1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Claude Codeで株式投資のバックテストを自動化した【Yahoo Finance MCP × Notion】

1
Posted at

はじめに

AIに株を分析してもらっても、最後は自分が迷っている。

「今は買っていいのか」「下がったけれど売るべきか」「もう少し待った方がいいのか」。

これまでClaude Codeでスクリーニングや分析を自動化してきましたが、分析が詳しくなっても、日々の判断にかかる負担は残っていました。

そこで今回は、「AIに良い銘柄を考えてもらう」から、「決めた売買ルールを過去データで検証し、毎日そのルールで点検する」へ、仕組みを作り直しました。

構成は、Yahoo Financeのデータを取得するMCPサーバー、バックテスト用の6つのSkills、ルールと記録を管理するNotionです。

これまでに用意したデータパッケージの一つは、米国・日本・シンガポールの約7,000銘柄、約1,090万行の日次データです。このデータを使い、Claude Codeに日本語で条件を伝えて、バックテストから検算まで進めます。

ただし、作ったのは自動売買システムではありません。ルールの変更を承認するのも、実際に注文するのも人間です。

この記事では、何ができるのか、どのように役割を分けたのか、バックテストの数字をそのまま信じないために何をしているのかを紹介します。

ソースコードはこちらです。

1. まず、何ができるのか

例えば、Claude Codeに次のように依頼します。

Notionにある採用中の売買ルールを読み、
ルールを変更せずに、過去5年分のバックテストをしてください。

現金から開始し、買い条件が成立した場合だけ購入してください。
期間・配当・税・手数料・為替の扱いを明記してください。

必要なデータや条件が不足している場合は、推測で埋めずに報告してください。
結果は検算し、最大下落と、その時期の取引内容も確認してください。

MCPへの接続、必要なSkills、ルールの参照先を用意しておけば、データの確認からルールの仕様化、実行、検算までを進められます。

そこから、条件を変えて比較していきます。

確かめたいこと 依頼の例
今のルールを検証する 「Notionのルールどおりに5年分バックテストして」
利益・損失の原因を調べる 「銘柄ごとの保有期間と、保有中の最大含み損を出して」
条件を一つ変えて比較する 「損切り条件を追加した場合と、追加しない場合を比べて」
開始時期への依存を見る 「開始月をずらして、結果がどれくらい変わるか確認して」
別の相場で確かめる 「2008年の金融危機を含む期間でも試して」
新しい候補を探す 「損失の原因から改善候補を作り、別の期間でも検証して」

もちろん、どの期間でも同じ精度で検証できるわけではありません。例えば、古い時代を検証する場合は、当時の銘柄構成や発行済株式数をどこまで再現できるかが制約になります。

日本語で依頼できることと、必要なデータがそろっていることは別です。 ここは混同しないようにしています。

例:原油高のとき、エネルギー株を買っていたら?

こんな問いも試せます。

原油価格が上がっている時期に、
エネルギー株を買っていたらどうなっていたか検証してください。

ただし、「原油価格が上がっている時期」は、そのままでは曖昧です。

そこで、例えば「原油先物の終値が、指定した移動平均線より上にある期間」のように、判定できる条件にします。これは検証用の条件例であり、有効性が確認済みの売買ルールではありません。

処理の流れは次のとおりです。

原油先物と対象銘柄の価格を取得
        ↓
「原油高」の定義と売買条件を固定
        ↓
条件が成立する期間の売買をシミュレーション
        ↓
買い持ちや指数と比較
        ↓
利益・損失が出た銘柄と時期を確認

ここでやりたいのは、AIにもっともらしい相場解説を作らせることではありません。

仮説を条件に変え、同じ条件で過去を確かめることです。

2. なぜ「分析」より「ルールの検証」に寄せたのか

これまでのシリーズでは、スクリーニング、過去の分析の再利用、複数AIによる議論などを試してきました。

それぞれに得られるものはありましたが、残った問題があります。

AIの分析を読んだあと、結局は人間が判断しなければならないことです。

買い候補が出ても、本当に買うかは迷う。買ったあとに下がれば、また分析を依頼する。新しい説明を読むたびに、最初に決めた方針が揺れる。

また、過去の推奨が実際にどうだったかを、同じ条件で検証する仕組みも十分ではありませんでした。

そこで、今回は役割を変えました。

これまで 今回
AIが候補や助言を出す 決めたルールに沿って候補を出す
分析を読んで、その都度判断する ルールを事前に検証しておく
判断の理由が会話に散らばる ルール・検証・運用の記録を残す
相場が動くたびに考え直す 日々は条件が成立したかを点検する

