はてなブックマーク

自動銘柄スクリーニングbotを、生成AI『無料期間内に』作る-　「計画・環境構築編」 はじめに これまで、株式投資における銘柄スクリーニングシステムの構築をしてきました。 記事にしたのは、以下のとおりです。 財務スクリーニングの方法 移動平均とRSIを使ったテクニカルスクリーニングの方法と精度検証 バックテストのためのローカルデータセット構築 バックテストの高速化の方法 しかし、これらはバックテストに構築されたものです。 実運用となると、 毎回Google Colabのカーネルをひとつずつ実行したり、 日付に合わせてディレクトリを手作業で書き直したり、 その日に必要なデータを取得して整形したり、 何かと不便が多いです。 投資は、持続的に行うことで、リスクも分散できるし、当たるチャンスに出会う確率も上がると思います（無計画に続けるとリスクの方が大きいですが...）。 しかし、仕事が終わった後

素人が生成AI無料期間中に作る！毎日自動で銘柄スクリーニング＆X自動通知Bot これまでの経緯 本記事は、Pythonによる株式スクリーニング自動化・実践の続編です。これまでの背景や検証の流れは、以下の記事をご確認ください。 現在構築中のスクリーニングモデルの全体像と今回やること 生成AI無料期間にスクリーニング結果自動通知botを作り始めた 今回のモデルのスクリーニング速度を100倍向上した方法 yfinance由来の軽量データセット構築 今回のモデルの改善点 今回のスクリーニングモデルの精度 相場状況を簡易的に数値化する 財務スクリーニング *2025年7月7日　リンク修正しました。お知らせいただきありがとうございました。 はじめに 毎日自動で銘柄スクリーニングの結果を知れたら、仕事が終わった後の疲れたの脳でも、めんどくさがらずに、お布団に吸引されることもなく、定期的に投資が続けられる

# ----------------------------- # 2nd Screening V1 # ----------------------------- import time global_start_time = time.time() from google.colab import drive drive.mount('/content/drive') import pandas as pd import numpy as np import os from tqdm.notebook import tqdm import yfinance as yf from curl_cffi import requests # -------------------------------------------------- # ヘルパー関数定義セクション # --------

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Qiitaに10本記事を書いて学んだ、読まれそうな記事の3つの鍵 「なんのために働いてるんだろう」 「自分のやっていること価値がない気がする」 そんなことをぼんやり思いながら、なんとなく始めたのが、Pythonと株式投資、そしてQiitaでのアウトプットでした。 最初は反響ほぼ無し。自信も実績もないから、やっぱりダメだなぁと思う毎日。 それでも10本目を迎えた今、気づいたことがあります。 読まれる記事には、それなりの“型”がある 手応えはすぐには返ってこないけど、蓄積すれば必ず何かが動く 技術記事にも、書き手の物語はちゃんと滲む（そう信

yfinaceデータを用いた軽量データセット（個人用）の構築 はじめに これまでテクニカルスクリーニングのバックテストを行う中で、 処理速度の遅さに課題を感じていました。 特に、複数銘柄に対してループ処理を行う際、 毎回 yfinance を通じて株価データを取得していたため、 同じ銘柄でも都度ダウンロードが発生し、非効率でした。 →今のスクリーニング系の問題について書いたのがこちらの記事です。よければ参考に。 例えば以下のようなコードが問題でした。 # ----------------------------- # スクリーニング条件別ループ # ----------------------------- summary = [] for cond in screening_conditions: result = [] chart_dir = お好きなディレクトリ os.makedir

# 1st screening import numpy as np import pandas as pd import matplotlib.pyplot as plt import yfinance as yf from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from sklearn.metrics import mean_squared_error import os import time import concurrent.futures from google.colab import drive # Google Drive

整理整頓から始める在宅トレード環境最適化 最近Python×株式投資：月利3〜5％を狙う自動スクリーニング戦略なんていう、ちょっと真面目で小難しい記事を書いたんですが、 ふと気づいたんですよ。 机、汚くね？ ↑説得力ゼロの作業環境。 株価予測コードをどれだけ力説しても、 机がこれでは、リターンも乱れるんじゃないかと。 ニトリの神ワゴンにすべてを託した というわけで、こちらの商品を衝動買い。 高さ調節ができるスチールワゴン トロリ4 コンパクト 画像はHPから引用させていただきました。 散らかった作業環境を一掃した救世主。 上段はキーボード・マウス類、中段は古いMacたち、下段はそのほか細々・日用品ストック用に分けて使います。 ✅ 狭いスペースにもぴったり ✅ キャスター付きで移動も楽 ✅ 天板を買うと小さい机がもう１個増える感じ 「投資ではなく設備に資金投入」です。 組み立ての様子は割愛

たくさんありますが、パターン4つごとに、RSIの範囲が変わっているだけです。MA乖離上限は4つごとに同じことを繰り返しています。 各スクリーニング日には地合いスコア（-3〜+3）をタグ付けしており、 これにより相場の状況によってどのパターンが機能しやすいのかも、あわせて検証できます。 テクニカル選抜の有効性について（バックテストの結果） 概要 1ヶ月後にプラスの平均リターン（3〜7%）を期待できるパターンが存在し、有効性のあるテクニカル選抜条件が含まれていると考えられました。 また、最適な選抜条件は地合いスコアによって異なることが示唆されました。以下では、スコアごとに結果を整理します。 ＜地合いスコア -3〜0＞ 相場が最も悪い「スコア -3」のときは、**RSIが低め（25〜50）かつMA乖離上限（ma_eps）が4〜8%**のパターンで、 シャープレシオが0.8以上、かつ銘柄数が20未