〜ゴールデンクロス検知 × チャートパターン判定〜

はじめに：なぜ「買う」より「作る」なのか

有料のスクリーニングツールは月額3,000円〜1万円が相場です。しかし多くの個人投資家が本当に欲しいのは、他人が決めた条件ではなく「自分のルールで、自分の監視銘柄だけを、毎朝自動でチェックしてくれる仕組み」ではないでしょうか。

幸いなことに、2026年現在、この仕組みは無料のライブラリと数十行のコードで作れます。しかも生成AIの登場によって、これまで最大の壁だった「コードが書けない」という問題はほぼ消滅しました。

本教材では、私が実際に運用している2つのツールを題材に、設計思想から実装、そして落とし穴までを解説します。

ゴールデンクロス／デッドクロス検知ツール
チャートパターン（ヘッドアンドショルダー等）判定ツール

ただ動くコードを写経するのではなく、「なぜその条件式なのか」「何を間違えると使い物にならないのか」まで踏み込みます。ここが無料記事との差です。

第1章　全体設計：3層に分けて考える

自作ツールで最も多い失敗が、AIに全部やらせようとすることです。「この株価データを見て買いか売りか判断して」とAIに投げるやり方は、一見スマートですが再現性がなく、数字の取り違え（ハルシネーション）も起きます。

正しい設計は3層分離です。

層役割担当データ取得層株価の四本値・出来高を取ってくる API 判定層数値計算・シグナル判定 Pythonコード（決定論的） AI解釈層判定結果を文章で説明・優先順位付け生成AI

鉄則：計算はコード、説明はAI。 移動平均の計算やクロス判定をAIにやらせてはいけません。ここを守るだけで、ツールの信頼性は劇的に変わります。

第2章　データ取得層：どこから株価を取るか

選択肢A：yfinance（手軽さ最優先）

Pythonの定番ライブラリです。APIキー不要、pip install yfinance の1行で使えます。

import yfinance as yf

t = yf.Ticker("7203.T")            # 日本株は末尾に .T
df = t.history(period="1y")        # 直近1年の日足
print(df.tail())

押さえるべき注意点が3つあります。

① 非公式ライブラリである yfinanceはYahoo! Financeの公認APIではありません。仕様変更で突然壊れる可能性があり、データの再配布や商用利用には制約があります。個人の分析用途に留めるのが安全です。

② 短時間の大量リクエストでブロックされる 数百銘柄をループで回すと、IPブロックされることがあります。厄介なのは、ブロック時に例外が飛ばず「空のDataFrame」が返るケースがあることです。必ず取得直後にチェックを入れてください。

import time

if df.empty:
    raise ValueError("データ取得に失敗しました")
time.sleep(1)   # ループ時は必ずウェイトを入れる

③ 列の形が環境で変わる yf.download() は、バージョンによって単一銘柄でも列がMultiIndex（2階層）で返ります。ここでコードが動かなくなる人が非常に多い。単一銘柄なら Ticker().history() を使うのが最も事故が少なく、download() を使うなら multi_level_index=False を明示してください。

また auto_adjust は既定でTrueとなっており、Closeが配当・分割調整後の値になります。日本株のツールでは、これはむしろ必須の設定です。株式分割を調整せずに移動平均を計算すると、分割日にありもしないデッドクロスが大量発生します。自作ツールの誤検知で最も多い原因がこれです。

選択肢B：J-Quants API（信頼性優先）

東京証券取引所を運営するJPXグループが公式提供する、個人投資家向けの金融データAPIです。四本値・出来高・財務データ・上場銘柄一覧などを取得でき、Freeプラン（無料）でも過去2年分が利用できます。

2026年時点の重要な変更点を2つ挙げます。

V2への移行：2025年12月のリニューアルでV2が提供開始され、認証方式が変わりました。V1のリフレッシュトークン方式は廃止され、ダッシュボードから発行するAPIキー方式に統一されています。ネット上の古い解説記事はV1前提のものが多いため、そのまま写経すると認証で詰まります。
CSV・分足/Tickの追加：2026年1月19日に、CSV形式での一括取得と、株式の分足・Tickデータの提供が追加されました。