ひとりで事業を回していきたいと考えていることもあり、投資についても、毎日の判断に使う時間や認知負荷を減らしたいと思っています。

目指しているのは、何も考えないことではありません。

考えるタイミングを、日々の値動きへの反応から、ルールを作って検証する時間へ移すことです。

3. 全体像:データ・検証・ルール・注文を分ける

構成は次のようになっています。

役割を整理すると、こうなります。

役割 担当
市場データの取得 Yahoo Finance MCP
過去データによる検証 Claude Codeと6つのSkills
採用中のルール・保有・履歴の管理 Notion
毎日のルール点検 Claudeの定期実行
ルール変更の承認・注文 人間

特に重要なのは、検証で良さそうな候補が見つかっても、そのまま本番のルールにはしないことです。

候補を作る工程と、採用する工程を分けています。

また、バックテストを動かすClaude Codeと、毎朝の点検を行うClaudeの定期実行も、別の役割です。毎朝、全銘柄の長期バックテストをやり直しているわけではありません。

4. 検証を6つのSkillsに分けた

検証を一つの長いプロンプトで処理するのではなく、工程ごとにSkillsを分けました。

Skill 役割 主な制約
stock-data-collector 株価・配当・分割・株数・為替などを取得し、データパッケージを作る Yahoo Finance MCP経由だけで取得。空データを成功扱いしない
stock-data-updater 保存済みデータに最新の差分を追加する 元データを上書きせず、食い違いを記録する
stock-rule-set-manager 売買ルールを登録・比較する バージョンとSHA-256を付け、登録済みルールの変更を検出する
stock-backtester ルールを仕様化し、バックテストと検算を行う 買い条件が成立した場合だけ購入する
stock-backtest-reviewer 条件差・取引寄与・データ品質から結果をレビューする 出た数字を、都合のよい数字に置き換えない
stock-strategy-loop-optimizer 損失の原因から候補を作り、反復検証する 開発・検証・最終確認の期間を分け、失敗した試行も残す

Skillsは「検証の手順と制約」を持たせる場所

ここで公開しているのは、MCPサーバーと、検証の手順・制約を定義したSkillsです。

個々の売買ルールについては、Claude Codeが仕様を整理し、実行用のコードや設定を作成して検証します。生成されたコードも、正しいとは限らないため検算の対象です。

スキルの定義はGitで管理しますが、取得データやルールごとの実行結果はローカルに分けています。

skills/
├── stock-data-collector/
├── stock-data-updater/
├── stock-rule-set-manager/
├── stock-backtester/
├── stock-backtest-reviewer/
└── stock-strategy-loop-optimizer/

.cache/backtests/
└── <package-id>/
    └── runs/
        └── <run-id>/
            ├── rule.yaml
            ├── work/
            ├── trades.json.gz
            ├── equity_curve.json.gz
            ├── summary.json
            └── validation.json

取得データや生成した実行物・結果は、Gitにはコミットしません。

「何をさせるか」という手順と、「どのデータ・条件で何が出たか」という実行記録を分けています。

5. バックテストで特に気をつけたこと

今回、力を入れたのは、良い成績を出すことだけではありません。

その数字が、指定したルールを正しく実行した結果なのかを確かめることです。

5.1 「順位が高い」と「買ってよい」を分ける

例えば、ルールに「最大3銘柄を保有する」と書いてあったとします。

これは、「いつでも順位上位の3銘柄を買う」という意味ではありません。

買い条件が成立していなければ、保有枠が空いていても現金のままです。ここを混同すると、別の戦略を検証してしまいます。

そのため、買いルールを3つに分けています。

eligibility_filter
対象になり得る銘柄を絞る
        ↓
entry_trigger
実際に買う条件が成立しているか判定する
        ↓
ranking
同時に条件を満たした銘柄の優先順位を決める

