生成AIでクオンツ投資はできる？ChatGPT・Claude・Pythonで高配当株を分析する方法【2026年11月】

📅 執筆時点：2026年11月11日（データ・制度・料金はこの日に確認した内容です）

「AIに株を選ばせれば、もうかるのでは？」

ChatGPTやClaudeが身近になり、こう考える方が増えています。
結論から書くと、生成AIは「銘柄を当てる道具」ではなく、「調べる・数える・検証する」を手伝う相談役として使うのが現実的です。

以前の記事「AIクオンツ時代、個人投資家は勝てなくなるのか？」では、AIと短期売買で競うのではなく、時間軸を長くする考え方を書きました。
今回はそこから一歩進めて、高配当株をAIとPythonで「点数化」し、過去データで確かめる方法を、できるだけやさしく説明します。

📐 クオンツ投資とは？

定義と歴史

クオンツ投資とは、株価や財務の数字をもとに、あらかじめ決めたルールで銘柄を選ぶ投資です。
「クオンツ」は英語の quantitative（数量的な）から来ています。

土台になったのは、大学などの研究です。
たとえば1993年には、株の値動きを「市場全体」「会社の規模」「割安さ」の3つで説明するファーマ＝フレンチの3ファクターモデルが発表されました。
同じ1993年には、上がってきた株がしばらく上がり続けやすい「モメンタム」の研究（ジェガディーシュとティットマン）も出ています。

こうした研究が運用会社の現場に広がり、今では多くの投資信託やETFがルールにもとづく運用を取り入れています。

裁量投資との違い

人が経験や感覚で判断する方法を「裁量投資」と呼びます。
どちらが上というより、得意なことが違います。

指標を点数化する具体例

クオンツの基本は「点数をつけて並べる」ことです。
たとえば、次のようなルールを決めます。

※ルールと点数は説明用の例です。実際の基準は業種によって変える必要があります。

大事なのは、ルールを先に決め、全銘柄に同じ物差しを当てることです。
「この会社は好きだから少し甘く」ができないのが、クオンツの良いところです。

🧭 クオンツ投資の代表的な6つの戦略

機関投資家がよく使う考え方を6つに整理しました。
それぞれの「株価が上がりやすい理由」には研究の裏づけがありますが、どの戦略も負ける時期があります。

図2　代表的な6つの戦略

※筆者作成。主な研究：バリュー＝Fama & French（1993）、モメンタム＝Jegadeesh & Titman（1993）、クオリティ＝Asness ほか（2019）、低ボラティリティ＝Baker ほか（2011）。

高配当株投資は、このうち「高配当」に近い考え方です。
ただし配当利回りだけで選ぶと、あとで説明する「減配の落とし穴」にはまりやすくなります。
そこで、高配当にクオリティ（財務）や割安度を足したマルチファクターにすると、弱点を補いやすくなります。

🤖 生成AIがクオンツ投資を変える理由

ニュースや開示文書の文章を数値にする分析は、生成AIの登場前からプロの世界で行われてきました。
生成AIが変えたのは、個人投資家でも日本語で頼むだけで、文章を読んで数字に置きかえる作業を試せるようになったことです。

決算資料の読解と財務分析

決算短信や有価証券報告書は、1社で何十ページもあります。
生成AIに「配当方針が書かれた部分を抜き出して」「前年と比べて変わった表現を挙げて」と頼むと、読む時間を大きく減らせます。

ただし、AIは数字を読み間違えたり、書かれていないことをそれらしく作ったりすることがあります。
売上・利益・配当などの数字は、AIの文章からではなく、元の資料やデータから直接取るのが原則です。

配当方針の変化と定性情報の定量化

高配当株で気になるのは「配当方針の言い回しの変化」です。
たとえば「累進配当」への変更は、配当の維持を重視する姿勢の手がかりになります。
ただし、配当の下限額・方針の対象期間・例外の条件によって意味は変わるので、単語だけで良し悪しは決められません。

こうした文章の変化を、AIに「前向き＝＋1、変化なし＝0、後ろ向き＝−1」のように点数化させれば、数字として扱えます。
これが定性情報（文章）の定量化（数値化）です。