ただし、無料プランのデータは12週間遅延して配信されます。つまり「今朝のゴールデンクロス」をリアルタイムに拾う用途には使えません。

結論：ロジックの検証・バックテストはJ-Quants、日々の運用監視はyfinanceという使い分けが、個人にとって最もコスパの良い構成です。

第3章　ゴールデンクロス検知の実装

3-1　最小構成のコード

ゴールデンクロスとは「短期移動平均線が長期移動平均線を下から上に抜けること」。日本株では25日線と75日線の組み合わせが最も広く見られています。

import yfinance as yf

df = yf.Ticker("7203.T").history(period="2y")

df["SMA_S"] = df["Close"].rolling(25).mean()
df["SMA_L"] = df["Close"].rolling(75).mean()

diff = df["SMA_S"] - df["SMA_L"]

df["GC"] = (diff > 0) & (diff.shift(1) <= 0)   # ゴールデンクロス
df["DC"] = (diff < 0) & (diff.shift(1) >= 0)   # デッドクロス

print(df[df["GC"]].index)

ここが本質です。「短期線 > 長期線」だけでは、クロスした瞬間ではなく上抜けている期間すべてがTrueになります。shift(1) で前日の状態を見て、「昨日は上でなかったが、今日は上になった」という状態変化を捉える。これがクロス検知の核です。

初学者の9割はここを間違え、「毎日シグナルが出続けるツール」を作ってしまいます。

3-2　ダマシを削るフィルタ設計

素のゴールデンクロスは、そのままでは実戦で使えません。もみ合い相場では短期線と長期線が絡み合い、往復ビンタのシグナルを量産します。実務では以下のフィルタを重ねます。

① 長期線の傾きフィルタ 長期線が下向きのままのクロスは、下落トレンド中の一時的な戻りであることが多い。

df["SLOPE_OK"] = df["SMA_L"] > df["SMA_L"].shift(5)

② 乖離率フィルタ 2本の線がほぼ重なった状態でのクロスはノイズです。一定以上の差がついてから採用します。

df["GAP_OK"] = (diff.abs() / df["SMA_L"]) > 0.005   # 0.5%以上

③ 出来高フィルタ 出来高を伴わないブレイクは continuation しにくい。

df["VOL_OK"] = df["Volume"] > df["Volume"].rolling(20).mean()

最終シグナルは3つのANDを取ります。

df["SIGNAL"] = df["GC"] & df["SLOPE_OK"] & df["GAP_OK"] & df["VOL_OK"]

閾値（0.5%、5日、20日）は**必ず自分の対象銘柄でチューニングしてください。**値がさ株と低位株、大型株と新興市場では最適値がまったく異なります。この調整作業こそが、市販ツールにはない自作の価値です。

第4章　チャートパターン判定の実装

4-1　まず「極値」を取る

ヘッドアンドショルダー、ダブルトップ、三角保ち合い──これらはすべて、高値と安値の並び方で定義されます。したがって最初のステップは、チャートから意味のある山と谷を抽出することです。

ここで使うのがSciPyの find_peaks です。

from scipy.signal import find_peaks
import numpy as np

close = df["Close"].values

peaks, _ = find_peaks(close, distance=10, prominence=np.std(close) * 0.5)
troughs, _ = find_peaks(-close, distance=10, prominence=np.std(close) * 0.5)

2つの引数が命です。

distance：山と山の最低間隔。小さすぎると微細なギザギザを全部拾います
prominence：山の「際立ち度」。周囲からどれだけ突出しているかで、ノイズを除去します

株価の標準偏差を基準に prominence を決めると、銘柄ごとのボラティリティ差を自動吸収できます。固定値を入れると、値動きの小さい銘柄では山が一つも取れず、大きい銘柄では取りすぎます。

4-2　ヘッドアンドショルダーの判定条件

抽出した山を3つずつスライドさせながら、以下を満たすか検査します。

def is_head_and_shoulders(close, p1, p2, p3, tol=0.05):
    L, H, R = close[p1], close[p2], close[p3]

    # 中央が最も高い（頭）
    if not (H > L and H > R):
        return False
    # 左右の肩の高さが近い
    if abs(L - R) / max(L, R) > tol:
        return False
    # 頭が肩より明確に高い
    if (H - max(L, R)) / max(L, R) < 0.03:
        return False
    return True

さらに実戦ではネックライン割れの確認が必須です。2つの谷を結んだ線を現在値が下抜けて初めて、パターンは「完成」します。形が出来ただけで売るのは早すぎます。

# 2つの谷の安値を結び、その水準を終値が下抜けたか
neckline = min(close[t1], close[t2])
completed = close[-1] < neckline

tol=0.05（肩の許容差5%）は、緩めれば検出数が増えて精度が落ち、厳しくすれば教科書的な形しか拾いません。まずは0.05から始め、実際のチャートを目視で確認しながら調整するのが最短ルートです。

第5章　AI解釈層：Claude APIで「読める出力」にする