開始時点で自動的に保有枠を埋めることもしません。

通常は現金から始め、条件が成立したときだけ購入する signal_only を使います。開始時に銘柄を買っておく比較をする場合は、別の開始方式として明示します。

5.2 終値で判定したのに、その終値で買ったことにしない

「その日の終値で条件が成立した」と「その日の終値で約定できた」は別です。

今回のルールでは、終値で判定し、翌営業日の始値で売買する、といったタイミングを明示します。

ほかにも、配当、株式分割、為替、売買単位、現金不足、休場日などの扱いを先に固定します。

曖昧な条件は、AIが気を利かせて補うのではなく、未確定事項または比較用の仮定として扱います。

5.3 主実装とは別のコードで検算する

バックテストが完走しても、その数字をすぐに確定結果にはしません。

主実装とは別のコードで、次のような項目を確認します。

検算する項目 確かめること
資産と現金の整合性 現金・保有評価額・取引の関係が合っているか
最大下落 資産推移から再計算して一致するか
買い条件 すべての購入で条件が成立していたか
保有数・資金制約 保有上限や現金残高の制約を守っているか
売買タイミング 未来の情報を使っていないか

小さなデータで動作確認を行い、検算側にも、条件を満たさない買いや数量を20倍にした取引など、意図的に壊した入力を渡しています。

正常なケースを通すだけでなく、異常なケースを見逃さないかも確認しました。

ただし、検算を通ったことは、将来利益が出ることの証明ではありません。 検証できる範囲を分けて考えています。

5.4 探索に使った期間だけで「成功」としない

候補ルールを何百通りも試すと、その期間にたまたま合ったルールが上位に来る可能性があります。

そこで、探索と評価を分けています。

開発期間
候補ルールを作る
    ↓
検証期間
別の期間でも傾向が続くか確認する
    ↓
最終確認期間
候補選定に使っていない期間で確認する
    ↓
人間が採用を判断する

開発期間の成績が良かっただけでは、採用しません。

また、最終確認の結果を見てさらに調整した場合、その期間はもう「未使用の期間」ではありません。確認を繰り返すほど、評価側にも過剰最適化が入り得ることに注意しています。

6. データ取得はYahoo Finance MCPに統一した

市場データの取得には、yfinanceを包んだ自作のリモートMCPサーバーを使っています。

サーバーはGoogle Cloud Run上で動かし、Streamable HTTPで接続します。株価、財務、アナリスト情報、スクリーナーなど、24個のツールを用意しました。

バックテストで主に使うものは次のとおりです。

ツール 用途
get_price_history 個別銘柄の価格履歴
get_multi_price_history 複数銘柄の価格系列
get_dividends_and_splits 配当・株式分割の履歴
get_shares_outstanding 発行済株式数の履歴
screen_securities 条件に合う銘柄の抽出
get_quote / get_quotes 日々の点検に使う株価情報

バックテスター側は、必要なデータがこのMCP由来であることを確認してから実行します。

データが不足していても、別のAPIやWeb検索から黙って補完することはしません。Yahoo Financeで取得できないものは、取得できないものとして扱います。

用意したデータの規模

2026年11月時点で作成したデータパッケージの例です。

対象 銘柄数 収集対象期間 日次データ
米国・日本・シンガポール 約7,000 2017年〜 約1,090万行
上記に香港・中国本土を追加 約9,000 2020年〜 約1,320万行
現在の大型株に固定 240 2004年〜 約120万行

これはデータパッケージの規模です。すべての銘柄に全期間のデータがある、という意味ではありません。また、移動平均線などの準備期間は、売買を評価する期間と分けます。

このデータから、例えば毎月の時価総額順位で対象銘柄を選び直し、1日ずつ売買をシミュレーションします。

データを取るだけでも落とし穴がある

特に注意したのは、株式分割と発行済株式数の整合性です。

今回扱ったYahooのデータでは、auto_adjust=False でも終値が分割調整済みで返る一方、株数は当時の報告値で返るケースがありました。

この2つをそのまま掛けると、過去の時価総額を誤って計算します。時価総額順位で対象銘柄を選ぶなら、その誤りが売買対象にも影響します。

ほかにも、前日終値の取得元、市況データの欠落、応答サイズ、エラーの返し方をサーバー側で調整しました。

取得できたデータを、そのまま検証に使えるとは限らないという点は、実装していて重要でした。

なお、yfinanceはYahooの非公式APIを利用しています。取得制限や仕様変更の影響を受けるため、個人利用を前提に、利用条件を確認しながら使う必要があります。

