有価証券報告書を人間の代わりに読む「AIアナリスト」の実装解説を、12章・約5万字の有料本にまとめた。

前著『Pythonが計算し、Claudeが判断する』の続編にあたる。前著が投資分析システム全体の設計思想を扱ったのに対し、本書はその中のファンダメンタル分析——決算の数字を取ってきて、指標に変換して、Claudeに解釈させるまで——を実装レベルまで掘り下げた1冊。

どんな本か

スクリーニングの自動化は簡単で、数値フィルタを重ねれば4,000銘柄を20銘柄に絞れる。問題はその先。「この会社、買って大丈夫か」に答えるには決算の中身を読む必要があり、有報は1社100ページを超える。この「決算を読む」作業をパイプラインに分解して、AIに任せるまでを書いた。

無料の財務データAPI（EDINET DB / yfinance）
  → Piotroski F-Score / Altman Z'' / DCF をPythonで実装
  → 共通JSONフォーマット（signal / score / confidence）
  → Claudeが統合・矛盾検出・日本語レポート化

コードはすべて、実際に毎日動いている自作システムから抜き出したもの。机上のサンプルではなく、欠損データ・APIレート制限・LLMの幻覚と戦いながら運用で削られてきた実装で解説している。

前著との違い

	前著	本書
テーマ	システム全体の設計思想	ファンダメンタル分析の実装
読み方	設計判断の記録を読む	写経して自分用に組める
分析手法	9プラグインを1章で概観	F-Score / Z'' / DCF を1章ずつ、論文の背景から
独立性	—	前著を読んでいなくても完結

前著で「Piotroski F-Scoreというプラグインがある」と1段落で流した部分が、本書では「Piotroski (2000) がなぜ水準ではなく変化を見たのか → 9項目それぞれの意味 → 欠損時の3値論理の実装 → confidenceの決め方」まで1章かけて書いてある。

本の見どころ3つ

1. 「生XBRLと戦わない」という選択

決算データの一次ソースは金融庁のEDINETだが、財務データはXBRL形式で、タクソノミ・会計基準差異・勘定科目の名寄せという壁がある。パースの解説だけで本が1冊書ける世界で、そこで力尽きるとゴールの「AIアナリスト」に辿り着けない。

本書では、EDINETデータを構造化JSONで返してくれる無料API（1日100コール制限つき）と、yfinanceの財務データを2段構えで使う判断をした。第2章はこの意思決定——どこを自作しないか——の話から始まる。制約だらけの無料枠をどう予算配分するかは、本全体を貫くテーマになっている。

2. 欠損データとの戦い方

書いてみて分かったが、財務分析パイプラインの品質の8割は欠損処理で決まる。本書で紙幅を割いたのはここ。

全フィールド | None の共通型で「欠損が常態」を型で表現する
F-Scoreの各項目は True / False / None（判定不能） の3値で持ち、欠損は常にスコアが低くなる方向に倒す
総負債が取れなければ「総資産 − 純資産」の会計恒等式で復元する
無借金企業でZ''のX4（自己資本/総負債）が発散する問題は10.0でキャップする
「前期データなし（上場2年未満）」は無理にスコアを出さず、明示的に評価不能を返す

「データが取れない銘柄ほどスコアが高く出る」という倒錯をどう防ぐか、という視点で全エンジンの実装を貫いた。

3. LLMに数字を作らせないプロンプト設計

ROAの計算もDCFの割引計算も、すべてPythonがやる。Claudeがやるのは計算済みの数値を読んで解釈すること。この分業を守るためのプロンプト設計を、実際に使っているシステムプロンプトの構造で解説した。

判断基準は散文ではなく表で渡す（推奨強度のしきい値、矛盾検出パターン）
「モメンタムBUY × F-Score 3点以下 → 仕手株の可能性」のような、シグナルの組み合わせに意味を与える矛盾検出こそLLMの付加価値
使ってよい数値をフィールド単位で指定し、欠損時の挙動まで指示する（指示しないことは「埋めてよい」と同じ）
例外的にAIに水準推定を許した目標株価では、根拠の強制・「推定困難」という逃げ道・計算値との並記、という3つの手すりを付ける

Prompt Cachingでの日次コスト削減、日次=Haiku・深掘り=Sonnetのモデル2層化など、毎日回し続けるためのLLMコスト設計も1章使って書いた。

12章の全体像

#	章タイトル	わかること
1	なぜ「決算を読むAI」を作るのか	全体像と分業原則（無料公開）
2	決算データはどこから取るか	生XBRLと戦わない選択、無料APIの比較
3	データ層の実装	クォータ安全弁・欠損に強いパース・TTL30日キャッシュ
4	Piotroski F-Score	9項目の意味と3値論理の実装
5	Altman Z''スコア	倒産リスクの判別式、科目名ゆれとの戦い
6	DCF	理論株価を3シナリオの幅で出す設計
7	signal・score・confidence	共通フォーマットに込めた役割分担
8	Claudeに決算を読ませる	SDK直叩き・Prompt Caching・トークン削減
9	プロンプト設計	矛盾検出テーブルと幻覚対策
10	深掘りリサーチ	信用スコア・同業比較・100コール予算管理
11	運用	縮退設計とコスト、シグナルログ
12	限界と拡張	AIアナリストに任せないこと

第1章は無料で読める。 なぜ決算を読む部分をAIに任せるのか、パイプライン4層の全体像、そして「Pythonが計算し、Claudeが判断する」という分業原則——本全体の設計思想を凝縮した章なので、まず読んで合うかどうか判断してほしい。

誰に向けた本か

自分の銘柄調査・決算チェックを自動化したいエンジニア。 写経すれば動くレベルの粒度でコードを載せている
LLMをデータ分析パイプラインに組み込みたい人。 「計算はコード、解釈はLLM」の境界線をどこに引くか、プロンプトの実物つきで示した
F-Score・Altman Z・DCFを動くコードで理解したい人。 各手法は出典論文の問題意識から解説していて、財務・会計の前提知識は不要

逆に、銘柄推奨や投資手法の有効性を期待している人には向かない。本書は投資助言ではなく、分析ツールの実装を解説する技術書。

まとめ

1,000円・12章・約5万字。決算を読むという作業を「数値の抽出 → 指標への変換 → 文脈の中での解釈」に分解すると、LLMが本当に必要なのは最後の解釈だけで、そこは従来のコードではどうにもならなかった場所でもある。無料のAPIとわずかなLLM従量課金で「自分専属のアナリスト」を組む設計図として使ってほしい。

前著・無料連載はこちら。 システム全体のアーキテクチャに興味があれば。

この記事は Zenn にも同じ内容を投稿しています。