ChatGPT・Claude・Pythonの役割分担

図3　生成AI・Python・人間の役割分担

※筆者作成。数字の計算は「毎回同じ答えが出る」Pythonに任せるのが基本です。

ポイントは、計算をAIの会話にまかせないことです。
生成AIは同じ質問でも答えが少し変わることがあります。
点数の計算やバックテストは、毎回同じ結果になるPythonのプログラムで行い、AIにはそのプログラムを書く手伝いをしてもらう。
この分担がいちばん安全です。

AIによる株価予測の限界

「AIで株価そのものを予測できないの？」という疑問もあると思います。

米国の研究者が2023年に初稿を公開し、その後、学術誌（Journal of Financial Economics）に受理された論文（Lopez-Lira & Tang）では、ChatGPTにニュースの見出しを「良い・悪い」と判定させると、翌日の株価の動きをある程度説明できたと報告されています。
一方で同じ論文の新しい版では、AIの普及が進んだ期間に、この方法の成績が下がった結果も示されています。普及との因果関係が確定したわけではありませんが、同じ手法の優位性が長く続くとは限らない、という注意点です。

みんなが同じAIで同じことをすれば、差はつきにくくなると考えるのが自然です。
個人がAIで短期の値動きを当て続けるのは難しく、長期の企業分析の効率化に使うほうが向いていると私は考えています。

💰 高配当株投資にAIを活用する方法｜減配リスクを数字で見る

配当利回りだけでは危険

配当利回りは「1株配当÷株価」です。
株価が大きく下がると、配当が同じでも利回りは高く見えます。

ところが株価が下がった理由が「業績悪化」なら、次の決算で減配（配当を減らすこと）が発表されるかもしれません。
減配が出ると、株価がさらに下がることもあります。
利回りの高さは、市場が「この配当は続かないかも」と見ているサインの場合があるのです。

長期金利が上がった局面での考え方は「長期金利3％時代、高配当株の常識が変わる」でも書きました。

累進配当・DOE・配当性向

累進配当の考え方は日経高配当株50と日経累進高配当株指数の比較記事でも整理しています。

キャッシュフローと減配リスク

配当は、帳簿上の利益ではなく実際の現金から払われます。
そこで見たいのが、フリーキャッシュフロー（本業で稼いだ現金から設備投資を引いた残り）です。

「配当総額 ＞ フリーキャッシュフロー」の年が何年も続くなら、借金や手元資金を取りくずして配当を払っている可能性があります。
キャッシュフローの読み方は「キャッシュフロー分析を活用した株式投資のコツ」で詳しく書きました。

割安度と株価トレンド

財務が丈夫でも、株価が高すぎれば利回りは低くなります。
また、株価が長く下がり続けている銘柄は、まだ見えていない悪材料を市場が先に織りこんでいる場合があります。

そこで、「割安か」「株価の流れが崩れていないか」も点数に入れます。
次の章で、これらをまとめた100点満点のモデルを作ってみます。

🧮 日本高配当株を100点満点で分析する

図4　100点満点モデルの配点（仮説）

※筆者作成。右端の灰色（10点）は「開示・定性評価」。

架空の会社で計算してみる

イメージをつかむため、実在しない「架空のA社」で計算してみます。

※すべて架空の数値です。特定の企業を表すものではありません。

66点という数字そのものより、「配当方針は強いが、現金の裏づけがやや弱い」と弱点が見えることに意味があります。
点数は「買う・買わない」の答えではなく、「どこを調べ直すか」の地図だと考えてください。

🏢 実際の日本株を分析するなら

次の5社は、日本の高配当株としてよく名前が挙がる会社です。
ここでは分析対象の例として、公式資料で確認できた配当方針だけを並べます。

この記事では、5社に点数はつけていません。
点数をつけるには、10年分の財務・株価データを取得して上のモデルに当てはめる必要があり、それを行っていないからです。

※取得日：2026年11月11日。出典は記事末の「参考資料」に各社IRページを記載。予想は会社発表により変わる可能性があります。株価・配当利回りはこの記事では扱っていません。

JTについては、ロシア事業をめぐるリスクを「日本高配当株30銘柄のカントリーリスク」で詳しく取り上げています。
数字のモデルだけでは見えにくい、こうした「事業の中身のリスク」を拾うのが、生成AIで資料を読ませる意味のひとつです。

🔁 バックテストとは？やり方と注意点

バックテストとは、「このルールで過去に投資していたら、どうなっていたか」を過去データで試すことです。
ルールを作ったら、お金を入れる前に必ず行います。

結果を見る4つの物差し

次の例は、説明のための仮の計算です。実在の銘柄や戦略の成績ではありません。

※すべて仮の数値。税金・手数料は考えていません。1.06の10乗≒1.79、1.04の10乗≒1.48。シャープレシオの平均リターンは、各期間のリターンの平均を年率にしたもので、CAGRとは別物です。

