ChatGPTとPythonで日本株スクリーニングを自動化する実践戦略

ChatGPTとPythonで銘柄探しを自動化する意味

日本株投資で多くの個人投資家がつまずくのは、売買タイミング以前に「どの銘柄を見ればよいのか」が定まらない点です。毎日ニュースを追い、SNSで話題の銘柄を見て、ランキング上位を確認するだけでは、どうしても情報に振り回されます。上がった銘柄を後から見つけ、すでに高値圏で飛び乗り、少し下がると不安になって損切りする。この流れを繰り返す原因は、銘柄選定の基準が曖昧なままだからです。

そこで有効なのが、ChatGPTとPythonを組み合わせた日本株スクリーニングの自動化です。ChatGPTは投資アイデアを言語化し、条件式や分析ロジックを整理する補助役として使えます。Pythonは実際のデータ処理、ランキング作成、条件抽出、検証に向いています。つまり、人間が投資仮説を作り、ChatGPTでロジックを整理し、Pythonで大量の銘柄を機械的に処理するという役割分担です。

重要なのは、AIに「上がる銘柄を教えて」と聞くことではありません。それは再現性が低く、投資判断としても危険です。本当に使える方法は、「こういう特徴を持つ銘柄は将来的に評価されやすいのではないか」という仮説を作り、その条件に合う銘柄を自動で抽出し、定期的に観察する仕組みを作ることです。この記事では、初心者でも理解できるように、ChatGPTとPythonを使った日本株スクリーニングの実践手順を初歩から具体的に解説します。

スクリーニングとは何か

スクリーニングとは、上場企業の中から特定の条件に合う銘柄をふるい分ける作業です。たとえば「売上高が伸びている」「営業利益率が改善している」「PERが低い」「自己資本比率が高い」「株価が200日移動平均線を上回っている」といった条件を設定し、それに合致する銘柄だけを抽出します。

日本株は数千銘柄あります。すべての決算短信を読み、すべてのチャートを見て、すべての財務指標を比較するのは現実的ではありません。だからこそ、最初に機械的な条件で候補を絞り、その後に人間が事業内容や決算内容を確認する流れが合理的です。

スクリーニングの目的は、いきなり買う銘柄を決めることではありません。見るべき銘柄を減らすことです。たとえば3,800銘柄から30銘柄まで絞れれば、その30銘柄を丁寧に調べる時間を確保できます。投資で差がつくのは、情報量そのものではなく、見るべき情報を選別する力です。

ChatGPTとPythonの役割を分ける

ChatGPTとPythonを混同すると、使い方を間違えます。ChatGPTは文章理解やアイデア整理が得意ですが、リアルタイムの株価データを常に正確に持っているわけではありません。一方、Pythonは正しいデータを与えれば、高速に計算し、条件に合う銘柄を淡々と抽出できます。

実践上の役割分担は明確です。ChatGPTには「どのような投資仮説が考えられるか」「その仮説を指標に落とすとどうなるか」「Pythonコードの構造をどう作るか」「結果をどう解釈するか」を相談します。Pythonには「株価データを読み込む」「財務データを結合する」「移動平均や成長率を計算する」「条件に合う銘柄を抽出する」「ランキングをCSVに出力する」といった処理を任せます。

たとえば、ChatGPTに対して「日本株で成長性と割安性を同時に見るスクリーニング条件を作りたい」と依頼すると、売上成長率、営業利益成長率、PER、PBR、ROE、自己資本比率などの候補を整理できます。その上で「この条件をPythonでスコア化するコードを作って」と依頼すれば、実装の叩き台を作れます。最後に、実際のデータで走らせ、出てきた銘柄を自分で検証します。

最初に作るべき投資仮説

自動スクリーニングで最も重要なのは、コードではなく仮説です。仮説が曖昧なままコードを書いても、意味のある銘柄は出てきません。最初に決めるべきなのは、「どんな企業を見つけたいのか」です。

たとえば、短期トレード向けなら「出来高が増え、株価が中期移動平均線を上抜けた銘柄」が候補になります。中期投資向けなら「売上と営業利益が伸び、かつ株価が過熱しすぎていない銘柄」が候補になります。長期投資向けなら「自己資本比率が高く、営業キャッシュフローが安定し、ROICが改善している銘柄」が候補になります。

