Pythonで株価データを自動分析する実践手順｜個人投資家が売買判断を仕組み化する方法

スポンサーリンク

Pythonで株価データを自動分析する意味

株式投資で継続的に成績を改善したいなら、感覚だけに頼った売買から離れる必要があります。もちろん、相場観や経験は無価値ではありません。しかし、個人投資家が毎日大量の銘柄を見て、チャート、出来高、決算、需給、地合いを人力だけで正確に比較し続けるのは現実的ではありません。そこで有効になるのが、Pythonを使った株価データの自動分析です。

Pythonを使えば、数百銘柄、数千銘柄の株価データを一括で取得し、移動平均線との位置関係、出来高の変化、値動きの強さ、リスク、下落耐性、トレンド転換の兆候などを機械的に判定できます。重要なのは、Pythonで「将来の株価を完璧に予測する」ことではありません。むしろ目的は、曖昧な判断を減らし、同じ条件なら同じ結論が出る投資プロセスを作ることです。

たとえば、ある銘柄を見て「なんとなく強そう」と感じる場面があります。しかし、その強さが本当に市場平均を上回っているのか、出来高を伴っているのか、過去の同じような局面では上昇継続しやすかったのかは、目視だけでは判断がブレます。Pythonであれば、「20日移動平均線より上」「25日出来高平均の2倍以上」「過去60日高値を更新」「直近10日リターンがTOPIXを上回る」といった条件を数値で定義できます。

この数値化こそが、個人投資家にとって最大の武器になります。投資判断を数値化できれば、銘柄選定、エントリー、利確、損切り、保有継続判断を同じ土俵で比較できます。さらに、過去データを使って「その条件は本当に有効だったのか」を検証できます。思いつきの売買ではなく、検証可能な仮説として投資戦略を扱えるようになるわけです。

自動分析で最初に作るべき全体像

いきなり複雑なAIモデルや機械学習に入る必要はありません。最初に作るべきなのは、日々の株価データを自動で読み込み、投資判断に必要な指標を一覧化する「銘柄監視システム」です。これは難しく聞こえるかもしれませんが、実際には次の流れで構成できます。

第一に、株価データを取得します。日足の始値、高値、安値、終値、出来高が基本です。第二に、分析用の指標を計算します。移動平均線、騰落率、出来高倍率、ボラティリティ、相対パフォーマンスなどです。第三に、条件に合う銘柄を抽出します。たとえば「上昇トレンド入りした銘柄」「出来高急増銘柄」「下落しすぎた銘柄」「高値更新銘柄」などです。第四に、結果をCSVやExcelに出力して、毎日確認できる形にします。

最初から売買まで完全自動化する必要はありません。むしろ、最初は「分析の自動化」に集中した方が安全です。なぜなら、発注まで自動化すると、データ欠損、異常値、ルールの誤設定によって意図しない売買が発生する可能性があるからです。まずはPythonで候補銘柄を抽出し、最終判断は人間が行う形が現実的です。

個人投資家にとって実用性が高いのは、毎朝または毎晩、自動的に「今日見るべき銘柄リスト」を作る仕組みです。全銘柄を目視するのではなく、条件に合う銘柄だけを確認します。これにより、作業時間を大幅に減らしながら、見落としを減らせます。

分析に必要なデータ項目

株価分析で最低限必要なのは、日付、始値、高値、安値、終値、出来高です。この5本値と出来高があれば、基本的なテクニカル分析はほぼ実行できます。終値だけでも移動平均線や騰落率は計算できますが、高値と安値があると値幅、ボラティリティ、ブレイクアウト判定、損切り位置の設計まで可能になります。

次に重要なのが、銘柄コード、銘柄名、市場区分、業種、時価総額などの属性データです。株価だけを見ても、その銘柄が大型株なのか小型株なのか、銀行株なのか半導体関連株なのか、内需株なのか輸出株なのかが分かりません。値動きの癖は属性によって大きく違います。小型株の出来高急増と、大型株の出来高急増では意味が異なります。銀行株の上昇とグロース株の上昇も、背景にある投資マネーの性質が異なります。