高配当株では、配当を入れずに株価だけで比べると、成績を小さく見積もってしまいます。
実際のデータで配当込みの成績を確かめた例として、代表30銘柄・10年642回の権利落ちを検証した記事もご覧ください。

図5　「成績が良すぎる」バックテストを疑う3つの落とし穴

※筆者作成。

③の過剰最適化は、プロの世界でも大きな問題です。
ハーベイらの研究（2016年）は、過去の論文で見つかった数百の「株価を説明する要因」を調べ、たくさん試せば偶然よく見えるものが混ざるため、従来より厳しい基準で判断すべきだと指摘しました。

個人でできる対策は、次の3つです。

• データを「作る期間」と「試す期間」に分け、試す期間は最後に1回だけ使う
• 条件の数を少なくする（ルールは単純なほど長持ちしやすい）
• 試した条件の数も、結果と一緒に記録しておく

生成AIで過去の決算資料を点数化してバックテストに使う場合は、もう一つ注意があります。
AIは、その資料が出た後の出来事まで学習している可能性があり、「当時の情報だけで答えて」と指示しても完全には防げません。
AIの評価は今日の時点で保存し、その後の成績を追いかけて確かめる方法も合わせて使うと安心です。

🛠️ Claude CodeとCodexで投資分析システムを作る

Claude Code（Anthropic社）やCodex（OpenAI社）は、日本語で頼むとプログラムを書いてくれるAIツールです。
プログラミングの経験がなくても、データの取得から点数計算まで、小さな仕組みを作れるようになりました。

図6　個人でも作れる投資分析システムの流れ

※筆者作成。

データの入手先と特徴

API（エーピーアイ）とは、プログラムからデータを受け取るための窓口のことです。
人がホームページを見に行く代わりに、プログラムが決まった形でデータを取りに行きます。

J-Quants APIの料金プラン（2026年11月11日時点・公式サイトより）

※出典：J-Quants公式サイト。2026年5月18日から、Light以上の契約者向けに適時開示書類（TDnet）のアドオン（月額11,000円・税込）も提供されています。料金・内容は変わることがあるため、申し込み前に公式サイトで確認してください。

キャッシュフロー計算書や配当金の詳しいデータを使うには、上位プランが必要になる点に注意が必要です。
まずはFreeプランで、株価の取得と簡単な計算を試してみるのが無理のない始め方です。

Pythonではこう書く（イメージ）

J-Quants APIは新しいV2方式に切り替わり、APIキーで認証する仕組みになりました（2025年12月22日以降の新規登録はV2のみ。旧V1はすでに閉鎖）。
APIキーはパスワードと同じなので、プログラムに直接書かず、パソコンの環境変数に入れて読み込むのが安全です。

import os
import requests

# APIキーは環境変数から読む（コードに直接書かない）
headers = {"x-api-key": os.environ["JQUANTS_API_KEY"]}

# 財務情報（決算短信のサマリー）を取得する例
resp = requests.get(
    "https://api.jquants.com/v2/fins/summary",
    params={"code": "16050"},
    headers=headers,
)
print(resp.status_code)

※書き方の一例です。項目名や引数は公式の仕様書で確認してください。

この程度のコードなら、Claude CodeやCodexに「J-Quants APIで○○の決算データを取って、配当性向を計算して」と頼めば書いてくれます。
ただし、AIが書いたコードの計算結果は、2〜3社だけでも決算短信の数字と手で照らし合わせることが大切です。

J-Quantsのデータを使うときに守るルール

J-Quants APIは便利ですが、利用規約で「登録した本人の私的使用」に限られています（利用規約第8条）。
公式のよくある質問をもとに、主なルールを整理しました。

生成AIに入れる場合、公式FAQでは次の4つの条件をすべて満たすことが求められています。

1. 自分の分析目的で使うこと
2. 入力したデータがAIの学習に使われない設定にしていること
3. 入力したデータを第三者が見られないこと
4. 生成された結果を配信・公開しないこと

