Zenn
🐡

書籍『わが投資術』とJQuantsAPIで小型株を分析してみた

2024/12/16に公開
Python
データ分析
日本株
tech

本記事はマケデコAdvent Calendar 2024の記事として執筆しています。
https://qiita.com/advent-calendar/2024/market-api

自分は普段JQuantsAPIのpremium plan（月額16,500円）に契約してトレードしています。とはいえ爆益というわけではなく、今年はpremium planの手数料をどうにかペイできるくらいになる見込みです。来年はしっかりプラスにしたい…。

自分の戦略は機械学習をベースにした大型株の短期トレードなのですが、清原達郎氏の書籍『わが投資術　市場は誰に微笑むか』を読んで、小型株の長期トレードに興味を持ちました。この記事では、JQuants APIを使って簡単に分析してみた結果をまとめます。

書籍『わが投資術 市場は誰に微笑むか』について

伝説のサラリーマン投資家・清原達郎氏が自身の投資経験とノウハウをまとめた著書です。2024年3月に出版され、すでに24万部を突破するベストセラーとなっています。
この書籍については、botter_01さんの以下の記事でも紹介されています。

https://note.com/botter_01/n/nf9311663121b

検証内容

ネットキャッシュ比率について

この本で紹介されている手法の一つに、ネットキャッシュ比率というものがあります。計算式は以下の通りです。

ネットキャッシュ = 流動資産 + 投資有価証券 × 70% - 負債

ネットキャッシュ比率 = ネットキャッシュ / 時価総額

このネットキャッシュの意味としては、「会社が赤字になろうがなるまいが同じ値段で売れる資産＋会社が持っている現金」を算出し、そこから全負債を差し引いた額とのことです。
この指標を用いた売買の戦略を（かなりざっくりですが）まとめると、以下になります。

  1. 時価総額500億円以下かつスタンダード株を対象に、ネットキャッシュ比率が高い銘柄をスクリーニングする。
  2. 経営者の考えやその会社の強み、競合関係などをもとに購入銘柄を決定する。

この記事では、手順1のネットキャッシュ比率の有用性を検証します。

検証方法

  • 2021年の決算短信をもとに、ネットキャッシュ比率を算出した。対象は2021年12月時点でのJASDAQ スタンダード株（659銘柄）とした（時価総額によるスクリーニングはしていない）。
  • 2021年最終取引日の終値から2024年12月6日終値までの約3年間での値上がり率を算出し、ネットキャッシュ比率と関連があるか確認した。

データの取得方法

以下で公開されているjquants-api-clientを使用してデータを取得しました。
https://github.com/J-Quants/jquants-api-client-python

ネットキャッシュ比率の算出に必要な流動資産、投資有価証券、負債は財務諸表のデータ（上記ライブラリのget_fins_fs_details_range）から、時価総額は財務情報（上記ライブラリのget_statements_range）から取得しました。ただ、財務諸表のデータは全銘柄&全期間取得するとDataFrameが4702列あり、どの項目を使うべきか難しかったです。
各項目を今回は以下のように算出しています。

流動資産の算出

get_fins_fs_details_rangeを使って取得した財務諸表のデータを用いて、以下のように算出しています。

# dfは財務諸表のデータ
cols_current_asset = [col for col in df.columns if 'Current assets' in col]
# ['FinancialStatement.Current assets',
#  'FinancialStatement.Current assets for incidental businesses-CA-GAS',
#  'FinancialStatement.Current assets (IFRS)',
#  'FinancialStatement.Current assets other than assets held for sale - CA (IFRS)']

# 最大値をとって1つの列に集約、これを流動資産として扱う
df_current_asset["CurrentAsset"] = np.nanmax(df[cols_current_asset].values, axis=1)

投資有価証券の算出

同じく財務諸表のデータから、以下のように算出しています。

# 列名を「Investment securities」で検索すると40件くらい出てくる。今回は以下の3つを使う。 
cols_investment_securities = [
    'FinancialStatement.Investment securities',
    'FinancialStatement.Short-term investment securities',
    'FinancialStatement.Investment securities - NCA (IFRS)',
]

# dfは財務諸表のデータ
# 合計をとって1つの列に集約、これを投資有価証券として扱う
df_investment_securities["InvestmentSecurities"] = np.nansum(df[cols_investment_securities].values, axis=1)

負債の算出

同じく財務諸表のデータから、以下のように算出しています。

# 列名を「Liabilities」で検索すると20件くらい出てくる。今回は以下を使う。 
cols_liabilities = [
    'FinancialStatement.Liabilities',
    'FinancialStatement.Liabilities (IFRS)'
]

# dfは財務諸表のデータ
# 最大値をとって1つの列に集約、これを流動資産として扱う
df_liabilities["Liabilities"] = np.nanmax(df[cols_liabilities].values, axis=1)

時価総額の算出

get_statements_rangeを使って取得した財務情報のデータを用いて、以下のように算出しています。

# 事前に開示日後の終値を結合しておく（コードは割愛）
# 期末発行済株式数との積から時価総額を算出
merged_df["MarketCap"] = merged_df["close"] * merged_df["NumberOfIssuedAndOutstandingSharesAtTheEndOfFiscalYearIncludingTreasuryStock"]

結果

まず、算出した2021年時点のネットキャッシュ比率のヒストグラムを以下に示します。

0付近を中心に-2~2あたりで分布が広がっていることがわかります（マイナスへの外れ値も目立ちますが）。書籍によると、ネットキャッシュ比率が高いほど割安な銘柄であり、1を超える銘柄は「会社がただで買えるほど割安」とのことです。

次に、2021年取引最終日から現在（2024年12月6日）までの約3年間株式を保有した場合のリターンとの関連を確認してみます。算出したネットキャッシュ比率の大きさをもとに10分割のbinningを行い、各binのリターンの分布を箱ひげ図で比較します。

この図で、大きい数字のbinほどネットキャッシュ比率が高い群になります。縦軸はリターンです。ちょっとわかりにくいので、以下に各binのリターンの中央値を棒グラフにしたものも示します。

この図を見ると、ネットキャッシュ比率が高い銘柄はリターンが比較的高かったことがわかります。とはいえネットキャッシュ比率が低すぎてもリターンが高いのが謎です。（一部銘柄のネットキャッシュ比率の算出にミスがあるのかも）

中央値の結果を示しておいてなんですが、この書籍では、小さな儲けで頻繁に売り買いするよりも「最低2倍は狙うべき」と書かれています。なのでネットキャッシュ比率の各ビンでリターンが100%を超えたものがいくつあるか確認します。

bin 全銘柄数 リターン100%以上の銘柄数 割合
0 56 4 7.1%
1 57 6 10.5%
2 57 4 7.0%
3 52 7 13.5%
4 56 3 5.4%
5 53 3 5.7%
6 54 3 5.6%
7 54 4 7.4%
8 52 4 7.7%
9 58 7 12.1%

うーん微妙…。何か改善の余地がありそうです。

今後の検討事項

  • この分析では上場廃止した銘柄を考慮していない（ネットキャッシュ比率やリターンが欠損値になり結果に含まれていない）ので修正が必要。
  • 財務諸表のデータの取り扱いが怪しい。もう少し精査すべき。
  • 検証年や期間のパターンを増やし、汎用性を確認する。
  • ネットキャッシュ比率の有用性を確認できたとして、それでスクリーニングしたあとの購入銘柄の選定方法も考える必要がある。

Discussion