app.py

import streamlit as st
import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

# データ生成関数
def generate_data(days=252):
    np.random.seed(0)
    dates = pd.date_range(start='2023-01-01', periods=days, freq='B')
    
    initial_values = {
        'stock_index': 1000,
        'swap_rate': 0.25,
        'fx_rate': 110,
        'credit_spread': 10
    }
    
    daily_volatility = {
        'stock_index': 0.01,
        'swap_rate': 0.0001,
        'fx_rate': 0.001,
        'credit_spread': 0.1
    }
    
    data = pd.DataFrame(index=dates)
    for key, value in initial_values.items():
        daily_changes = np.random.normal(loc=0, scale=daily_volatility[key], size=days)
        data[key] = value * (1 + np.cumsum(daily_changes))
    
    return data

# データ生成
data = generate_data()

# Streamlit UI設定
st.title("インパルス応答とモンテカルロシミュレーション")

# 変数選択
variable = st.selectbox("変数を選択してください", data.columns)

# VARモデルのフィッティング
model = sm.tsa.VAR(data)
results = model.fit(maxlags=5)

# 誤差共分散行列に小さい正の定数を追加して正定値にする
sigma = results.sigma_u
epsilon = 1e-10  # 小さい正の定数
sigma += epsilon * np.eye(sigma.shape[0])

# インパルス応答の生成と表示
irf = results.irf(10)
st.write(f"インパルス応答関数: {variable}")
fig = irf.plot(orth=True, impulse=variable)
st.pyplot(fig)

# モンテカルロシミュレーション
simulations = []
num_simulations = 100
for _ in range(num_simulations):
    simulated_data = results.simulate_var(steps=252)
    simulations.append(simulated_data)

# シミュレーション結果の平均と信頼区間の計算
simulations = np.array(simulations)
mean_simulation = np.mean(simulations, axis=0)
std_simulation = np.std(simulations, axis=0)

# グラフの作成と表示
st.write("モンテカルロシミュレーション結果")
fig, ax = plt.subplots(figsize=(12, 8))
for i, column in enumerate(data.columns):
    ax.plot(data.index, mean_simulation[:, i], label=f'Mean Simulation - {column}')
    ax.fill_between(data.index, mean_simulation[:, i] - 1.96*std_simulation[:, i], 
                    mean_simulation[:, i] + 1.96*std_simulation[:, i], alpha=0.2)
ax.legend()
st.pyplot(fig)