さらに踏み込むなら、財務データ、信用残、空売り残高、決算日、配当利回り、PER、PBR、ROEなども使えます。ただし、最初からすべてを詰め込むと管理が難しくなります。まずは日足株価と出来高だけで「価格と需給の変化」を捉え、その後に財務やイベント情報を加える流れが現実的です。

Python環境の基本構成

Pythonで株価データを扱う場合、最初に覚えるべきライブラリはpandasです。pandasは表形式データを扱うための標準的なライブラリで、株価データの読み込み、結合、並べ替え、移動平均の計算、条件抽出に非常に向いています。Excelでできる集計作業の多くを、より高速かつ再現性のある形で実行できます。

次に使うのがnumpyです。numpyは数値計算を効率化するライブラリで、リターン、標準偏差、条件判定などで役立ちます。グラフを描くならmatplotlibを使います。チャート表示まで自動化したい場合は、plotlyやmplfinanceも選択肢になりますが、最初はpandasとmatplotlibだけで十分です。

データ取得については、国内株、米国株、ETF、暗号資産など、対象によって使うデータソースが変わります。無料で取得できるデータもありますが、欠損や仕様変更が起こることがあります。実運用では、データの正確性、更新頻度、利用条件を必ず確認する必要があります。分析ロジックが正しくても、入力データが間違っていれば結果は使えません。

最初に作るべき銘柄スクリーニング

Python自動分析の第一歩として最も実用的なのは、銘柄スクリーニングです。スクリーニングとは、あらかじめ決めた条件に合う銘柄だけを抽出する作業です。たとえば、全上場銘柄の中から「25日移動平均線より上にあり、かつ出来高が急増している銘柄」を抽出できます。

具体的な条件例としては、終値が25日移動平均線を上回っている、5日移動平均線が25日移動平均線を上回っている、当日の出来高が過去20日平均出来高の2倍以上、直近60日高値を更新、直近5日リターンがプラス、というようなものがあります。この条件を満たす銘柄は、単なる一日だけの上昇ではなく、短期トレンド、出来高、ブレイクアウトが重なっている可能性があります。

ただし、条件を多くしすぎると抽出銘柄が極端に少なくなります。逆に条件が緩すぎると、候補銘柄が多くなりすぎて目視確認の負担が減りません。最初は3条件程度から始めるのが現実的です。「トレンド」「出来高」「価格位置」の3つを軸にすると、実用性の高いスクリーニングになります。

実践例：上昇初動候補を探す条件

上昇初動候補を探すなら、次のような条件が使えます。終値が25日移動平均線を上回る。直近3日以内に25日移動平均線を上抜けた。出来高が20日平均の1.8倍以上。直近60日高値からの下落率が10％以内。これにより、単なるリバウンドではなく、上昇トレンド入りの可能性がある銘柄を抽出できます。

ここで重要なのは、「上昇した銘柄」ではなく「上昇が始まった可能性のある銘柄」を探すことです。すでに大きく上昇した銘柄は、短期的には利確売りに押されやすくなります。一方、移動平均線を上抜けた直後で、出来高が増え始めた段階なら、まだ初動の可能性があります。

移動平均線を使ったトレンド判定

移動平均線は古典的な指標ですが、Pythonで自動分析する場合には非常に使いやすい指標です。なぜなら、計算が単純で、銘柄間の比較に向いているからです。5日、25日、75日、200日といった期間を使えば、短期、中期、長期の方向感を数値化できます。

たとえば、終値が5日移動平均線、25日移動平均線、75日移動平均線のすべてを上回っている銘柄は、短期から中期まで上向きの可能性があります。逆に、終値がすべての移動平均線を下回っている銘柄は、下落トレンドにある可能性が高くなります。これをPythonで判定すれば、全銘柄を一括で分類できます。

さらに、移動平均線の傾きも重要です。終値が25日移動平均線を上回っていても、25日移動平均線自体が下向きなら、まだ戻り売り局面かもしれません。そこで、現在の25日移動平均線が5日前の25日移動平均線より高いかどうかを確認します。これにより、単なる反発と本格的なトレンド転換を分けやすくなります。

