More than 1 year has passed since last update.

@rS_alonewolf

MySQL×株式投資｜「やりっぱなし」から「資産」を作る！MySQLでスクリーニング結果を蓄積・分析する基盤を作る（導入編）

Last updated at 2025-07-14Posted at 2025-07-14

毎日溜まるCSVをデータベース化！AWS RDS + MySQL + DBeaver + Pythonで株式投資の効率的な分析環境を整えたい

はじめに

これまで、「銘柄スクリーニング毎日自動通知Bot」を構築するため、生成AIを活用した環境構築から、スクリーニング結果の可視化・X投稿、そしてMacのCronを使った定時運用までを行ってきました。

これで、仕事で疲れてお布団に吸引されそうになっても、私の代わりにBotが健気に働き、X（旧Twitter）にスクリーニング結果を知らせてくれるようになりました。めでたしめでたし……。

……と、なるはずでした。

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

課題は次々と押し寄せてくる

数日間Botを運用してみて、新たな課題が見えてきたのです。

そう、「スクリーニング結果（CSVファイル）が、ただただ溜まっていくだけ」という問題です。

「あれ、1週間前にpattern3でヒットした銘柄って何だっけ？」

「この銘柄、過去に何回くらいスクリーニングに引っかかってるんだろう？」

「あの時選ばれた銘柄、本当にその後のパフォーマンス良かったのかな？」

これらを調べようにも、Googleドライブのフォルダを遡って、一つ一つCSVファイルを開くのは非常に面倒です。
これでは、せっかくのデータが「やりっぱなしのメモ」でしかなく、「分析して次に活かす資産」になっていません。

そこで今回は、この課題を解決すべく、MySQLデータベースを導入していく様子を紹介します。まずは、日々のスクリーニング結果を蓄積・整理し、いつでも簡単に検索・分析できる「データ基盤」を作ることが目的です。*Macユーザー向けに書いています。

リレーショナルデータベースとは？

リレーショナルデータベースは、データを複数の表（テーブル）で管理し、それらの表同士を関連付けて効率的にデータを保存・検索するシステムです。Excelの表を想像していただくと分かりやすいですが、より高度な機能を持っています。

主な特徴

構造化データ: データ型や制約を定義して、正しい形式のデータのみを保存
高速検索: インデックス（索引）を使い、大量データから瞬時に条件に合うものを抽出
データ整合性: 主キーや外部キー制約により、データの一貫性を自動で保証
SQL言語: 標準的な問い合わせ言語で、複雑な検索・集計が簡単に実行可能

構築方法の選択肢

ローカル構築: PCに直接インストール（無料、PC起動時のみ利用可能）
クラウド構築: AWS、GCP、Azureなどのクラウドサービス利用（24時間稼働、月額費用）

今回は、AWSの無料利用枠（12ヶ月間無料）を使ってクラウド構築を選択します。

なぜリレーショナルデータベース(MySQL)を導入するのか

現在、スクリプトはCSVファイルで正常に動作していますが、なぜデータベースを導入するのでしょうか。そのメリットは単に「速い」だけではありません。具体的な「やりたいこと」を例にした3つのシナリオで、その優位性を比較してみましょう。

メリット①：高速なデータ検索と集計

やりたいこと	ファイルでのやり方 (The CSV Way)	データベースでのやり方 (The MySQL Way)
特定の1銘柄のデータだけを取り出したい	① 巨大なファイルを全部メモリに読み込む ② プログラムで目的のデータを探す	① WHERE ticker = 'XXXX' という命令を送る ② DBが結果だけを返してくれる
PERが10以下の銘柄をすべて探したい	① 全データを1行ずつチェックするため非常に遅い	① インデックス(索引)を使い、該当データを瞬時に見つけ出す
複数日にまたがる銘柄の出現回数を集計したい	① 全CSVファイルを読み込み、結合してから集計する	① 集計済みの結果だけが返ってくる

