Streamlit で銘柄スクリーニングツールを作る | 生成AIxPythonで始める株式分析|Python×J-Quants

ファンダメンタルズ指標をスライダーで動かしながらリアルタイムに銘柄を絞り込めるツールを Streamlit で作ります。本記事はカテゴリ 8(ファンダメンタルズ)とカテゴリ 11(実践ケース)で扱った指標を、対話的に操作できる形にまとめる手順を公開します。

過去のデータでの集計は将来の業績や株価を保証しません。本記事はスクリーニング UI の組み方を学ぶための教材です。

完成イメージ

パーツ	役割
サイドバー	PER 上限、PBR 上限、配当利回り下限、ROE 下限、市場区分、業種
メイン上部	フィルタ後の件数と平均値
メイン中段	リスク・リターン散布図(該当銘柄を強調)
メイン下段	結果テーブル(ソート・CSV ダウンロード可)

入力データ

集計済みの 1 ファイルを前提にします。

metrics.csv
Code,CoName,S33Nm,MktNm,C,per,pbr,dividend_yield,roe,ret_annual,vol_annual

per、pbr は倍率、dividend_yield、roe、ret_annual、vol_annual は小数(0.04 = 4%)です。

必要なライブラリ

pip install streamlit pandas plotly

検証バージョン: Python 3.12.5 / pandas 2.2.3 / streamlit 1.40 / plotly 5.20

アプリ本体

1
"""screener.py — ファンダメンタルズ指標で銘柄を絞り込む Streamlit アプリ
2
"""
3
from __future__ import annotations
4

5
import pandas as pd
6
import streamlit as st
7
import plotly.express as px
8

9
METRICS_PATH = "metrics.csv"
10

11

12
@st.cache_data
13
def load_metrics(path: str) -> pd.DataFrame:
14
    df = pd.read_csv(path)
15
    return df
16

17

18
def apply_filters(df: pd.DataFrame, *, per_max: float, pbr_max: float,
19
                  dy_min: float, roe_min: float,
20
                  markets: list[str], sectors: list[str]) -> pd.DataFrame:
21
    """サイドバーのフィルタを順に適用する。"""
22
    out = df.copy()
23
    if markets:
24
        out = out[out["MktNm"].isin(markets)]
25
    if sectors:
26
        out = out[out["S33Nm"].isin(sectors)]
27
    # PER/PBR は赤字や極端値を除外。NaN は通さない
28
    out = out[out["per"].between(0, per_max, inclusive="neither")]
29
    out = out[out["pbr"].between(0, pbr_max, inclusive="neither")]
30
    out = out[out["dividend_yield"] >= dy_min]
31
    out = out[out["roe"] >= roe_min]
32
    return out.reset_index(drop=True)
33

34

35
# --- アプリ -----------------------------------------------------------------
36

37
st.set_page_config(page_title="銘柄スクリーニング", layout="wide")
38
st.title("銘柄スクリーニング")
39

40
df_all = load_metrics(METRICS_PATH)
41

42
with st.sidebar:
43
    st.header("条件")
44
    per_max = st.slider("PER 上限", 5.0, 50.0, 20.0, step=1.0)
45
    pbr_max = st.slider("PBR 上限", 0.5, 5.0, 2.0, step=0.1)
46
    dy_min  = st.slider("配当利回り 下限(%)", 0.0, 8.0, 2.0, step=0.5) / 100
47
    roe_min = st.slider("ROE 下限(%)", 0.0, 30.0, 8.0, step=1.0) / 100
48
    markets = st.multiselect("市場区分", sorted(df_all["MktNm"].dropna().unique()))
49
    sectors = st.multiselect("業種", sorted(df_all["S33Nm"].dropna().unique()))
50

51
result = apply_filters(
52
    df_all,
53
    per_max=per_max, pbr_max=pbr_max,
54
    dy_min=dy_min, roe_min=roe_min,
55
    markets=markets, sectors=sectors,
56
)
57

58
col1, col2, col3 = st.columns(3)
59
col1.metric("該当銘柄数", f"{len(result):,d}")
60
col2.metric("PER 平均", f"{result['per'].mean():.2f}" if len(result) else "—")
61
col3.metric("配当利回り 平均", f"{result['dividend_yield'].mean()*100:.2f}%" if len(result) else "—")
62

63
if result.empty:
64
    st.warning("条件に合う銘柄はありません。フィルタを緩めてください。")
65
    st.stop()
66