出来高分析で大口の関心を推測する

株価だけを見ていると、だましに遭いやすくなります。上昇していても出来高が少なければ、参加者が限定的で、すぐに失速する可能性があります。一方、出来高を伴って上昇している場合は、市場参加者の関心が高まっている可能性があります。Pythonでは、出来高の急増を簡単に数値化できます。

基本的な方法は、当日の出来高を過去20日平均出来高で割ることです。この数値を出来高倍率と呼ぶとします。出来高倍率が1なら平常通り、2なら平均の2倍、5なら平均の5倍です。出来高倍率が高く、かつ株価が上昇している銘柄は、資金流入が起きている可能性があります。

ただし、出来高急増だけで飛びつくのは危険です。悪材料で出来高が急増して下落している場合もあります。そこで、出来高倍率と当日騰落率を組み合わせます。「出来高倍率2倍以上かつ終値が前日比プラス」「出来高倍率3倍以上かつ終値が日中高値圏で引けた」など、価格と出来高の整合性を見ることが大切です。

相対パフォーマンスで強い銘柄を見つける

個別株の強さは、単体の上昇率だけでは判断できません。日経平均やTOPIXが大きく上昇した日に、ある銘柄が少し上がっただけなら、相対的には強いとは言えません。逆に、地合いが悪い日に下がらない銘柄は、買い需要が強い可能性があります。

そこで使えるのが相対パフォーマンスです。たとえば、個別銘柄の20日リターンからTOPIXの20日リターンを引きます。この値がプラスであれば、TOPIXより強い動きをしていることになります。Pythonで全銘柄の相対パフォーマンスを計算すれば、市場平均を上回る銘柄だけを抽出できます。

特に実用的なのは、短期と中期の相対パフォーマンスを分ける方法です。5日リターンで短期の勢いを見て、20日リターンで中期の強さを見ます。5日も20日も市場平均を上回っている銘柄は、短期資金と中期資金の両方が向かっている可能性があります。一方、5日だけ強く20日は弱い銘柄は、一時的な反発かもしれません。

リスク指標を同時に見る理由

株価分析では、上がりそうな銘柄を探すだけでは不十分です。どれだけ下がりやすいか、値動きが荒いか、損切り幅をどの程度取るべきかも重要です。Python自動分析では、リターンだけでなくリスク指標も同時に計算するべきです。

代表的なのは、日次リターンの標準偏差です。標準偏差が大きい銘柄は、日々の値動きが荒いということです。短期トレードでは利益機会が大きい一方、損失も膨らみやすくなります。逆に標準偏差が小さい銘柄は値動きが安定していますが、短期で大きな利益を狙いにくい場合があります。

もう一つ重要なのが最大ドローダウンです。最大ドローダウンとは、過去の高値からどれだけ下落したかを示す指標です。たとえば、過去1年間で一時的に40％下落した銘柄と、最大でも10％しか下落しなかった銘柄では、保有時の精神的負担がまったく違います。期待リターンだけでなく、過去にどの程度の下落を経験したかを見ることで、ポジションサイズを決めやすくなります。

ランキング形式にすると投資判断が速くなる

自動分析で得られた指標は、ランキング形式にすると使いやすくなります。たとえば、全銘柄を出来高倍率の高い順に並べる、相対パフォーマンスの高い順に並べる、移動平均線からの乖離率が大きい順に並べる、といった使い方です。

ただし、単一指標のランキングには注意が必要です。出来高倍率だけでランキングすると、悪材料で急落した銘柄も上位に入ります。値上がり率だけでランキングすると、すでに過熱した銘柄を掴みやすくなります。そこで、複数の指標を点数化して合計スコアを作る方法が有効です。

たとえば、トレンドスコア、出来高スコア、相対パフォーマンススコア、リスクスコアを作ります。トレンドスコアは、終値が複数の移動平均線を上回っているほど高くします。出来高スコアは、出来高倍率が高いほど加点します。相対パフォーマンススコアは、市場平均を上回っているほど加点します。リスクスコアは、ボラティリティが高すぎる銘柄を減点します。これにより、単なる急騰株ではなく、総合的に条件の良い銘柄を抽出できます。