「過去を完全に再現できた」とは言わない

今回の母集団は、現在も上場している銘柄を起点にしています。

そのため、過去に倒産・上場廃止となった銘柄が抜け、生き残った銘柄だけで成績を測る「生存者バイアス」があります。

この制約があるデータは、完全なPoint-in-Timeデータと区別し、プロジェクト内では「近似PIT」と呼んでいます。

また、今回の取得範囲では、日本株の発行済株式数の履歴は2017年ごろより前まで十分にさかのぼれませんでした。そのため、古い期間では現在の銘柄に固定するなど、検証条件自体が変わります。

データが多いことと、当時の市場を正確に再現できることは別です。

この制約は、結果にも必ず付けています。

7. 日々の運用はNotionを中心に回す

バックテストでルールを検証しても、日々の運用で違うことをしてしまえば意味がありません。

そこで、採用中のルール、保有銘柄、売買記録、点検結果はNotionにまとめています。

ルールの正本を一つにする

ルールの数値は、Notionのルール台帳を正本にします。

会話のたびにAIが数値を調整したり、検証用の候補がいつの間にか運用ルールに混ざったりしないよう、バージョンを付けて管理します。

具体的な数値は個人の運用ルールなので公開しませんが、項目は次のような形です。

項目 定義する内容
対象銘柄 どの市場・どの母集団から選ぶか
買い条件 何が成立したら新規購入するか
優先順位 同時に複数の候補が出た場合にどう並べるか
保有数・購入額 最大何銘柄、どの金額まで保有するか
全売却 どの条件で保有を解消するか
一部売却 どの条件で保有比率を下げるか
再購入 売却後、いつから買い直してよいか

変更は本人の承認後だけです。日々の点検では、採用中のルールを参照して判定します。

毎朝7時に、ルールに沿って点検する

私の運用では、Claudeの定期実行を毎朝7時に設定しています。

処理は次の流れです。

Notionから保有銘柄と採用中のルールを読む
        ↓
Yahoo Finance MCPから価格・為替を取得
        ↓
売り条件と買い候補を判定
        ↓
推奨・株数・根拠・ルールのバージョンを記録
        ↓
通知を受け取り、人間が確認して注文

報告は、売り、買いの順で確認できるようにしています。

点検ログには、結論だけでなく、使用したルールのバージョン、データの基準日、判定根拠も残します。実行履歴では、成功・失敗・情報待ちを分けています。

データを取得できなければ「判定不能」とし、推測で売買候補を作らない。 これも運用上のルールです。

通知はスマートフォンから確認できますが、注文を自動発注する仕組みにはしていません。従うかどうかを最後に判断し、責任を負うのは人間です。

Notionには「なぜそうしたか」も残す

Notionを使う理由は、ルールを置くためだけではありません。

検証結果、採用しなかった案、失敗した経験、ルールを変更した理由まで残せるからです。

次にClaudeと検討するとき、結論だけでなく、その背景も参照できます。

「なぜこのルールにしたのか」「以前に同じ案を試していなかったか」を、人間にもAIにも確認できる形で残しています。

8. 試すには

リポジトリでは、MCPサーバーと6つのSkillsを公開しています。

必要なのは、大きく分けて、Claude CodeでのSkillsの読み込みと、Yahoo Finance MCPへの接続です。Notionと連携する運用では、自分のNotionへの接続も必要になります。

Skillsの配置

リポジトリを取得し、このプロジェクト内でSkillsを使う場合の配置例です。

git clone https://github.com/okikusan-public/stock_skills_3.git
cd stock_skills_3

