日経平均を爆上がりさせるAI・半導体関連株

結論

日経平均を押し上げているのは、AI・半導体関連株
具体的には、ソフトバンク、アドバンテスト、東京エレクトロンの３社

１．日経平均とは

日経平均株価 (225銘柄)は、東証プライム上場銘柄の中から、市場の流動性や業種のバランスを考慮して選ばれた225銘柄で構成されています。

銘柄数が少ないため、その動向は選ばれた企業の業績や市場の勢い（モメンタム）を強く反映します。

同じく、代表的な株価指数であるTOPIXとの違いは以下の通り。

２．日経平均が上昇したのは、どの会社の株価が上昇したから？

ニュースで日経平均の上昇が聞かれる今日この頃ですが、値嵩株の影響を受けます。ということで、年初からの、値嵩株TOP10の内、どこの株が爆上がりして、日経平均を押し上げたのか、分析してみました。

分析結果は、以下の通り。

参考までにコードも載せておきます。

import yfinance as yf
import pandas as pd
from datetime import date

# --- ステップ 1: 銘柄リストの準備 ---
# 構成比率上位10銘柄のティッカーリスト
TICKERS = [
    '9983.T',  # ファーストリテイリング
    '8035.T',  # 東京エレクトロン
    '6857.T',  # アドバンテスト
    '9984.T',  # ソフトバンクグループ
    '6098.T',  # リクルートホールディングス
    '9433.T',  # KDDI
    '6762.T',  # TDK
    '4063.T',  # 信越化学工業
    '4543.T',  # テルモ
    '6954.T',  # ファナック
]

# 銘柄名マッピング（結果表示用）
ticker_map = {
    '9983.T': 'ファーストリテイリング', '8035.T': '東京エレクトロン',
    '6857.T': 'アドバンテスト', '9984.T': 'ソフトバンクグループ',
    '6098.T': 'リクルートHD', '9433.T': 'KDDI', '6762.T': 'TDK',
    '4063.T': '信越化学工業', '4543.T': 'テルモ', '6954.T': 'ファナック'
}

# 分析期間の設定
START_DATE = '2025-01-01'
END_DATE = date.today().strftime('%Y-%m-%d')

print(f"分析期間: {START_DATE} から {END_DATE}")
print(f"対象銘柄数: {len(TICKERS)}")

# --- ステップ 2: 株価データの取得 ---
try:
    # 'Close'列を取得 (auto_adjust=Trueにより調整済み終値)
    data = yf.download(TICKERS, start=START_DATE, end=END_DATE)['Close']

    if data.empty:
        raise ValueError("データが取得できませんでした。日付またはティッカーを確認してください。")

    print(f"✅ データ取得完了。取得した営業日数: {len(data)}")

except Exception as e:
    print(f"データの取得中にエラーが発生しました: {e}")
    exit()

# --- ステップ 3: 寄与度（変動額）の計算とランキング ---

# 1. 年初と最新日の株価を取得
initial_prices = data.iloc[0]
final_prices = data.iloc[-1]

# 2. 株価の変動額（貢献度の代理指標）を計算
contribution = final_prices - initial_prices

# 3. 結果をDataFrameにまとめてランキングを作成
temp_df = pd.DataFrame({
    '年初株価': initial_prices,
    '最新日株価': final_prices,
    '株価変動額 (円)': contribution
})

# 4. ティッカーを列に変換し、列名を確実に設定する
ranking_df = temp_df.sort_values(by='株価変動額 (円)', ascending=False).reset_index()

# reset_index()後の最初の列が必ずティッカーとなるため、iloc[0]で取得して設定する
ranking_df.columns.values[0] = 'ティッカー'

# 5. 銘柄名列を追加
ranking_df['銘柄名'] = ranking_df['ティッカー'].map(ticker_map)

# 最終的な表示列の順序を定義
display_columns = ['銘柄名', 'ティッカー', '年初株価', '最新日株価', '株価変動額 (円)']

# 最終結果の表示
print("\n--- 📈 日経平均株価への貢献度 (2025年1月以降) ランキング Top 10 ---")
print("※ 変動額が大きい銘柄ほど、日経平均を強く押し上げています。")

# to_markdownで整形して出力
print(ranking_df[display_columns].head(10).to_markdown(index=False, floatfmt=",.2f"))

ついでに、可視化してみると

コードは以下の通りです。

import pandas as pd
import matplotlib.pyplot as plt
import japanize_matplotlib # 日本語表示のためのライブラリ

# --- ステップ 1: 画像のデータからDataFrameを作成 ---
# 画像の表から読み取ったデータ（手動で入力）
data = {
    '銘柄名': ['ソフトバンクグループ', 'アドバンテスト', '東京エレクトロン', 'ファーストリテイリング',
               'ファナック', 'TDK', 'KDDI', 'テルモ', '信越化学工業', 'リクルートHD'],
    'ティッカー': ['9984.T', '6857.T', '8035.T', '9983.T', '6954.T', '6762.T',
                 '9433.T', '4543.T', '4063.T', '6098.T'],
    '年初株価': [9197.93, 9257.58, 23763.92, 51000.90, 3992.79, 1964.50,
               2369.90, 2967.94, 5096.00, 10743.10],
    '最新日株価': [22695.00, 19875.00, 34190.00, 58630.00, 5180.00, 2448.50,
                2650.00, 2518.50, 4566.00, 8282.00],
    '株価変動額 (円)': [13497.07, 10617.42, 10426.08, 7629.10, 1187.21, 484.00,
                     280.10, -449.44, -530.00, -2461.10]
}
ranking_df = pd.DataFrame(data)