67
# リスク・リターン散布図(全体グレー + 該当をハイライト)
68
df_all_plot = df_all.assign(highlight="その他")
69
df_all_plot.loc[df_all_plot["Code"].isin(result["Code"]), "highlight"] = "該当"
70
fig = px.scatter(
71
    df_all_plot,
72
    x="vol_annual", y="ret_annual",
73
    color="highlight",
74
    color_discrete_map={"その他": "lightgray", "該当": "crimson"},
75
    hover_data=["Code", "CoName", "S33Nm", "per", "pbr"],
76
    opacity=0.7,
77
    labels={"vol_annual": "Volatility", "ret_annual": "Return"},
78
)
79
fig.update_layout(template="plotly_white", height=500)
80
fig.update_xaxes(tickformat=".0%")
81
fig.update_yaxes(tickformat=".0%")
82
st.plotly_chart(fig, use_container_width=True)
83

84
st.subheader("結果テーブル")
85
display_cols = ["Code", "CoName", "S33Nm", "MktNm",
86
                "C", "per", "pbr", "dividend_yield", "roe",
87
                "ret_annual", "vol_annual"]
88
st.dataframe(
89
    result[display_cols].sort_values("per").reset_index(drop=True),
90
    use_container_width=True,
91
)
92

93
# ダウンロードボタン
94
csv_bytes = result[display_cols].to_csv(index=False).encode("utf-8-sig")
95
st.download_button(
96
    label="結果を CSV でダウンロード",
97
    data=csv_bytes,
98
    file_name="screening_result.csv",
99
    mime="text/csv",
100
)

ウィジェットの設計

ウィジェット選びはユーザーの操作回数を最小化することを意識します。

入力の性質	ウィジェット
連続値の上限・下限	`slider`
列挙(複数選択あり)	`multiselect`
列挙(単一選択)	`selectbox`
真偽	`checkbox` / `toggle`
自由入力	`text_input`

スライダーの初期値 がアプリの第一印象を作ります。条件を緩めにしておくと、開いた瞬間に件数が出て操作する気になりやすくなります。

散布図の「全体 + 該当」表示

スクリーニングの本質は「全体の中で該当はどこか」です。

全銘柄: 薄いグレー
該当: 強い色(クリムゾンなど)

これだけで「条件を厳しくすると該当が散布図のどの方向にシフトするか」が直感的に追えます。

ダウンロードボタン

st.download_button で結果 CSV を 1 クリックでダウンロードできます。utf-8-sig を使うと Excel で文字化けしません。

落とし穴

NaN の扱い: between は NaN を False で返す。dropna() を冒頭で打つかどうかを意識する
複数フィルタの AND: 条件が増えるほど該当 0 件になりやすい。1 件ずつ追加して件数を確認 が基本
再描画コスト: スライダーを動かすと毎回スクリプトが再実行される。重いデータは @st.cache_data で必ず包む
指標の定義: PER は予想 / 実績、ROE は連結 / 単体など、データソース側の定義を必ず固定する
表示単位: スライダー側を %、データ側を小数で持つ場合、変換し忘れに注意

生成AI へのプロンプト例

目的:
集計済みの metrics.csv を入力に、Streamlit の銘柄スクリーニングツールを作る。

入力:
metrics.csv の列: Code, CoName, S33Nm, MktNm, C,
per, pbr, dividend_yield, roe, ret_annual, vol_annual

UI 要件:
- サイドバー
  - PER 上限(slider 5〜50)
  - PBR 上限(slider 0.5〜5)
  - 配当利回り 下限(slider 0〜8%、% 表示)
  - ROE 下限(slider 0〜30%、% 表示)
  - MktNm を multiselect
  - S33Nm を multiselect
- メイン
  - 件数 / PER 平均 / 配当利回り平均 のメトリクス
  - リスク・リターン散布図(全体グレー + 該当強調、Plotly)
  - 結果テーブル(per 昇順)
  - 結果 CSV のダウンロードボタン

制約:
- streamlit 1.40 系 / pandas 2.2 系 / plotly 5.20 系
- 結果が 0 件のときは st.warning → st.stop
- @st.cache_data で metrics 読み込みをキャッシュ
- ファイル名は screener.py

まとめ

スライダー × multiselect で、ファンダメンタルズ指標のスクリーニング UI が作れる
散布図は「全体グレー + 該当を強調」で全体の中の位置を見せる
結果は CSV ダウンロードできる形にして、後段の分析に繋げる
0 件のとき・NaN 行の扱いを事前に決めておく

過去のデータでの集計は将来の業績・株価を保証しません。

目次