ChatGPTやClaudeを使うときは、学習への利用をオフにする設定を確認してから入力しましょう。
また、解約で利用期間が終わった後やプランの引き下げ後は、取得したデータ・その複製・元のデータを復元できる加工物を削除する決まりもあります（例外の条件は公式FAQで確認できます）。
なお、この記事に載せている数字はJ-Quantsから取得したものではなく、各社のIRページから確認したものです。

⚖️ AIクオンツ投資のメリットとリスク

金融庁も2025年3月に「AIディスカッションペーパー」を公表し（2026年3月に改訂）、金融分野でのAI活用の利点と課題を整理しています。
AIは便利な道具ですが、結果の責任は使う人が持つという前提は変わりません。

👴 50代・60代から始めるAI投資分析

「プログラミングは無理」と思う方も、段階を踏めば大丈夫です。
次の順番なら、お金もリスクもほとんどかけずに始められます。

大切なのは、バックテストで納得できるまで、実際のお金は動かさないことです。
また、AIに入力するのは公開されている資料だけにして、口座番号やパスワード、保有額などの個人情報は入れないようにしましょう。

🗣️ 私はこう考えています

統計学者ジョージ・ボックスは「すべてのモデルは間違っている。だが、役に立つものもある」という趣旨の言葉を残しています（Box & Draper、1987年）。
AIクオンツを考えるうえで、とても参考になる言葉だと私は考えています。

100点満点のモデルも、AIの点数も、現実を単純にした「地図」にすぎません。
地図があれば迷いにくくなりますが、地図どおりの道が今も通れるとは限りません。

私が生成AIにいちばん期待しているのは、銘柄当てではなく「自分の思い込みを点検してくれる相手」としての役割です。
「この会社の減配リスクを、反対の立場から挙げて」と頼むと、自分では見落としていた論点が得られる場合があります。
高配当株を長く持つ投資家にとって、これは大きな助けになると考えています。

一方で、AIの答えをそのまま信じるのは危ういとも感じています。
数字は必ず一次資料で確かめる。ルールは単純にする。結果が良すぎたら疑う。
この3つを守れば、AIは50代・60代の投資家にとっても心強い相談役になるはずです。

❓ よくある質問（FAQ）

Q1. 生成AIに「どの高配当株を買えばいいか」を聞いてもいいですか？

聞くこと自体はできますが、答えをそのまま投資判断に使うのは避けたほうが安全です。
AIは古い情報や誤った数字をもとに答えることがあります。
「この銘柄の配当方針を決算資料から抜き出して」のように、あとで確かめられる作業を頼むほうが向いています。

Q2. プログラミングができなくてもクオンツ分析はできますか？

できます。最初は表計算ソフトで、配当性向や自己資本比率を並べるだけでも立派な定量分析です。
Pythonが必要になったら、Claude CodeやCodexのようなAIツールにコードを書いてもらい、結果を手で確かめる方法があります。

Q3. J-Quants APIは無料で使えますか？

Freeプラン（月額0円）があります。
ただし取れるのは直近12週間を除く2年分で、データは12週間遅れです。
長い期間のバックテストや財務諸表の詳しいデータには、有料プランが必要です（2026年11月11日時点）。

Q4. バックテストで良い成績が出れば、将来もうまくいきますか？

保証はありません。
過去に合わせすぎたルール（過剰最適化）は、将来うまくいかないことがよくあります。
「作る期間」と「試す期間」を分けて、試す期間でも成績が大きく崩れないかを確かめることが大切です。

Q5. 分析結果をブログやSNSで公開してもいいですか？

J-Quantsのデータを使った場合、分析の手法や結果（グラフなど）の紹介はできますが、生データの公開は禁止です。
また、分析結果を継続・反復して配信することは私的利用に当たらないとされています。
J-Quantsのデータを生成AIに入力して得た結果は、配信・公開しないことが利用の条件です。
公開する前に、公式サイトの利用規約とFAQを必ず確認してください。

📝 まとめ：AIを投資の相談役として活用する

AIは「答えを出す機械」ではなく、「考えるための材料を整えてくれる相談役」です。
まずは保有している1銘柄の決算資料を、AIと一緒に読むところから始めてみてはいかがでしょうか。

📚 あわせて読みたい関連記事

• AIクオンツ時代、個人投資家は勝てなくなるのか？｜AIより速く売買しない「時間軸を長くする」という最強の対抗策
• JTロシア問題で考える日本高配当株30銘柄のカントリーリスク｜海外依存と減配リスクを徹底比較【2026年11月】
• 高配当株は権利落ち後が買い場？代表30銘柄・10年642回の実データで検証【2026年9月】
• キャッシュフロー分析を活用した株式投資のコツ｜現金の流れで見抜く優良企業とは？
• 長期金利3％時代、高配当株の常識が変わる｜「利回りが高いだけ」の株を買ってはいけない理由