メリット②：データの一貫性と信頼性

やりたいこと	ファイルでのやり方 (The CSV Way)	データベースでのやり方 (The MySQL Way)
PERカラムに、誤って文字列("N/A"など)が入らないようにしたい	① Python側で、書き込む前に毎回チェック処理が必要 ② チェックを忘れると、不正なデータが混入する	① テーブル作成時にper DECIMALとデータ型を定義 ② 数値以外を挿入しようとすると、DBが自動でエラーにしてくれる
tickerが空のデータが登録されないようにしたい	① これもPython側でのチェック頼み	① テーブル作成時にticker NOT NULLという制約を設定 ② 必須項目が空のデータは登録できない
同じ日の同じ銘柄のデータを間違えて2回登録したくない	① 登録前に「既に同じデータがないか」を全ファイルに対してチェックする必要があり、非常に困難	① PRIMARY KEY (主キー) を設定 ② 重複するデータはDBが自動でエラーにしてくれる

メリット③：拡張性と将来性

やりたいこと	ファイルでのやり方 (The CSV Way)	データベースでのやり方 (The MySQL Way)
スクリーニング結果を、TableauなどのBIツール^*で可視化・分析したい	① BIツールに毎回手動でCSVをインポート ② データ更新のたびに再インポートが必要	① BIツールからDBに一度接続設定するだけ ② データが更新されれば、ダッシュボードも自動更新される
週末に、別の分析スクリプトも動かしたい	① スクリーニング中に分析スクリプトがファイルを読み込むと、競合や不整合が起きる可能性がある	① 複数のスクリプトから同時に安全にアクセス可能 ② DBが交通整理をしてくれる
将来、Webアプリを作ってブラウザから結果を見たい	① Webアプリから安全にファイルにアクセスさせるのは非常に複雑で、セキュリティリスクも高い	① WebフレームワークはDB連携が標準機能 ② 安全かつ簡単にWebアプリと接続できる

^* BIツール（Business Intelligence）: データを視覚的に分析・可視化するソフトウェア。Tableau、Power BI、Lookerなどが有名。グラフやダッシュボードを作成して、データの傾向やパターンを簡単に把握できる。Python（matplotlib、plotly、streamlitなど）でも可視化は可能ですが、BIツールはプログラミング不要で直感的に操作でき、非技術者でも簡単にデータ分析ができる。

それでは、以下のステップを通して、MySQLの導入方法を説明します。

AWSでMySQLサーバーを構築: 無料利用枠を使い、安全なデータベース環境をクラウド上に作成。
PCからの接続設定: セキュリティグループを正しく設定し、自分のPCからのみDBにアクセスできるようにする。
DBeaverでDBを操作: GUIツールを導入し、データベースのテーブル作成やデータ確認を簡単に行えるようにする。
PythonでCSVを一括ロード: 溜まっていた複数のCSVファイルを、Pandasを使って一気にMySQLへ登録。
SQLでデータを分析: 登録したデータを使い、SQLで簡単な集計を行い、データベースの力を体験。

第1部：データベース環境の構築

ステップ1：AWSでMySQLサーバーを用意する (RDS)

AWSのマネージドサービスであるRDS (Relational Database Service) を利用します。
基本的に公式のチュートリアルに則して設定しました。ここからリンクを辿っていくと、簡単に設定できると思います。
ただし、公式の情報が古いのでところどころ違うところがあります。その辺はAIに聞くと大体正確に教えてくれます。今回は、筆者が設定するときに、気をつけたところのみを列記してます。
AWS公式チュートリアル - Amazon RDS で MySQL データベースを作成して接続する

AWSマネジメントコンソールにログインし、「RDS」サービスで「データベースの作成」をクリックします（reagion決めお忘れなく）。
以下の4点のみ変更し、他はデフォルト設定のままで進めます。
- テンプレート: 無料利用枠を選択します。 (重要)
- 接続 > パブリックアクセス: はいを選択します。【変更点①】
- 追加設定 > 初期データベース名: stock_database など、好きな名前を入力します。【変更点②】
- 追加設定 > 削除保護: 削除保護を有効にするにチェックを入れます。【変更点③】
マスターユーザー名とパスワードは必ず控えておき、「データベースの作成」ボタンをクリックします。ステータスが「利用可能」になるまで数分待ちます。