# プロジェクト用のSkillsとして配置する例
mkdir -p .claude/skills
cp -R skills/stock-* .claude/skills/

Claude Codeのプロジェクト用Skillsは、.claude/skills/<skill-name>/SKILL.md の形で配置します。導入前に、各Skillの指示内容を確認してください。

MCPへの接続

MCPサーバーのローカル起動、認証設定、Cloud Runへのデプロイ、Claude Codeからの接続方法はREADMEに記載しています。

ローカル実行にはPython 3.12以降と uv が必要です。認証情報は自分のものを設定し、Gitにはコミットしないでください。

リポジトリを取得しただけでは、私が保存しているデータパッケージやNotionのルール台帳・保有情報は利用できません。必要なデータは、自分の環境で取得します。

また、Claudeの利用料や実行環境の費用は別途考慮してください。

最初は小さな条件で確認する

最初から数千銘柄・長期間で回すより、少数の銘柄と短い期間で、取引の理由まで追える状態にするのを勧めます。

例えば、次のような依頼です。

まずは少数の銘柄と短い期間で動作確認をしたいです。

必要な売買条件とデータを整理し、
未確定の条件を一覧にしてください。

条件を確定してからバックテストを実行し、
すべての取引について、
買い条件・売り条件・約定日・数量の根拠を確認してください。

最終資産だけを見るのではなく、「なぜその日に買ったのか」「なぜ買わなかったのか」を確かめるところから始めます。

9. 実際に回して分かったこと

便利だったのは、一つの成績を出すことより、同じ問いを、期間や条件を変えて繰り返し検証できることでした。

開始時期を変える。損切り条件を追加する。利益が出た取引と損失が出た取引を分ける。別の相場で試す。

こうした比較を、毎回ゼロから説明せずに進められます。

一方で、ある期間で良かった変更が、別の期間では逆に働くこともありました。条件を変えれば数字は動くため、良い数字を探すこと自体が目的にならないようにしています。

使うモデルや推論の設定によって、条件の読み落としや検算の抜けが減ったと感じる場面もありました。ただし、これは体感であり、定量的に評価した結果ではありません。

そして、バックテストで下落する時期を確認していても、実際のお金で損失が続くと、ルールを疑いたくなります。

ルールを作ることと、そのルールを運用し続けることは別の課題でした。

そのため、日々の損益だけで方針を変えるのではなく、実際の取引を記録して、まとまった単位で見直すようにしています。次は、実際の売却が20件たまった時点で、勝率・平均利益・平均損失を集計する予定です。

ただし、その件数だけで統計的な有効性を証明できるという意味ではなく、運用を振り返るための区切りです。

まとめ

今回作ったのは、「AIが次に上がる株を当てる仕組み」ではありません。

決めたルールを過去データで検証し、そのルールに沿って日々の点検を回す仕組みです。

市場データはYahoo Finance MCP、検証の手順は6つのSkills、採用中のルールと運用記録はNotionに分けました。

検証では、買い条件と順位付けを分け、別コードで検算し、データの制約も結果に残します。運用では、AIが勝手にルールを変えず、人間が承認と注文を担います。

投資を題材にしていますが、今回試したかった設計は、**「データの出所を固定する」「ルールを版管理する」「実行結果を検算する」「承認と実行を分ける」**というものです。

AIに毎回うまく考えてもらうだけでなく、考える範囲と、変えてはいけない部分を決めておく。

自分にとっては、それが日々の迷いを減らすための方向でした。

リポジトリ・関連情報

今回の実装:

シリーズ記事一覧:

本記事は「Claude Code Skills × 投資分析」シリーズのVol.6です。過去の記事では、スクリーニング、GraphRAG、マルチエージェントによる分析などを扱っています。

Claude CodeのSkillsについて:


本記事は、個人で構築しているシステムの技術的な紹介と運用記録です。特定の銘柄や売買を推奨するものではありません。バックテストにはデータの欠損、生存者バイアス、過剰最適化、費用や約定条件の違いなどの制約があり、将来の運用成績を保証しません。実際の投資判断はご自身の責任で行ってください。

なお、本記事のドラフト作成には、NotionやClaude Codeとのやり取りに蓄積した情報と生成AIを活用しています。

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?