この記事で扱う実践モデルは、「成長性、収益性、財務安全性、株価トレンド、バリュエーションを同時に見る日本株スクリーニング」です。単純な割安株だけを狙うと、成長しない低評価企業をつかむ可能性があります。成長株だけを狙うと、期待が過剰に織り込まれた高値銘柄を買う可能性があります。そこで複数の条件を組み合わせ、極端な偏りを避けます。

スクリーニングに使う基本指標

まず理解すべき指標は、成長性、収益性、安全性、需給、株価トレンドの5分類です。この分類で見ると、銘柄選定がかなり整理されます。

成長性を見る指標

成長性では、売上高成長率と営業利益成長率を見ます。売上が伸びている企業は市場が拡大している可能性があり、営業利益が伸びている企業は事業効率が改善している可能性があります。ただし、単年だけの急成長は一過性の特需かもしれません。そのため、可能であれば直近1年だけでなく、3年程度の推移を見るのが理想です。

たとえば売上高が前年比20％増、営業利益が前年比40％増の企業があったとします。この場合、単に規模が拡大しているだけでなく、利益率も改善している可能性があります。一方、売上は30％増でも営業利益が横ばいなら、コスト増や価格競争の影響を受けているかもしれません。成長性は売上と利益をセットで見る必要があります。

収益性を見る指標

収益性では、営業利益率、ROE、ROICが重要です。営業利益率は本業の稼ぐ力を示します。ROEは株主資本に対してどれだけ利益を出しているかを示します。ROICは事業に投じた資本からどれだけ効率よく利益を生んでいるかを見る指標です。

特に日本株では、売上規模は大きいものの資本効率が低い企業が少なくありません。逆に、ニッチなBtoB企業やソフトウェア企業の中には、売上規模は小さくても利益率やROICが高い企業があります。スクリーニングでは、単に利益額が大きい企業ではなく、資本を効率よく使っている企業を拾う設計が有効です。

財務安全性を見る指標

財務安全性では、自己資本比率、有利子負債、営業キャッシュフローを確認します。自己資本比率が高い企業は、景気悪化や金利上昇に対する耐性が高くなります。営業キャッシュフローが安定してプラスであれば、会計上の利益だけでなく、実際に現金を生んでいる可能性が高いです。

ただし、自己資本比率が高ければ必ず良いわけではありません。成長投資をせず、現金を寝かせているだけの企業もあります。したがって、財務安全性は成長性や資本効率と組み合わせて評価します。キャッシュリッチでありながら成長投資や株主還元を行っている企業は、投資対象として注目しやすくなります。

株価トレンドを見る指標

株価トレンドでは、25日移動平均線、75日移動平均線、200日移動平均線、年初来高値からの距離などを見ます。業績が良くても株価が長期下降トレンドにある銘柄は、市場が何らかの懸念を織り込んでいる可能性があります。逆に、業績改善と株価上昇が同時に起きている銘柄は、投資家の評価が変わり始めている可能性があります。

初心者が扱いやすい条件は、「終値が200日移動平均線を上回っている」「25日移動平均線が75日移動平均線を上回っている」「直近20営業日の出来高平均が過去60営業日平均を上回っている」といったものです。これにより、長期的な下落銘柄や流動性の乏しい銘柄をある程度除外できます。

実践モデル：5つのスコアで銘柄をランキング化する

単純に「PER15倍以下」「ROE10％以上」といった条件だけで抽出すると、候補が少なすぎたり、逆に質の悪い銘柄が混ざったりします。そこで実践的には、複数の指標を点数化し、合計スコアでランキングする方法が使いやすいです。

たとえば、以下の5分類で各20点、合計100点満点にします。成長性20点、収益性20点、財務安全性20点、株価トレンド20点、バリュエーション20点です。この方法なら、ひとつの指標だけに依存せず、総合的な銘柄評価ができます。

成長性スコアでは、売上高成長率と営業利益成長率を評価します。収益性スコアでは、営業利益率、ROE、ROICを評価します。財務安全性スコアでは、自己資本比率と営業キャッシュフローを評価します。株価トレンドスコアでは、移動平均線との位置関係と出来高増加を評価します。バリュエーションスコアでは、PER、PBR、EV/EBITDAなどを使います。

ここで重要なのは、バリュエーションだけを高得点にしすぎないことです。低PERや低PBRの銘柄は、単に市場から成長性がないと見られているだけの場合があります。逆に、PERがやや高くても、利益成長率が高く、ROICが改善している企業は評価され続ける可能性があります。そのため、割安性は単独ではなく、成長性とセットで扱うのが現実的です。

