector 별 시장이 헷징을 하기에 가장 적합한 것으로 판단된다
  • 가상화폐 시장은 오를때 같이 오르고 내릴때 같이 내리는 경향을 가짐
  • Dow-jones 또한 대부분 비슷한 경향 을 보임
  • S&P500에서 Sector가 다를 때 서로 다른 경향을 보임

---

• 가상화폐 시장

• Dow-Jones 시장

• S&P500 Sector 별 시장

import yfinance as yf
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 암호화폐 목록
cryptos = {
    'Bitcoin': 'BTC-USD',
    'Ethereum': 'ETH-USD',
    'Binance Coin': 'BNB-USD',
    'Cardano': 'ADA-USD',
    'Solana': 'SOL-USD',
    'Ripple': 'XRP-USD',
    'Polkadot': 'DOT-USD',
    'Dogecoin': 'DOGE-USD',
    'Litecoin': 'LTC-USD',
}

# 데이터 다운로드 함수
def get_crypto_data(cryptos):
    data = {}
    for name, ticker in cryptos.items():
        crypto_data = yf.download(ticker, start='2019-09-01', end='2024-09-01')['Close']
        data[name] = crypto_data
    return pd.DataFrame(data)

# 암호화폐 데이터 가져오기
crypto_data = get_crypto_data(cryptos)

# 상관관계 분석
correlation_matrix = crypto_data.corr()

# 상관관계 시각화
plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('Correlation between Different Cryptocurrencies')
plt.show()

# 상관관계 출력
sorted_correlations = correlation_matrix.unstack().sort_values(ascending=False)
sorted_correlations = sorted_correlations[sorted_correlations < 1]  # 자기 상관관계 제외
print("Sorted Correlations:\n", sorted_correlations)

import yfinance as yf
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 다우존스 구성 종목 리스트
dow_tickers = [
    'AAPL',  # Apple Inc.
    'MSFT',  # Microsoft Corp.
    'JNJ',   # Johnson & Johnson
    'V',     # Visa Inc.
    'PG',    # Procter & Gamble
    'HD',    # Home Depot
    'DIS',   # Walt Disney
    'INTC',  # Intel Corp.
    'CMCSA', # Comcast Corp.
    'MRK',   # Merck & Co.
    'NKE',   # Nike Inc.
    'PFE',   # Pfizer Inc.
    'VZ',    # Verizon Communications
    'IBM',   # International Business Machines
    'CSCO',  # Cisco Systems
    'AXP',   # American Express
    'WBA',   # Walgreens Boots Alliance
    'MMM',   # 3M Company
    'CAT',   # Caterpillar Inc.
    'TRV',   # Travelers Companies
    'UNH'    # UnitedHealth Group
]

# 데이터 다운로드 함수
def get_dow_data(tickers):
    data = {}
    for ticker in tickers:
        stock_data = yf.download(ticker, start='2010-01-01', end='2024-01-01')['Close']
        data[ticker] = stock_data
    return pd.DataFrame(data)

# 다우존스 데이터 가져오기
dow_data = get_dow_data(dow_tickers)

# 상관관계 분석
correlation_matrix = dow_data.corr()

# 상관관계 시각화
plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('Correlation between Dow Jones Components')
plt.show()

# 상관관계 출력
sorted_correlations = correlation_matrix.unstack().sort_values(ascending=False)
sorted_correlations = sorted_correlations[sorted_correlations < 1]  # 자기 상관관계 제외
print("Sorted Correlations:\n", sorted_correlations)

import yfinance as yf
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 섹터별 주요 종목 설정 (META로 변경)
tickers = {
    'Information Technology': ['AAPL', 'MSFT', 'NVDA', 'GOOGL', 'ADBE'],
    'Health Care': ['JNJ', 'UNH', 'PFE', 'MRK', 'ABBV'],
    'Financials': ['JPM', 'BAC', 'WFC', 'C', 'GS'],
    'Consumer Discretionary': ['AMZN', 'TSLA', 'DIS', 'NFLX', 'CMCSA'],
    'Consumer Staples': ['PG', 'KO', 'PEP', 'WMT', 'MDLZ'],
    'Energy': ['XOM', 'CVX', 'SLB', 'COP', 'OXY'],
    'Industrials': ['BA', 'CAT', 'HON', 'MMM', 'GE'],
    'Materials': ['LIN', 'NEM', 'VMC', 'FCX', 'APD'],
    'Communication Services': ['T', 'VZ', 'NFLX', 'GOOGL', 'META'],  # FB -> META로 변경
    'Utilities': ['NEE', 'DUK', 'SO', 'EXC', 'SRE'],
    'Real Estate': ['AMT', 'PLD', 'CZR', 'SPG', 'VTR'],
    'Telecommunications': ['T', 'VZ', 'TMUS'],
    'Consumer Services': ['DIS', 'NFLX', 'CMCSA', 'T', 'VZ'],
    'Transportation': ['UPS', 'FDX', 'LUV', 'DAL', 'AAL'],
    'Retail': ['AMZN', 'WMT', 'COST', 'TGT', 'TJX'],
}

# 데이터 다운로드 함수
def get_data(tickers):
    data = {}
    for ticker in tickers:
        stock_data = yf.download(ticker, start='2010-01-01', end='2024-01-01')['Close']
        data[ticker] = stock_data
    return pd.DataFrame(data)

# 데이터 가져오기
data = get_data([ticker for sector in tickers.values() for ticker in sector])

# 상관관계 분석
correlation_matrix = data.corr()

# 상관관계 시각화
plt.figure(figsize=(14, 12))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('Correlation between Different Stocks in S&P 500 Sectors')
plt.show()

# 상관관계 출력
sorted_correlations = correlation_matrix.unstack().sort_values(ascending=False)
sorted_correlations = sorted_correlations[sorted_correlations < 1]  # 자기 상관관계 제외
print("Sorted Correlations:\n", sorted_correlations)