ステップ2：自宅のIPからの接続を許可する (セキュリティグループ)

作成したデータベースに、自分のIPアドレスのみからのみアクセスできるよう設定します。

RDSのダッシュボードで、作成したDBインスタンスの「接続とセキュリティ」タブを開き、VPCセキュリティグループのリンクをクリックします。
「インバウンドルール」タブ → 「インバウンドルールを編集」をクリックします。
「ルールを追加」し、以下のように設定します。
- タイプ: MySQL/Aurora
- ソース: カスタムを選択し、あなたのグローバルIPアドレス（Googleで「What is my IP」と検索して確認）をXXX.XXX.XXX.XXX/32の形式で入力します。
「ルールを保存」をクリックします。

ステップ3：DBeaverでデータベースに接続する

データベースを視覚的に操作するツール「DBeaver」をインストールします。

DBeaver公式サイトからmacOS版をダウンロードし、インストールします。
DBeaverを起動し、「新しいデータベース接続（左上の青いソケットのマーク）」から「MySQL」に接続設定を開始します。

MySQLをクリックしてNext
AWSのRDSで設定した、エンドポイント、ポート(3306)、DB名、ユーザー名、パスワードを正確に入力し、接続します。
ここで先ほど設定したAWSのMySQLのURL ユーザ名、パスワードを入力して　Finish

このように、データベースが追加されたことがわかります。

こちら記事が勉強になりました。
SQL 初級編 Vol.1（SQLとは？+ MySQLインストール+DBeaver インストール） - DBeaverの詳細なインストール手順と設定方法

ステップ4：データを保存する「テーブル」を作る

今回のデータベースの情報元となるcsvはこのような状態でデータが保存されてます。

DBeaverのSQLエディタで、以下のSQLを実行してまず、空のテーブルを作成します。

CREATE TABLE IF NOT EXISTS tech_screening_results (
    screening_date DATE NOT NULL,
    ticker VARCHAR(10) NOT NULL,
    local_code VARCHAR(10),
    pattern VARCHAR(50) NOT NULL,
    close_price DECIMAL(10,5),
    ma_5 DECIMAL(10,5),
    ma_25 DECIMAL(10,5),
    ma_75 DECIMAL(10,5),
    ma_5_slope DECIMAL(10,5),
    rsi DECIMAL(7,4),
    per DECIMAL(10,4),
    roe_percent DECIMAL(7,4),
    opm_percent DECIMAL(7,4),
    market_score INT,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
    PRIMARY KEY (screening_date, ticker, pattern)
);

反映されない場合は、stock_databaseを右クリックして↓を出して、一番下のリフレッシュをクリック。
そうするとTableの中に、tech_screening_resultsという新しいテーブルが追加されている。

このように、カラム名だけが記載された空のテーブルが設定されます。　　　

第2部：既存CSVデータの一括ロードと活用

ステップ5.1: 必要なライブラリのインストール

PythonからMySQLに接続するためには、いくつかのライブラリが必要です。

pip install --upgrade pandas sqlalchemy mysql-connector-python python-dotenv　mysqlclient

【補足：もしmysqlclientのインストールでエラーが出たら（Apple silicon向け）】

pandasは、より高速なmysqlclientというライブラリがあればそちらを優先して利用しようとします。しかし、mysqlclientはインストール時にコンパイルが必要で、Macの環境によってはエラーが出ることがあります。

筆者もmacOS Sequoia(Version 15.5)搭載のMacで、このエラーに遭遇しましたが、以下の手順で解決できました。
ただし、macOS Monterey（最終バージョン）では、この方法ではコンパイルできませんでした。mysqlclientがなくても、今回のコードは動作したので、必須な操作ではないと思います。