Pythonで自動化する基本構造

Pythonでスクリーニングを作る場合、流れは大きく5段階です。第一に銘柄リストを用意します。第二に株価データを取得または読み込みます。第三に財務データを取得または読み込みます。第四に指標を計算します。第五に条件抽出とランキング出力を行います。

初心者は、いきなりAPI連携まで作り込む必要はありません。最初は証券会社のスクリーニング画面、決算データサイト、表計算ソフトなどからCSVをダウンロードし、それをPythonで読み込むだけでも十分です。最初から完全自動化を目指すと、データ取得部分で詰まりやすくなります。まずは「手動でCSV取得、自動で分析」から始めるのが堅実です。

Pythonでは、pandasというライブラリを使うと表形式データを扱いやすくなります。銘柄コード、企業名、売上高成長率、営業利益率、自己資本比率、PER、PBR、終値、移動平均線、出来高などを1つの表にまとめ、条件式で抽出します。

import pandas as pd

# 財務データと株価データを読み込む
fundamental = pd.read_csv("fundamental.csv")
price = pd.read_csv("price.csv")

# 銘柄コードで結合する
df = pd.merge(fundamental, price, on="code", how="inner")

# 基本条件を作る
df["growth_score"] = 0
df.loc[df["sales_growth"] >= 10, "growth_score"] += 10
df.loc[df["operating_profit_growth"] >= 15, "growth_score"] += 10

df["profitability_score"] = 0
df.loc[df["operating_margin"] >= 8, "profitability_score"] += 7
df.loc[df["roe"] >= 10, "profitability_score"] += 7
df.loc[df["roic"] >= 8, "profitability_score"] += 6

df["safety_score"] = 0
df.loc[df["equity_ratio"] >= 40, "safety_score"] += 10
df.loc[df["operating_cashflow"] > 0, "safety_score"] += 10

df["trend_score"] = 0
df.loc[df["close"] > df["ma200"], "trend_score"] += 10
df.loc[df["ma25"] > df["ma75"], "trend_score"] += 10

df["valuation_score"] = 0
df.loc[df["per"] <= 25, "valuation_score"] += 10
df.loc[df["pbr"] <= 3, "valuation_score"] += 10

# 合計スコア
df["total_score"] = df[[
    "growth_score",
    "profitability_score",
    "safety_score",
    "trend_score",
    "valuation_score"
]].sum(axis=1)

# ランキング出力
result = df.sort_values("total_score", ascending=False)
result.to_csv("screening_result.csv", index=False, encoding="utf-8-sig")

このコードはあくまで基本形ですが、考え方は実践で十分使えます。各指標の閾値を変えれば、成長株寄り、割安株寄り、財務安全性重視など、自分の投資スタイルに合わせたスクリーニングに調整できます。

ChatGPTを使った条件設計の具体例

ChatGPTを実践で使うなら、曖昧な質問ではなく、目的と制約を明確にした質問を投げるべきです。たとえば「日本株で中期保有向けの銘柄を探したい。売上成長、営業利益率、財務安全性、株価トレンドを使って100点満点のスコアリング条件を作ってください」と依頼します。

次に、「このスコアリング条件をpandasで実装するコードを書いてください。入力CSVの列名はcode,name,sales_growth,operating_profit_growth,operating_margin,roe,roic,equity_ratio,operating_cashflow,per,pbr,close,ma25,ma75,ma200です」と依頼します。列名まで指定すると、実際に使いやすいコードが出やすくなります。

さらに、「スコア上位30銘柄を抽出し、条件別スコアも一緒にCSV出力してください」「欠損値がある場合は除外ではなく、該当スコアを0点にしてください」「PERがマイナスの銘柄はバリュエーションスコアを0点にしてください」と追加すれば、より実践的になります。

ChatGPTは一発で完璧なコードを作る道具ではなく、改善を重ねる補助役です。エラーが出たら、エラーメッセージをそのまま貼り付けて修正を依頼します。抽出結果がおかしければ、「低PERの赤字企業が上位に来てしまうので、赤字企業を除外する条件を追加してください」と依頼します。この反復で、投資家自身の判断基準がコードに落ちていきます。