具体的な分析テンプレート

個人投資家が最初に作るなら、次のような分析テンプレートが実用的です。列項目は、銘柄コード、銘柄名、終値、前日比、5日リターン、20日リターン、25日移動平均乖離率、75日移動平均乖離率、出来高倍率、20日ボラティリティ、最大ドローダウン、相対パフォーマンス、総合スコアです。

このテンプレートを毎日更新すれば、銘柄選定の土台ができます。たとえば、総合スコア上位30銘柄だけを確認する。出来高倍率上位から悪材料銘柄を除外する。相対パフォーマンスが強く、かつ移動平均線が上向きの銘柄だけをウォッチリストに入れる。このように使えば、分析対象を効率的に絞り込めます。

重要なのは、最初から完璧なスコアを作ろうとしないことです。スコアはあくまで候補抽出の補助です。最終的には、決算内容、材料の質、チャート形状、流動性、地合いを確認する必要があります。Pythonは判断を代替するものではなく、判断すべき対象を絞る道具です。

売買ルールへ落とし込む方法

自動分析を投資成果につなげるには、抽出した銘柄をどう売買するかまで決める必要があります。たとえば、総合スコア上位銘柄を翌営業日の寄り付きで買うのか、押し目を待つのか、終値でブレイクを確認してから買うのかで結果は変わります。

実用的なルールの一例は、「総合スコア上位で、終値が過去60日高値を更新し、出来高倍率が2倍以上の銘柄を翌日監視対象にする。ただし、寄り付きが前日終値より5％以上高い場合は見送る。買う場合は、前日安値を明確に割ったら撤退する」というものです。これなら、強い銘柄を追いながらも、高すぎる寄り付きでの飛びつきを避けられます。

別のルールとして、「25日移動平均線を上回る上昇トレンド銘柄が、5日移動平均線まで押したところで反発したら買う」という押し目型もあります。この場合は、ブレイクアウト型よりもエントリー価格を抑えやすい一方、上昇が再開しないまま崩れるリスクがあります。Pythonでは、ブレイク型と押し目型を分けて検証できます。

バックテストで確認すべきポイント

自動分析で条件を作ったら、必ず過去データで検証します。バックテストとは、過去にそのルールで売買していたらどうなったかを確認する作業です。ただし、バックテストは非常に誤解されやすい分野です。過去に良かったから将来も良いとは限りません。目的は、未来を保証することではなく、明らかに使えないルールを排除することです。

バックテストで見るべき指標は、総利益だけではありません。勝率、平均利益、平均損失、最大ドローダウン、連敗数、保有期間、売買回数、手数料やスリッページを考慮した後の成績を確認します。特に最大ドローダウンは重要です。年率リターンが高く見えても、一時的に50％下落する戦略なら、多くの個人投資家は継続できません。

また、検証期間を分けることも重要です。ある期間で条件を作り、別の期間で成績を確認します。全期間に合わせて条件を調整すると、過去に最適化されすぎたルールになります。これはカーブフィッティングと呼ばれます。カーブフィッティングされた戦略は、実運用に入ると急に機能しなくなることが多いです。

カーブフィッティングを避ける考え方

Pythonを使うと、条件をいくらでも細かく調整できます。たとえば、移動平均線を24日にするか25日にするか、出来高倍率を1.7倍にするか1.8倍にするか、損切り幅を4％にするか5％にするかを何度も試せます。しかし、細かく調整しすぎると、たまたま過去に合っただけのルールになります。

カーブフィッティングを避けるには、まず条件に投資上の意味があるかを確認します。25日移動平均線は約1カ月の営業日を表すため意味があります。75日移動平均線は約3カ月の流れを見る指標として意味があります。一方、37日移動平均線が最も成績が良かったから採用する、という考え方は危険です。偶然の可能性が高いからです。