1. 開発ツールのインストール (Xcode Command Line Tools)
ターミナルで以下のコマンドを実行し、表示されるポップアップで「インストール」をクリックします。

xcode-select --install

2. Homebrewのインストール
HomebrewはMac用のパッケージマネージャーです。まだインストールしていない場合は、以下のコマンドをターミナルに貼り付けて実行します。

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

インストール後、画面に表示されるNext steps:の指示に従い、PATHを通すためのコマンドを実行してください。

echo 'eval "$(/opt/homebrew/bin/brew shellenv)"' >> ~/.zprofile
eval "$(/opt/homebrew/bin/brew shellenv)"

3. Homebrewで必要なライブラリをインストール

brew install pkg-config mysql-client

4. mysqlclientの再インストール

pip install mysqlclient

ステップ5.2: 環境変数ファイルの作成

MySQLへの接続情報を安全に管理するため、環境変数ファイルを作成します。

プロジェクトのルートディレクトリに AWS_MySQL.env ファイルを作成し、以下の内容を記述してください：

DB_HOST=your-database-instance.cjoi2y440nng.ap-northeast-3.rds.amazonaws.com
DB_USER=your_username
DB_PASSWORD=your_password
DB_NAME=stock_database

your-database-instance.cjoi2y440nng.ap-northeast-3.rds.amazonaws.com は、AWS RDSで作成したデータベースのエンドポイントに置き換えてください
your_username と your_password は、RDS作成時に設定したマスターユーザー名とパスワードに置き換えてください

ステップ5.3: PythonでCSVを一括ロードする

手元にある過去のCSVファイルを読み込み、MySQLに一括で書き込むスクリプトです。

ディレクトリ構造の概要

今回のスクリプトは、以下のようなディレクトリ構造に対応しています：

screening_results_folder/
├── 20250702/
│   ├── result_tech_pattern_pattern1_20250702.csv
│   ├── result_tech_pattern_pattern2_20250702.csv
│   ├── summary_tech_screening_20250702.csv
│   └── final_tech_screening_results_20250702.csv  ← 目的のファイル
├── 20250703/
│   ├── result_tech_pattern_pattern1_20250703.csv
│   ├── result_tech_pattern_pattern2_20250703.csv
│   ├── summary_tech_screening_20250703.csv
│   └── final_tech_screening_results_20250703.csv  ← 目的のファイル
├── 20250704/
│   ├── result_tech_pattern_pattern1_20250704.csv
│   ├── result_tech_pattern_pattern2_20250704.csv
│   ├── summary_tech_screening_20250704.csv
│   └── final_tech_screening_results_20250704.csv  ← 目的のファイル
└── 20250705/
    ├── result_tech_pattern_pattern1_20250705.csv
    ├── result_tech_pattern_pattern2_20250705.csv
    ├── summary_tech_screening_20250705.csv
    └── final_tech_screening_results_20250705.csv  ← 目的のファイル

日付フォルダ: YYYYMMDD形式のフォルダ名
目的のファイル: final_tech_screening_results_YYYYMMDD.csv 形式（スクリプトが読み込む対象）
中間ファイル: 各パターンの結果ファイルやサマリーファイル（スクリプトは無視）
再帰検索: スクリプトが自動的にサブフォルダ内のCSVファイルを検索し、目的のファイルのみを抽出します

import pandas as pd
import sqlalchemy
from sqlalchemy import create_engine
from dotenv import load_dotenv
import os
import glob
import re

# --- 1. 設定 ---
# AWS_MySQL.envファイルから環境変数を読み込む
load_dotenv('AWS_MySQL.env') 

#【要変更】CSVファイルが保存されているフォルダのパス
# 日付フォルダ（YYYYMMDD形式）の中にCSVファイルが格納されている構造に対応
CSV_DIR = '/path/to/your/screening_results_folder'  # 実際のCSVファイルがあるフォルダに変更してください

#【要変更】アップロードする期間を指定（YYYY-MM-DD形式）
# 全期間を対象にする場合は None に設定
START_DATE = '2025-07-02'  # 例: '2025-06-01'
END_DATE = '2025-07-11'    # 例: '2025-07-31'

# 使用例:
# 2025年6月のデータのみ: START_DATE = '2025-06-01', END_DATE = '2025-06-30'
# 2025年7月以降のデータ: START_DATE = '2025-07-01', END_DATE = None
# 特定の1週間: START_DATE = '2025-06-25', END_DATE = '2025-07-01' 

