PER(株価収益率)を Python で計算する | 生成AIxPythonで始める株式分析|Python×J-Quants

PER(株価収益率、Price Earnings Ratio)は、ファンダメンタルズ分析でもっともよく登場する指標の 1 つです。本記事では、PER の意味・計算式・読み方の落とし穴を整理し、pandas で複数銘柄を一括計算するコード例を示します。

PER とは

PER は「ある銘柄の利益に対して、市場がいま何倍の値段を付けているか」を表す指標です。

\text{PER} = \frac{\text{株価}}{\text{1 株あたり純利益 (EPS)}}

たとえば、株価 3000 円、EPS 200 円なら、PER = 3000 / 200 = 15(倍)です。

「投資した金額を何年分の利益で回収できるか」と読み替えることもできます。利益が今後も同じペースで稼ぎ続けられるなら、PER 15 倍の銘柄は 15 年で投資金額が回収できる計算です(配当や再投資・成長率を無視した単純な目安)。

何のために使うか

同じ業種の銘柄同士で「割高 / 割安」の感覚をつかむ
同じ銘柄でも、過去の自社の PER 水準と比べて現状を評価する
業種ごとの PER 平均を出して、相対的な傾向を見る

PER の限界(ここを読まないと事故ります)

PER は便利ですが、単独で投資判断に使えるほど万能ではありません。次のような注意点があります。

業種で平均値が大きく違う: 成長性が高い業種ほど PER は高くなる傾向(IT・サービス業 vs 銀行業)
赤字企業ではそもそも計算できない: EPS がマイナスのとき PER は意味を失います
特別損益で利益が歪む年がある: 1 度きりの売却益・減損で EPS が一時的に大きく動くと PER も歪む
会計方針による差: 同業界でも会計方針(減価償却・在庫評価)で利益額が変わる
将来の利益は反映されていない: PER は基本的に「直近の実績」または「予想」から計算するもの

「PER が低い = 割安」と単純に決めつけず、上記を踏まえて使います。

EPS の取り方

PER を計算するには EPS(1 株あたり純利益)が必要です。J-Quants API では財務データから取得できます(詳細は#6-6「財務情報を取得する (/fins/summary)」)。EPS は次のいずれかの形で得られます。

実績 EPS: 直近の決算で確定した値(過去 1 年合計 = LTM や、前期実績)
予想 EPS: 会社・アナリストの今期予想値

両者で計算した PER は別物です。本記事では「実績 EPS を使った PER」を扱います。

単一銘柄を計算する

サンプル値で 1 銘柄を計算する例です。

1
def per(price: float, eps: float) -> float | None:
2
    """株価と EPS から PER を返す。EPS が 0 / 負の場合は None。"""
3
    if eps is None or eps <= 0:
4
        return None
5
    return price / eps
6

7
print(per(3000, 200))   # 15.0
8
print(per(3000, -50))   # None  (赤字)
9
print(per(3000, 0))     # None  (利益ゼロ)

eps <= 0 を弾くことで、赤字・利益ゼロ企業を「PER 計算不能」として扱います。これは強く推奨される実装です。

複数銘柄を pandas で一括計算する

実用的な場面では、複数の銘柄について一気に計算したくなります。次のような DataFrame を入力に取る前提です。

1
import numpy as np
2
import pandas as pd
3

4
df = pd.DataFrame({
5
    "Code": ["1301", "1302", "1303", "1304", "1305"],
6
    "CoName": ["サンプル商事001", "サンプル商事002", "サンプル商事003",
7
                    "サンプル商事004", "サンプル商事005"],
8
    "C": [2900, 9800, 1500, 13000, 4900],
9
    "EPS": [310, -120, 130, 700, 380],
10
})
11

12
# PER を一気に計算: NaN を許容するため pd.NA を使う
13
df["per"] = np.where(df["EPS"] > 0,
14
                     df["C"] / df["EPS"], np.nan)
15
df = df.assign(per=df["per"].round(2))
16
print(df)

   Code   CoName  C  EPS    per
0  1301  サンプル商事001   2900               310   9.35
1  1302  サンプル商事002   9800              -120    NaN
2  1303  サンプル商事003   1500               130  11.54
3  1304  サンプル商事004  13000               700  18.57
4  1305  サンプル商事005   4900               380  12.89

EPS が負の銘柄(サンプル商事002)は PER が NaN になり、後続の処理で集計から自動的に除外されます。

業種別の平均 PER を出す

複数銘柄に業種(S33Nm)が付いている場合、業種ごとの平均が出せます。

1
# サンプル: 業種付きの DataFrame
2
df["S33Nm"] = ["輸送用機器", "情報・通信業", "銀行業", "電気機器", "化学"]
3

4
sector_avg = (
5
    df.dropna(subset=["per"])
6
      .groupby("S33Nm")["per"]
7
      .agg(["mean", "median", "count"])
8
      .round(2)
9
      .sort_values("mean")
10
)
11
print(sector_avg)

中央値(median)も併記すると、外れ値に強い見方ができます。1 銘柄だけ極端な PER の銘柄が混じっても、median であれば代表値として使えます。

外れ値の扱い

業種比較で平均を出すと、PER 100 倍を超えるような極端な銘柄が混じることがあります。次のような前処理が定番です。

1
# 上下 1% を切り捨ててから平均を取る(winsorize)
2
q_low = df["per"].quantile(0.01)
3
q_high = df["per"].quantile(0.99)
4
filtered = df[(df["per"] >= q_low) & (df["per"] <= q_high)]
5
print(filtered["per"].mean())

または 中央値で代表値を扱う のが一番楽です。

生成AI へのプロンプト例

財務データから PER のスクリーニングを書きたい場合の例です。

入力 DataFrame に次の列があります(列名は J-Quants API に準拠)。
- Code (str)
- CoName (str)
- S33Nm (str)
- C (float)
- EPS (float, 赤字なら負)

次の条件を満たす銘柄を抽出する関数 screen_per(df) を書いてください。

条件:
- PER が計算可能(EPS > 0)
- PER が業種中央値の 1/2 以下(その業種の中で割安と見なせる水準)
- 流動性のため C > 100

要件:
- pandas 2.2 系
- 戻り値は元の列に per 列を加えた DataFrame
- 業種の中央値は同じ DataFrame 内で計算
- docstring は日本語

まとめ

PER は「利益に対して株価が何倍か」を測る指標
赤字企業では計算できない。EPS > 0 のフィルタを必ず入れる
業種で水準が大きく違うため、業種を揃えるか、中央値を使う
単独で投資判断には使わない。他指標との組み合わせが前提
1 度きりの特別損益でも歪むため、複数年で見る

目次