実践的なスクリーニング条件の作り方

ここでは、個人投資家が実際に使いやすい条件例を3つ紹介します。どれも単独で絶対的な正解ではありませんが、投資候補を絞る初期フィルターとして有効です。

条件1：成長・収益改善型

成長・収益改善型は、業績が伸び始めた企業を探す条件です。具体的には、売上高成長率10％以上、営業利益成長率15％以上、営業利益率が前年より改善、自己資本比率30％以上、終値が200日移動平均線を上回る、という条件を使います。

この条件は、すでに市場から高く評価されている超大型株よりも、中小型の業績改善企業を見つけるのに向いています。特に、赤字から黒字転換しただけの企業ではなく、売上と利益が同時に伸びている企業を重視します。業績改善と株価トレンドがそろったとき、市場の見方が変わる可能性があります。

条件2：割安成長型

割安成長型は、利益成長があるのにバリュエーションが高すぎない企業を探す条件です。たとえば、営業利益成長率10％以上、ROE8％以上、PER25倍以下、PBR3倍以下、営業キャッシュフローがプラス、という条件です。

ここでPERを低くしすぎないのがポイントです。PER10倍以下だけに絞ると、成熟企業や低成長企業ばかりになることがあります。成長株を含めたい場合は、PERの上限をやや広めに取り、代わりに利益成長率やROEで質を確認する方が現実的です。

条件3：需給改善型

需給改善型は、株価と出来高の変化から市場参加者の関心が高まり始めた銘柄を探す条件です。終値が75日移動平均線を上回る、25日移動平均線が75日移動平均線を上回る、直近20日平均出来高が過去60日平均出来高を上回る、年初来高値から20％以内、という条件を使います。

この条件は短中期の候補探しに向いています。ただし、株価トレンドだけで買うと高値づかみになりやすいため、最低限の業績条件を組み合わせるべきです。たとえば、営業利益が赤字の銘柄を除外する、自己資本比率が低すぎる銘柄を除外する、といった安全装置を入れます。

スクリーニング結果をそのまま買ってはいけない理由

自動化で抽出された銘柄は、あくまで候補です。ランキング上位だからといって、すぐに買うのは危険です。なぜなら、数字だけでは見えない要素が多いからです。大型受注の反動減、一時的な補助金、為替差益、会計上の特殊要因、特定顧客への依存、流動性不足、親会社との関係などは、単純なスクリーニングでは見落とされます。

したがって、スクリーニング後には必ず定性確認を行います。最初に決算短信を読み、売上と利益がなぜ伸びたのかを確認します。次に、会社説明資料で市場規模、成長戦略、利益率改善の理由を確認します。さらに、出来高と時価総額を見て、自分の資金規模で無理なく売買できるかを確認します。

特に小型株では、スプレッドが広く、出来高が少ない銘柄があります。理論上は魅力的でも、実際に売買すると希望価格で約定しにくい場合があります。Pythonのスクリーニングには、最低売買代金や平均出来高の条件を入れると実践性が上がります。

銘柄確認チェックリスト

スクリーニング後の確認では、次のようなチェックリストを使うと判断が安定します。第一に、売上成長は本業によるものか。第二に、利益率改善は一時要因ではないか。第三に、営業キャッシュフローは黒字か。第四に、自己資本比率は低すぎないか。第五に、時価総額と出来高は十分か。第六に、株価はすでに急騰しすぎていないか。第七に、次の決算で確認すべきポイントは何か。

このチェックを通過した銘柄だけを監視リストに入れます。買うかどうかは、さらに株価位置、決算日、地合い、ポートフォリオ全体のリスクを見て判断します。スクリーニングは入口であり、出口戦略やリスク管理まで自動で解決してくれるわけではありません。

自動化で作るべき出力ファイル

Pythonで出力するファイルは、単なる銘柄コード一覧ではなく、判断に必要な情報を並べた表にするべきです。最低限、銘柄コード、企業名、市場、業種、時価総額、売上成長率、営業利益成長率、営業利益率、ROE、自己資本比率、PER、PBR、終値、200日移動平均線、出来高増加率、合計スコア、コメント欄を入れると使いやすくなります。

コメント欄は最初は空欄で構いません。抽出後に自分で「決算説明資料確認済み」「特需の可能性あり」「出来高不足」「次回決算待ち」などを記録します。これにより、単なる自動ランキングではなく、自分専用の投資データベースになります。