# DB接続エンジンの作成
DATABASE_URL = (
    f"mysql+mysqlconnector://{os.getenv('DB_USER')}:{os.getenv('DB_PASSWORD')}"
    f"@{os.getenv('DB_HOST')}:3306/{os.getenv('DB_NAME')}"
)
db_engine = create_engine(DATABASE_URL)

# --- 2. 複数CSVの読み込みと結合 ---
# 日付フォルダを再帰的に検索
csv_files = []
for root, dirs, files in os.walk(CSV_DIR):
    for file in files:
        # final_tech_screening_results_YYYYMMDD.csv 形式のファイルのみ取得
        if file.startswith('final_tech_screening_results_') and file.endswith('.csv'):
            csv_files.append(os.path.join(root, file))

all_dfs = []

# 日付範囲の設定
if START_DATE:
    start_date = pd.to_datetime(START_DATE).date()
    print(f"開始日: {start_date}")
else:
    start_date = None
    print("開始日: 制限なし")

if END_DATE:
    end_date = pd.to_datetime(END_DATE).date()
    print(f"終了日: {end_date}")
else:
    end_date = None
    print("終了日: 制限なし")

for file_path in csv_files:
    # ファイル名から日付を抽出（final_tech_screening_results_YYYYMMDD.csv）
    file_name = os.path.basename(file_path)
    match = re.search(r'final_tech_screening_results_(\d{8})\.csv', file_name)
    
    if match:
        date_str = match.group(1)
        file_date = pd.to_datetime(date_str, format='%Y%m%d').date()
        
        # 日付範囲でフィルタリング
        if start_date and file_date < start_date:
            print(f" {file_path} は開始日より前のためスキップ ({file_date})")
            continue
        if end_date and file_date > end_date:
            print(f" {file_path} は終了日より後のためスキップ ({file_date})")
            continue
        
        df = pd.read_csv(file_path)
        df['screening_date'] = file_date
        all_dfs.append(df)
        print(f"✅ {file_path} を読み込みました ({file_date})")
    else:
        print(f"⚠️  {file_path} のファイル名から日付を抽出できませんでした")

if not all_dfs:
    print("❌ 読み込めるCSVファイルが見つかりませんでした")
    print(f"📁 検索したディレクトリ: {CSV_DIR}")
    print("📝 CSVファイル名にYYYYMMDD形式の日付が含まれているか確認してください")
    exit(1)

df_combined = pd.concat(all_dfs, ignore_index=True)
print(f"✅ 全てのCSVデータを結合しました。合計レコード数: {len(df_combined)}件")

# --- 3. データの整形とMySQLへの書き込み ---
df_to_db = df_combined.copy()

# tickerとlocal_codeを明示的に文字列として処理
df_to_db['Ticker'] = df_to_db['Ticker'].astype(str)
df_to_db['LocalCode'] = df_to_db['LocalCode'].astype(str)

# カラム名をDBテーブル定義に合わせる
df_to_db = df_to_db.rename(columns={
    'Ticker': 'ticker', 'LocalCode': 'local_code', 'Pattern': 'pattern',
    'Close': 'close_price', 'MA_5': 'ma_5', 'MA_25': 'ma_25', 'MA_75': 'ma_75',
    'MA_5_slope': 'ma_5_slope', 'RSI': 'rsi', 'PER': 'per',
    'ROE(%)': 'roe_percent', 'OPM(%)': 'opm_percent', 'score_today': 'market_score'
})

try:
    # 既存のデータを一旦全て削除し、新しいデータで置き換える
    df_to_db.to_sql(
        name='tech_screening_results',
        con=db_engine,
        if_exists='replace', # テーブルごと置き換える
        index=False
    )
    print("✅ データをMySQLに一括ロードしました！")
    print(f"📊 登録されたレコード数: {len(df_to_db)}件")
    
except Exception as e:
    print(f"❌ MySQLへのデータ書き込み中にエラーが発生しました: {e}")
    print(" 以下を確認してください:")
    print("  1. AWS RDSが起動しているか")
    print("  2. セキュリティグループで自分のIPが許可されているか")
    print("  3. データベース名とテーブル名が正しいか")