次に、条件を粗く設定します。出来高倍率は1.83倍ではなく2倍、損切り幅は4.7％ではなく5％というように、実運用しやすい値にします。さらに、複数期間、複数市場、複数業種で成績が極端に崩れないかを確認します。特定の期間だけで異常に良い戦略は、実運用では期待しすぎない方が安全です。

自動分析結果を毎日の運用に組み込む

Python分析は、作って終わりではありません。毎日の運用に組み込んで初めて価値が出ます。理想は、前日の引け後または当日の朝にデータを更新し、候補銘柄リストを自動出力することです。出力形式は、CSV、Excel、Googleスプレッドシート、HTMLレポートなど、自分が見やすい形で構いません。

実践的には、まず「監視銘柄リスト」「新規買い候補」「利確候補」「損切り候補」「異常値チェック」の5つに分けると使いやすくなります。新規買い候補だけを見るのではなく、保有銘柄の管理にも使うことが重要です。買う時は熱心に分析するのに、保有後は放置する人が多いからです。

たとえば、保有銘柄が25日移動平均線を割った、出来高を伴って急落した、相対パフォーマンスが急低下した、最大ドローダウンが許容範囲を超えた、といった条件を自動で検知します。これにより、感情的に損切りを先延ばしするリスクを減らせます。

銘柄選定で使える独自スコアの作り方

オリジナリティを出すなら、単なるテクニカル指標の羅列ではなく、自分の投資スタイルに合わせた独自スコアを作ると効果的です。たとえば、短期順張り型なら、直近高値更新、出来高倍率、短期リターン、日中の引け方を重視します。中期保有型なら、75日移動平均線の傾き、20日相対パフォーマンス、ボラティリティの安定性を重視します。

具体例として、「初動スコア」を作る場合を考えます。過去60日高値を更新したら3点、出来高倍率2倍以上で2点、25日移動平均線が上向きで2点、直近10日上昇率が15％未満なら1点、前日比が急騰しすぎていなければ1点、というようにします。合計点が高い銘柄ほど、初動としての条件が整っていると判断します。

ここで「直近10日上昇率が15％未満なら加点」とするのがポイントです。単純に強い銘柄を選ぶだけなら、すでに大きく上昇した銘柄が上位に来ます。しかし、初動を狙うなら、過熱しすぎた銘柄は避けたいところです。強さと過熱感を同時に見ることで、高値掴みを減らせます。

エラーとデータ欠損への対策

Pythonで株価データを自動分析する際に軽視してはいけないのが、データ欠損と異常値です。データ取得元の仕様変更、取引停止、株式分割、併合、上場廃止、祝日、通信エラーなどにより、データが欠けることがあります。欠損を放置すると、移動平均線やリターンの計算が狂います。

対策として、分析前にデータの件数、日付の連続性、終値がゼロや空欄になっていないか、出来高が異常に大きすぎないかをチェックします。株式分割が反映されていないデータでは、株価が突然半分になったように見えることがあります。このようなデータをそのまま使うと、誤った売買シグナルが出ます。

実運用では、分析結果の上位銘柄だけでも必ずチャートを目視確認するべきです。自動化は便利ですが、完全に盲信するものではありません。特に急騰急落銘柄、出来高が極端に少ない銘柄、上場直後の銘柄は、データの歪みが出やすいため注意が必要です。

資金管理と組み合わせて初めて機能する

どれだけ精度の高いスクリーニングを作っても、資金管理が雑なら成績は安定しません。Python分析で候補銘柄を抽出した後は、1銘柄あたりの投資額、損切り幅、最大保有銘柄数、同一セクターへの集中度を決める必要があります。

たとえば、1銘柄あたりの最大損失を総資産の1％以内に抑えるルールを作ります。100万円の資産なら、1回の損失許容額は1万円です。損切り幅を5％に設定するなら、投資額は20万円までになります。これにより、どれだけ魅力的に見える銘柄でも、過大なポジションを取ることを防げます。

Pythonでは、候補銘柄ごとのボラティリティに応じてポジションサイズを調整することもできます。値動きが荒い銘柄は投資額を小さくし、値動きが安定している銘柄は通常サイズにする。このようなリスク調整を行うと、ポートフォリオ全体の振れ幅を抑えやすくなります。