さらに、毎週同じ条件で出力し、前回順位と今回順位を比較すると、評価が上がってきた銘柄を発見できます。たとえば前回80位だった銘柄が今回20位に上昇した場合、業績修正や株価トレンドの改善が起きている可能性があります。上位固定銘柄だけでなく、順位変化を見ることが重要です。

運用ルーティンの具体例

実践では、毎日スクリーニングを回す必要はありません。中長期投資なら週1回で十分です。たとえば毎週末に株価データと財務データを更新し、Pythonでランキングを出力します。上位50銘柄を確認し、新規に入ってきた銘柄と順位が大きく上がった銘柄を重点的に見ます。

決算シーズンは頻度を上げてもよいでしょう。決算発表後は、業績予想の上方修正、営業利益率の変化、通期進捗率、株価反応が大きく変わります。決算後にスコアが急上昇した銘柄は、投資家の評価が変わる初期段階にある可能性があります。

一方で、相場全体が急落している局面では、スコア上位でも株価が下がることがあります。この場合は、スクリーニング結果を買いリストではなく監視リストとして使います。地合いが落ち着いたときに、業績が強く、株価も回復し始めた銘柄を選ぶ方が安全です。

バックテストで期待値を確認する

スクリーニング条件を作ったら、可能な範囲で過去データを使って検証します。たとえば、毎月末時点でスコア上位20銘柄を抽出し、翌月のリターンを計算します。それを数年分繰り返し、平均リターン、勝率、最大下落率、TOPIXとの比較を確認します。

バックテストで重要なのは、都合の良い条件を後から作りすぎないことです。過去に上がった銘柄に合わせて条件を調整しすぎると、未来では機能しない可能性が高くなります。条件はシンプルに保ち、なぜその条件が有効だと考えるのかを説明できる状態にしておくべきです。

また、売買コスト、流動性、ストップ高・ストップ安、決算またぎのリスクも考慮します。小型株の過去リターンは魅力的に見えても、実際には約定しにくい場合があります。バックテスト結果は参考であり、現実の売買可能性まで確認して初めて使える戦略になります。

よくある失敗パターン

最も多い失敗は、条件を増やしすぎることです。PER、PBR、ROE、ROIC、売上成長率、利益成長率、出来高、移動平均、配当利回り、自己資本比率など、あらゆる条件を入れると、抽出される銘柄が極端に少なくなります。条件が厳しすぎると、見た目は優秀でも投資機会を逃しやすくなります。

次に多い失敗は、スコアの意味を理解せずにランキングだけを見ることです。合計点が同じ80点でも、成長性で稼いだ80点と、割安性で稼いだ80点では性質が違います。短期で狙うのか、長期で保有するのかによって、重視すべきスコアは変わります。

三つ目は、データの欠損や異常値を放置することです。PERがマイナス、PBRが極端に低い、売上成長率が異常に高いといったデータには注意が必要です。赤字企業のPER、特別利益による利益急増、株式分割後の価格調整などをそのまま扱うと、ランキングが歪みます。

オリジナル戦略：決算後スコア変化を追う

ここからは、単なるスクリーニングから一歩進めた実践アイデアです。おすすめは「決算後スコア変化」を追う方法です。通常のランキングでは、すでに高評価の銘柄が上位に並びやすくなります。しかし投資妙味が出やすいのは、市場評価が変わり始めるタイミングです。

具体的には、決算発表前のスコアと決算発表後のスコアを比較します。売上成長率、営業利益率、通期進捗率、会社予想の修正、株価トレンド、出来高を更新し、スコアが大きく上昇した銘柄を抽出します。たとえば、決算前55点だった銘柄が決算後78点に上がった場合、市場がまだ十分に織り込んでいない可能性があります。

この方法の利点は、絶対的な優良企業だけでなく、変化率の大きい企業を見つけられることです。株価は企業の状態そのものよりも、期待値の変化に反応することが多いです。業績が良い企業がさらに良くなるより、低評価だった企業が改善し始める方が、株価の変化率は大きくなる場合があります。

Pythonでは、前回のスクリーニング結果を保存しておき、今回の結果と銘柄コードで結合します。そして、total_scoreの差分を計算します。差分が大きい順に並べれば、評価が改善した銘柄リストが作れます。

previous = pd.read_csv("screening_previous.csv")
current = pd.read_csv("screening_current.csv")

compare = pd.merge(
    current,
    previous[["code", "total_score"]],
    on="code",
    how="left",
    suffixes=("_current", "_previous")
)

compare["score_change"] = compare["total_score_current"] - compare["total_score_previous"]
watchlist = compare.sort_values("score_change", ascending=False)
watchlist.to_csv("score_change_watchlist.csv", index=False, encoding="utf-8-sig")