MySQLにデータが格納された様子

ステップ6：SQLで軽くデータを分析してみる

DBeaverのSQLエディタで、以下のクエリを実行してDBがどのようなものか確かめてみます。

DEMO 1：特定パターンで複数回ヒットした"常連銘柄"を探す

特定の選抜パターン（例：pattern1、過去記事参照願います）、
特定の期間（今回は10日間）に
複数の日付にスクリーニングに引っかかった「常連銘柄」を探します。

SELECT 
    ticker,
    COUNT(*) AS hit_count
FROM 
    tech_screening_results
WHERE 
    pattern = 'pattern1'  -- 特定のパターンを指定
    AND screening_date >= '2025-07-01'  -- 開始日を指定
    AND screening_date <= '2025-07-10'  -- 終了日を指定
GROUP BY 
    ticker
HAVING 
    COUNT(*) > 1
ORDER BY 
    hit_count DESC;

結果の見方:

ticker: 銘柄コード
hit_count: その銘柄がpattern1でスクリーニングに引っかかった日数
例：hit_count = 3 なら、その銘柄は3日間でpattern1に引っかかった

他のパターンで試す場合:

-- pattern2で常連銘柄を探す
WHERE pattern = 'pattern2'

-- pattern3で常連銘柄を探す  
WHERE pattern = 'pattern3'

期間を指定する場合:

-- 2025年7月1日〜10日の期間で分析
AND screening_date >= '2025-07-01'
AND screening_date <= '2025-07-10'

-- 直近1週間で分析
AND screening_date >= DATE_SUB(CURDATE(), INTERVAL 7 DAY)

実際の実行結果例:

ticker  hit_count
3167    5
9619    5
1662    4
8804    4
7575    4
1941    3
3231    3
8425    3
9769    3
5261    2
5410    2
7272    2
7458    2
9110    2

この結果から、銘柄コード3167（TOKAIホールディングス）と9619（イチネンホールディングス）は5日間でpattern1に引っかかった「常連銘柄」であることが分かります。

DEMO 2：特定銘柄の"スクリーニング履歴"を追跡する

最近、筆者の個人的にホットな銘柄3231(野村不動産ホールディングス)の10日間の変遷を見ていきます。

SELECT
    screening_date,
    pattern,
    close_price,
    rsi
FROM
    tech_screening_results
WHERE
    ticker = '3231'  -- 野村不動産HD
    AND screening_date >= '2025-07-01'  -- 開始日を指定
    AND screening_date <= '2025-07-10'  -- 終了日を指定
ORDER BY
    screening_date;

実際の実行結果例（野村不動産HD 3231）:

screening_date  pattern    close_price  rsi
2025-07-04      pattern8   854.0        57.3
2025-07-04      pattern7   854.0        57.3
2025-07-04      pattern6   854.0        57.3
2025-07-04      pattern5   854.0        57.3
2025-07-07      pattern5   854.0        52.8
2025-07-07      pattern6   854.0        52.8
2025-07-07      pattern7   854.0        52.8
2025-07-07      pattern8   854.0        52.8
2025-07-08      pattern7   846.0        41.6
2025-07-08      pattern8   846.0        41.6
2025-07-08      pattern6   846.0        41.6
2025-07-08      pattern5   846.0        41.6
2025-07-08      pattern4   846.0        41.6
2025-07-08      pattern3   846.0        41.6
2025-07-08      pattern1   846.0        41.6
2025-07-08      pattern2   846.0        41.6
2025-07-09      pattern2   862.0        49.6
2025-07-09      pattern3   862.0        49.6
2025-07-09      pattern4   862.0        49.6
2025-07-09      pattern5   862.0        49.6
2025-07-09      pattern6   862.0        49.6
2025-07-09      pattern1   862.0        49.6
2025-07-09      pattern7   862.0        49.6
2025-07-09      pattern8   862.0        49.6
2025-07-10      pattern1   860.0        49.5
2025-07-10      pattern2   860.0        49.5
2025-07-10      pattern3   860.0        49.5
2025-07-10      pattern4   860.0        49.5
2025-07-10      pattern5   860.0        49.5
2025-07-10      pattern6   860.0        49.5
2025-07-10      pattern7   860.0        49.5
2025-07-10      pattern8   860.0        49.5