📎 参考資料（2026年11月11日確認）

データ・制度

• J-Quants API 公式サイト（料金プラン）：https://jpx-jquants.com/ja
• J-Quants API サービス利用規約（最終改定2026年1月19日）：https://jpx-jquants.com/ja/termsofservice
• J-Quants API ヘルプ「利用目的・ライセンス」：https://jpx-jquants.com/ja/help/usage
• J-Quants API 仕様書「財務情報（サマリー）」：https://jpx-jquants.com/ja/spec/fin-summary
• J-Quants API ヘルプ「サービスについて」：https://jpx-jquants.com/ja/help/about
• JPX「J-Quants API 適時開示書類（TDnet）アドオン提供開始」（2026年5月18日）：https://www.jpx.co.jp/corporate/news/news-releases/6020/20260518-01.html
• JPX「TDnetの概要」：https://www.jpx.co.jp/equities/listing/disclosure/tdnet/index.html
• 金融庁 EDINET 操作ガイド・EDINET API仕様書（Version 2）：https://disclosure2dl.edinet-fsa.go.jp/guide/static/disclosure/WZEK0110.html
• 金融庁「AIディスカッションペーパー（第1.1版）」（2026年3月3日）：https://www.fsa.go.jp/news/r7/sonota/20260303/aidp.html

企業IR（配当方針・予想）

• INPEX 株主還元：https://www.inpex.com/ir/shareholder/dividend.html
• JT IR情報（2026年度配当予想）：https://www.jti.co.jp/investors/
• 三井物産 配当（2027年3月期）：https://www.mitsui.com/jp/ja/ir/information/reduction/index.html
• INPEX IRカレンダー（第3四半期決算 11月12日予定）：https://www.inpex.com/ir/calendar.html
• 三井物産 中期経営計画：https://www.mitsui.com/jp/ja/company/outline/management/
• NTT 配当情報：https://group.ntt/jp/ir/shares/dividend.html
• 三菱HCキャピタル 2026年3月期 決算短信（2026年5月15日）：https://www.mitsubishi-hc-capital.com/investors/library/assets/pdf/2026051508.pdf

研究・専門機関

• Fama, E. & French, K. (1993) “Common risk factors in the returns on stocks and bonds”, Journal of Financial Economics
• Jegadeesh, N. & Titman, S. (1993) “Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency”, Journal of Finance
• Asness, C., Frazzini, A. & Pedersen, L. (2019) “Quality minus junk”, Review of Accounting Studies
• Baker, M., Bradley, B. & Wurgler, J. (2011) “Benchmarks as Limits to Arbitrage: Understanding the Low-Volatility Anomaly”, Financial Analysts Journal
• Harvey, C., Liu, Y. & Zhu, H. (2016) “…and the Cross-Section of Expected Returns”, Review of Financial Studies
• Lopez-Lira, A. & Tang, Y. “Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models”, Journal of Financial Economics に受理（著者サイトで「掲載予定」と表示、2026年11月11日確認）。参照したのは arXiv 第6版：https://arxiv.org/abs/2304.07619
• Tetlock, P. (2007) “Giving Content to Investor Sentiment: The Role of Media in the Stock Market”, Journal of Finance
• Lopez-Lira, A., Tang, Y. & Zhu, M. “The Memorization Problem: Can We Trust LLMs’ Economic Forecasts?”（AIの学習済み情報による先読みの問題）：https://arxiv.org/abs/2504.14765
• CFA Institute “Managing LLM Bias in Investing”（2026年）：https://rpc.cfainstitute.org/research/reports/2026/managing-llm-bias-in-investing
• Box, G. & Draper, N. (1987) “Empirical Model-Building and Response Surfaces”, Wiley

📅 執筆時点：2026年11月11日　／　更新日：2026年11月11日

※本記事は筆者個人の考えをまとめたものであり、特定の金融商品の購入を推奨するものではありません。投資判断はご自身の責任においてお願いいたします。記載のデータは執筆時点のものです。記事中の100点満点モデルは検証前の仮説であり、計算例はすべて説明のための仮の数値です。将来の運用成果を示すものではありません。