Pythonで米国株の「企業の変化」を検知するツールを作っている:開発ログ(設計と技術)

個人開発・プロダクト

Pythonで米国株の「企業の変化」を検知するツールを作っている:開発ログ(設計と技術)

この記事は、個人で開発しているツールの開発記録です。特定の銘柄の売買を勧めるものではありません。投資の判断はご自身で行ってください。

米国の会社の動きを追うには、決算や開示を確認する必要があります。ただ、毎回SEC(米国証券取引委員会)のサイトや決算資料を見に行くのは手間です。

「ある程度分析された情報が、向こうから届くほうがいい」。そう考えて、2026年10月ごろから企業の変化を検知して、Discordに通知するツールを作っています。まだ開発中です。

この記事では、何を検知しているのか、データをどう持っているのか、どこでつまずいたのかを、設計と技術の面からまとめます。

何を作っているか

監視している会社について、SECに新しい書類が提出されたら取り込み、その会社の数値に大きな変化があれば知らせるツールです。

検知しているのは、大きく分けて2種類です。

1. 提出書類

  • 新しい10-K(年次報告書)・10-Q(四半期報告書)・8-K(臨時報告書)の提出
  • 増資に関わる書類(S-1・S-3・424Bなど)の提出

2. 決算の数値の変化(7種類)

  • 売上成長の加速・減速
  • 利益率の改善・悪化(売上総利益率、営業利益率、純利益率)
  • 黒字転換・赤字転落(営業利益、純利益、営業キャッシュフロー)
  • フリーキャッシュフローの改善・悪化
  • 手元資金が何四半期分残っているか
  • 株数の増加などによる希薄化
  • 設備投資の急増

あわせて、Growth(成長)とFinancial(財務の健全さ)を0〜100の点数で付けています。

判定の基準は「その会社自身の過去」

変化かどうかは、ほかの会社との比較ではなく、その会社自身の過去と比べてどう変わったかで判定しています。たとえば利益率は、過去8四半期のばらつきより大きく動いたときだけ検知します。

毎四半期、利益率は多少上下します。小さな動きまで知らせると通知が多すぎて読まなくなるので、「いつもの揺れ」を超えたものだけを拾うようにしました。

全体の構成

項目内容
実行場所自宅のWindows PC(タスクスケジューラで毎日10:30〔日本時間〕に実行)
対象監視している50社
流れ新しい提出書類があるか確認 → あった会社だけ取り込み → 変化を判定 → Discordに通知
データの取得元SEC EDGAR(無料、APIキー不要)
SECへのアクセス1日に約50〜150回
数値の保存PostgreSQL 16(ローカル、約2.2GB)
原文の保存ローカルのフォルダ(内容のハッシュ値をファイル名にする、約5.4GB)
通知DiscordのWebhook
主なライブラリpsycopg(PostgreSQLへの接続)、lxml(XBRLの解析)、exchange-calendars(取引所の休場日)、pytest(テスト)

SEC EDGARから取得しているもの

使っているのは次の3つです。

  • 提出履歴(Submissions API)
  • 財務データ(Company Facts API)
  • 提出書類の原文

SECによると、EDGARのデータは誰でも無料で取得でき、data.sec.govのAPIは認証やAPIキーなしで使えます。その代わり、自動でアクセスする場合は、リクエストのUser-Agentに名前と連絡先を書くこと、アクセスを毎秒10件以内に抑えることが求められています(出典:SEC「Accessing EDGAR Data」、SEC「EDGAR Application Programming Interfaces」。2026年11月確認)。

このツールでは、余裕を持って毎秒2件以下にしています。

なお、取得したデータをAIで加工することが規約上どう扱われるかは、SECのページに書かれておらず、まだ確認できていません。

データは「書き換えない」

データの持ち方で一番大事にしているのは、書き換えをせず、追記だけにすることです。

値ごとに「いつ公開された情報か」を記録しているので、あとから「その時点で分かっていたこと」だけを再現できます。決算の数値は、あとの書類で修正されることがあります。上書きしてしまうと、「当時はこう見えていた」が分からなくなります。