分析を高度化する次のステップ

基本的なスクリーニングが安定してきたら、次の段階としてイベントデータを組み合わせます。決算発表日、上方修正、増配、自社株買い、株主優待変更、指数採用、信用残の変化などです。価格データだけでは分からない材料の質を加えることで、分析精度を高められます。

たとえば、決算後にギャップアップし、その後5日移動平均線を割らずに推移している銘柄を抽出する。自社株買い発表後に出来高を伴って上昇した銘柄を抽出する。信用買残が減少しながら株価が上昇している銘柄を抽出する。このように、価格、出来高、イベント、需給を組み合わせると、より実戦的な分析になります。

さらに進めるなら、機械学習を使って将来リターンの傾向を分類することも可能です。ただし、機械学習は入力データの品質と検証設計が悪いと、簡単に過学習します。最初から機械学習に飛びつくより、まずはシンプルなルールベース分析を作り、投資仮説を明確にする方が結果につながりやすいです。

Python分析で失敗しやすいパターン

よくある失敗は、分析を複雑にしすぎることです。指標を増やし、条件を増やし、グラフを増やし、最後に何を見ればよいのか分からなくなります。投資で使う分析は、複雑であるほど優れているわけではありません。毎日継続でき、売買判断に直結することが重要です。

もう一つの失敗は、バックテスト成績だけを見て戦略を採用することです。過去データに対して成績が良くなるまで条件を調整すれば、見た目の成績はいくらでも改善できます。しかし、実際の相場では機能しない可能性があります。戦略には、なぜその条件で優位性が生まれるのかという説明が必要です。

三つ目の失敗は、分析結果を見てもルール通りに行動しないことです。せっかく損切り候補が出ているのに「もう少し待てば戻る」と考える。買い候補が出ているのに「怖いから見送る」。これでは自動分析の意味が薄れます。完全に機械的に売買する必要はありませんが、ルールを破る場合は理由を記録するべきです。

個人投資家向けの実践フロー

最後に、個人投資家が実際に導入しやすいフローをまとめます。まず、監視対象を決めます。全上場銘柄でもよいですが、最初は流動性のある銘柄に絞ると扱いやすくなります。次に、日足データを取得し、移動平均線、出来高倍率、リターン、ボラティリティを計算します。

その後、買い候補条件を3つから5つ設定します。たとえば、25日移動平均線より上、出来高倍率2倍以上、20日相対パフォーマンスがプラス、直近高値更新、ボラティリティが高すぎない、という条件です。条件に合う銘柄をCSVに出力し、チャートと材料を確認します。

保有後は、同じPython分析で売却候補も確認します。25日移動平均線割れ、出来高を伴う大陰線、相対パフォーマンス悪化、損切りライン到達などを自動検出します。新規買いだけでなく、保有管理まで仕組み化することで、投資全体の質が上がります。

まとめ

Pythonで株価データを自動分析する最大の価値は、銘柄選定と売買判断を再現性のあるプロセスに変えられることです。感覚的に強そうな銘柄を探すのではなく、トレンド、出来高、相対パフォーマンス、リスクを数値化し、条件に合う銘柄だけを効率的に確認できます。

最初から高度なAIや完全自動売買を目指す必要はありません。まずは日足データを取得し、移動平均線、出来高倍率、騰落率、ボラティリティを計算し、候補銘柄を一覧化するだけでも大きな効果があります。そこからバックテスト、資金管理、イベント分析へと段階的に発展させれば、個人投資家でも十分に実用的な分析環境を作れます。

重要なのは、Pythonを「予言の道具」として使わないことです。Pythonは、相場を完全に当てるためのものではなく、投資判断のばらつきを減らし、検証可能なルールを作るための道具です。毎日の作業を自動化し、見るべき銘柄を絞り、売買後の結果を記録し続ければ、投資は感覚勝負から改善可能なプロセスへ変わります。個人投資家にとって、その差は長期的に非常に大きな武器になります。