この差分リストは、通常のランキングよりも実践的です。なぜなら、投資家が気づき始める前の変化を拾える可能性があるからです。もちろん、スコア上昇の理由は必ず確認する必要があります。一時的な特別利益で上がっただけなら除外すべきです。一方、本業の利益率改善や受注増加が理由なら、継続監視する価値があります。

ポートフォリオへの組み込み方

スクリーニングで良い銘柄が見つかっても、資金を集中しすぎるのは避けるべきです。特に小型株や中型株は、個別材料で大きく動きます。1銘柄に資金を集中すると、決算ミスや悪材料で大きな損失を受ける可能性があります。

現実的には、監視リストを30銘柄程度作り、その中から5〜10銘柄に分散する方法が使いやすいです。買うタイミングも一括ではなく、決算確認後、押し目、移動平均線回復など、複数回に分けると心理的な負担が減ります。

また、同じテーマや業種に偏りすぎないようにします。AI関連、半導体関連、防衛関連など、テーマ株は同じ材料で一斉に動きます。スクリーニング上位が同じ業種ばかりになった場合は、業種別の上限を設定するのも有効です。Pythonで業種ごとに最大2銘柄まで抽出するようにすれば、ポートフォリオの偏りを抑えられます。

ChatGPT活用時の注意点

ChatGPTは便利ですが、投資判断を丸投げする道具ではありません。特に、銘柄名、株価、決算数値、最新ニュースについては、必ず一次情報や信頼できるデータで確認する必要があります。ChatGPTが出した説明が自然に見えても、データが古い、前提が違う、指標の意味を取り違えている可能性があります。

安全な使い方は、ChatGPTを「仮説作成」「コード作成」「分析観点の整理」に使うことです。最終判断は、決算短信、有価証券報告書、会社説明資料、株価データ、出来高データを確認したうえで行います。AIは分析作業を速くしますが、責任を代替するものではありません。

また、ChatGPTにコードを書かせた場合も、処理内容を理解する努力が必要です。どの列を使い、どの条件で抽出し、欠損値をどう処理しているのかを確認します。ブラックボックス化したスクリーニングは危険です。自分が説明できる条件だけを使う方が、長く運用できます。

実践ステップまとめ

まずは、銘柄探しの目的を決めます。成長株を探すのか、割安株を探すのか、業績改善株を探すのか、需給改善株を探すのかを明確にします。次に、その目的を指標に落とします。売上成長率、営業利益率、ROE、自己資本比率、PER、PBR、移動平均線、出来高などを選びます。

次に、ChatGPTでスコアリング案とPythonコードの叩き台を作ります。入力CSVの列名を指定し、出力したい項目も明確にします。その後、実際のデータでコードを動かし、結果を確認します。上位銘柄を決算資料で検証し、納得できるものだけを監視リストに入れます。

さらに、毎週または決算後に同じ条件でスクリーニングを回し、順位変化やスコア変化を確認します。上位銘柄だけでなく、急浮上した銘柄を見ることで、市場評価の変化を捉えやすくなります。最終的には、自分の投資スタイルに合わせて条件の重みを調整し、独自の銘柄発掘システムに育てていきます。

結論：自動化の価値は銘柄数を減らすことにある

ChatGPTとPythonを使った日本株スクリーニングの本質は、未来を当てることではありません。膨大な銘柄の中から、見る価値のある候補を短時間で抽出することです。これにより、投資家はニュースやSNSに振り回される時間を減らし、決算内容や事業構造の確認に時間を使えるようになります。

投資で重要なのは、情報を多く集めることではなく、意思決定に使える形に整えることです。ChatGPTは仮説と言語化を助け、Pythonは大量処理と再現性を支えます。この2つを組み合わせれば、個人投資家でも十分に実践的な銘柄発掘プロセスを作れます。

最初から完璧なシステムを作る必要はありません。まずはCSVを読み込み、数個の条件で銘柄を抽出するだけで十分です。そこからスコアリング、順位変化、決算後変化、業種分散、バックテストへと段階的に発展させればよいのです。感覚だけの銘柄探しから、ルールに基づく銘柄発掘へ移行すること。それが、ChatGPTとPythonを投資に活用する最大のメリットです。