選抜基準の前提条件:詳しいことはこちら

パターン1-4: RSI中程度の選抜基準（pattern1-4）
パターン5-8: RSI高めの選抜基準（pattern5-8）
移動平均乖離設定:
- パターン1,5: 乖離狭い（ゴールデンクロスに近い）
- パターン2,6: 乖離中程度
- パターン3,7: 乖離中程度
- パターン4,8: 乖離広い（ゴールデンクロスではない）

結果考察:
1. 株価推移の特徴:

7月4日: 854.0円（RSI 57.3）→ 高めのRSIで上昇トレンド
7月7日: 854.0円（RSI 52.8）→ RSI低下、横ばい
7月8日: 846.0円（RSI 41.6）→ 急落、RSI大幅低下
7月9日: 862.0円（RSI 49.6）→ 反発、RSI回復
7月10日: 860.0円（RSI 49.5）→ 微減、RSI横ばい

2. パターンヒットの傾向:

7月4日: pattern5-8のみ（RSI高め基準でヒット）
7月7日: pattern5-8のみ（RSI高め基準でヒット）
7月8日: 全パターン（pattern1-8）ヒット（RSIやや低下、ゴールデンクロス状態）
7月9日: 全パターン（pattern1-8）ヒット（RSIやや回復、ゴールデンクロス状態）
7月10日: 全パターン（pattern1-8）ヒット（RSI安定、ゴールデンクロス状態）

3. 投資判断への示唆:

7月8日の下落時（RSI 41.6）→ ゴールデンクロス状態
7月9-10日の反発・安定時も全パターンヒット→ ゴールデンクロス状態が持続→買ってみようかな（投資は自己責任です）。

このように、データベース化することで、特定の期間（例：7月1日〜10日）を簡単に抽出して分析できるようになります。CSVファイルの場合、日付ごとにバラバラに保存されているため、このような期間指定での分析は非常に面倒でしたが、MySQLでは WHERE screening_date >= '2025-07-01' AND screening_date <= '2025-07-10' という簡単な条件で、すぐに必要な期間のデータを抽出・分析できます。これが、CSVファイルからデータベースに移行する大きなメリットだと感じました。

まとめ

今回やったこと

AWS RDSでMySQLサーバーを構築 - 無料枠を活用したクラウドデータベース環境
DBeaverでデータベースに接続 - GUIツールによる直感的なDB管理
テーブルを作成 - スクリーニング結果を保存する構造を定義
PythonでCSVファイルを一括ロード - 溜まったデータを効率的に移行
SQLで簡単なデータ分析を実践 - 過去データの検索・集計に活用予定

これで、手元に溜まっていたデータは、単なるファイルから、いつでも活用できる「データ資産」の一部として、MySQLに保存されました。

今後の予定

毎日運用で生成されるデータを自動格納したり、スクリーニングの結果だけでなく、毎日のスクリーニングで、都度都度構築しているテクニカル指標や財務データのデータセットをデータベースに移行したいと計画中です。データベース構築に関するシリーズも、頻度は不定期だと思いますが、報告を続けていく予定です。

参考文献・参考リンク

補足

【マシン環境】
今回の作業は、以下の環境で実行しています。

コンポーネント	スペック
マシン	MacBook Pro (14-inch, Nov 2024)
プロセッサ	Apple M4 Pro
メモリ	24 GB
OS	macOS 15.5 Sequoia (24F74)

【Anaconda/condaバージョン】

conda: 24.11.3
Python 3.11.11

そのほか、DBeaver、Homebrewなど本文中に出てきたソフトウェア・モジュール・ライブラリなどは全て最新版（2025年7月14日時点）を使用しています。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up