AIの使い方:Claude Codeで設計から検証まで

開発には、毎日1〜2時間、Claude Codeを使っています。進め方は次のとおりです。

  1. AIに現状の調査と設計案を出してもらう
  2. 自分が承認する
  3. AIが実装し、検証用のDB(本番のコピー)で確かめる
  4. 自分が承認する
  5. 本番に適用する

ほかにも、データ不具合の原因調査や、データの取得元の規約の調査もAIに任せています。たとえば、IBMの書類の受理時刻が4〜5時間ずれていた件は、AIと一緒に原因を調べました。原因は、米国東部時間と日本時間・UTCの変換でした。

判定そのものはAIに任せない

一方で、実行時の判断(どの変化を重要とみなすか)はAIに任せていません。版を固定したルール(しきい値)で決め、同じ入力からは同じ結果が出るようにしています。

しきい値の初期案はAIと相談して作りましたが、採用するかどうかは自分で決めています。「分析の処理でLLMを必須にしない」ことは、設計方針として明記しています。毎回結果が変わる仕組みだと、あとから検証できないからです。

つまずいたこと

会社ごとに項目名が違う

一番苦労したのは、XBRL(財務データの形式)の項目名が会社ごと・年ごとに違うことです。同じ「売上」や「設備投資」でも、使われる項目名が異なります。そのため、最初はCrowdStrikeの売上が0件になったり、NVIDIAの設備投資が欠けたりしていました。

提出書類そのものに欠陥がある

提出書類のほうに問題があることもありました。文脈の定義が欠けた書類(CHKP)や、XMLとして正しくない形式の書類(RGTI)です。読めない書類で処理全体が止まらないよう、飛ばして記録するように直しました。

第4四半期の値がない

第4四半期の値は、単独で報告されないことが多くあります。そのため、「年次の値 − 9か月累計の値」で推定しています。

時差と夏時間

SECの受理時刻は米国東部時間です。日本時間との時差に加えて夏時間もあるので、「いつ公開された情報か」を正しく記録するには、時刻の扱いに注意が必要でした。

作り直したこと:「話題の銘柄探し」から「企業の変化の検知」へ

最初は、SNSで話題になっている銘柄を見つけるツールを考えていました。これをやめて、今の「監視している会社の変化を検知する」形に作り直しました。理由は3つです。

  • 株価のデータを、無料で、公開に使える形で手に入れられなかった
  • SNSの話題データ(ApeWisdom)は、利用規約が見つからず確認できなかった
  • 話題は移り変わるので、同じ結果を再現しにくい

経済統計のFRED(米国の経済統計データベース)も検討しましたが、規約を読んで、保存や将来の公開を考えている今回の用途には合わないと判断し、外しました。

有料APIの壁にぶつかって後戻りすることもありましたが、規約上使えるデータだけで組み立てると決めてから、設計が安定しました。

本業の経験が生きたところ・違ったところ

生きたところは、データモデルの設計です。業務のシステムでも、「誰が・いつ・何を変えたか」の履歴を残すことや、追記だけにする方式を扱ってきました。その考え方がそのまま使えました。

違ったところは、時点の管理の厳しさです。過去の時点を再現するときに、その時点ではまだ公開されていなかった情報を混ぜない。ここは業務以上に気を使っています。

これからやりたいこと

  • 8-Kの重要な項目(インサイダー取引、経営陣の交代、サイバー事故など)の検知と、Event・Change・Riskの点数
  • 外国企業(20-Fで提出する会社)の四半期データへの対応
  • 公開してよいデータだけを通す仕組み(Policy Guard)と、公開用の静的サイト

いずれはWebで公開することを目標にしています。そのため、個人用と公開用はDBとリポジトリを分け、公開用にはデータの利用が許可されているものだけを通す設計にしています。公開する前には、投資助言にあたらないかを専門家に確認するつもりです。

個人開発の進め方は、たまココを作るまでやRobloxでゲームを作って公開するまで、Pythonやn8nでの自動化は自動化してきた作業、Claude Codeの使い方はClaude Codeでブログを作り直すにもまとめています。

コメント

タイトルとURLをコピーしました