# 貢献度（変動額）で昇順に並べ替える (横棒グラフで貢献度の高い順に上に来るようにするため)
# 昇順に並べ替えると、plt.barh()では貢献度の低いものが下から順に描画される
ranking_df = ranking_df.sort_values(by='株価変動額 (円)', ascending=True).reset_index(drop=True)

# --- ステップ 2: グラフの作成 ---

# グラフのサイズを設定
plt.figure(figsize=(10, 7))

# 貢献度（株価変動額）に応じて色分け
# 正の値（押し上げ）は緑系 #2ca02c、負の値（押し下げ）はオレンジ系 #ff7f0e
colors = ['#ff7f0e' if x < 0 else '#2ca02c' for x in ranking_df['株価変動額 (円)']]

# 横棒グラフの作成
bars = plt.barh(
    ranking_df['銘柄名'],                # y軸（銘柄名）
    ranking_df['株価変動額 (円)'],        # x軸（変動額）
    color=colors
)

# グラフタイトルとラベルの設定
plt.title(
    '日経平均株価への貢献度ランキング (2025年1月以降)',
    fontsize=16,
    fontweight='bold'
)
plt.xlabel('株価変動額 (円) - 日経平均株価への寄与度（貢献度）の代理指標', fontsize=12)
plt.ylabel('銘柄名', fontsize=12)

# x軸に垂直な補助線（0円ライン）を追加
plt.axvline(0, color='gray', linestyle='--')

# グラフの値（変動額）を棒の横に表示
# bars.patchesのインデックス(i)を使ってy座標を指定
for i, bar in enumerate(bars.patches):
    value = bar.get_width() # 棒の長さ = 株価変動額
    y_position = bar.get_y() + bar.get_height() / 2 # 棒の中央のy座標

    # 数値をカンマ区切りにし、小数点以下を丸める
    text = f'{value:,.0f}'

    # 棒が正の値の場合（右側）
    if value >= 0:
        # 棒の右端から少し右にテキストを配置
        plt.text(value + 100, y_position, text, va='center', ha='left', fontsize=10)
    # 棒が負の値の場合（左側）
    else:
        # 棒の左端から少し左にテキストを配置
        plt.text(value - 100, y_position, text, va='center', ha='right', fontsize=10)

# レイアウト調整
plt.tight_layout()

# グラフを表示
plt.show()

３．AI・半導体関連株が、日経平均をリードする！

ご覧の通り、ソフトバンク、アドバンテスト、東京エレクトロンといったAI・半導体関連の有名銘柄がトップ３を占めています。

ちなみに、年初の株価を100とした場合の上記３社の株価推移は以下の通り。

３社とも、４月のトランプ関税では、日経平均を下回る下げを記録したもの、その後の上げが見事ですね。

コードは以下の通りです。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

# --- 1. データのダウンロード (再掲) ---
# エラー回避のため、ダウンロードコードを再度含めます。
tickers = ['9984.T', '8035.T', '6857.T', '^N225']
start_date = '2025-01-01'

# auto_adjust=False を明示し、Adj Close 列を取得
data = yf.download(tickers, start=start_date, auto_adjust=False)['Adj Close']

# 列名を分かりやすく変更 (yfinanceのティッカー並び順: 6857.T, 8035.T, 9984.T, ^N225)
data.columns = ['Advantest', 'TokyoElectron', 'SoftbankG', 'Nikkei225']


# --- 2. データの正規化（インデックス化） ---
# 基準日（2025年1月1日）の価格を100として、全ての価格をインデックス化
# Normalized Price = (Current Price / Price on Start Date) * 100
normalized_data = data / data.iloc[0] * 100

print("--- 正規化データ確認（最初の5行） ---")
print(normalized_data.head())


# --- 3. グラフによる可視化 ---
plt.figure(figsize=(12, 6))

# 日経平均は比較対象として目立たせる
plt.plot(normalized_data.index, normalized_data['Nikkei225'],
         label='Nikkei 225 (^N225)', linewidth=3, color='black', linestyle='--')

# 3社の銘柄を描画
plt.plot(normalized_data.index, normalized_data['SoftbankG'],
         label='Softbank G (9984.T)', linewidth=1.5)
plt.plot(normalized_data.index, normalized_data['Advantest'],
         label='Advantest (6857.T)', linewidth=1.5)
plt.plot(normalized_data.index, normalized_data['TokyoElectron'],
         label='Tokyo Electron (8035.T)', linewidth=1.5)

plt.title(f'Price Synchronization Analysis: Nikkei 225 vs. AI-related Stocks (Since {start_date})')
plt.xlabel('Date')
plt.ylabel(f'Price Index (Start Date = 100)')
plt.legend(loc='upper left')
plt.grid(True, linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

４．最後に

やはり、時代はAI・半導体ですね(笑)
トヨタやソニーは時価総額が大きいため、日経平均というよりは、TOPIXが活躍の場ですね。

何か、気になることがあったら、コメントくださいね！