両学長の高配当株スクリーニング基準｜配当利回り・配当性向の選び方

前回の記事#11（応用編入口）では、なぜインデックスの次に高配当株なのかを整理し、応用編シリーズが「両学長の高配当株スクリーニングを Python で再現・自動化する」という方向で進むことを提示しました。今回はその第一歩として、「両学長の6つの基準を、なぜその数値なのかまで含めて再構築する」ことを目指します。

ここで多くの読者が同じ壁にぶつかります。「YouTube や書籍で配当利回り4%以上、配当性向30〜60%、自己資本比率40%以上…と覚えたものの、なぜその数値なのかが説明できないと、運用で迷う」——基準を「ブラックボックスのチェックリスト」として使ってしまうと、業種や時期に応じた調整ができず、結果として基準を歪めて運用してしまう失敗が起きやすくなります。高配当株の選び方で本当に必要なのは、「数値そのもの」ではなく「数値の根拠」です。

筆者は製造業の開発現場で、モーター制御の最適化やAI開発に携わるエンジニアです。本業では 「製品スペックシート（合否判定基準書）」を設計する仕事 を多くこなしてきました。配当利回り4%以上か、自己資本比率40%以上か、というスクリーニング基準は、構造的にスペックシートそのものです。「検査項目／規格値／上限・下限／根拠／測定方法」という枠組みで投資基準を整理し直すと、各指標の”なぜ”が一気に見通せるようになります。

本記事では、両学長の発信内容と一般的な財務分析ロジックをもとに、応用編 #12〜#20 で扱う6つの主要基準を「製品スペックシート」のテンプレートで再構築します。さらに、製造業のFMEA（故障モード影響解析、Failure Mode and Effects Analysis）の視点で「6基準を故障モードと検出指標として再マッピング」する独自視点も提示します。Python の本格実装は #15 で扱いますが、本記事の最後に「スペックシート判定器」のミニマム実装（10数行）を一つ示します。業種分散は応用編 #19 で別途深掘りします。

結論：高配当株のスクリーニング基準は「収益性 / 安全性 / 持続性」の3観点をカバーする6指標で構成される。各指標は「なぜその数値か」の根拠とセットで運用すれば、業種特性や市場環境の変化に応じてカスタマイズできる。これは製造業の合否判定スペックシート設計と同じ思考プロセスであり、ブラックボックスではなく”設計図”として基準を扱える状態が、応用編の到達点となる。

スクリーニング基準を「製品スペックシート」として捉え直す

製造業の量産現場では、製品が出荷可能かどうかを判定するための「製品スペックシート」が必ず存在します。電圧・電流・寸法・重量・耐熱温度・耐振動性…といった検査項目ごとに、規格値（基準値）と 上限／下限（USL = Upper Spec Limit／LSL = Lower Spec Limit）、その 根拠、そして 測定方法 が一覧表として整理されます。これがあるから、新人でもベテランでも同じ判定ができ、判定結果の根拠を説明できます。

高配当株のスクリーニング基準も、構造はまったく同じです。「配当利回り4%以上」は LSL（下限規格値）、「配当性向30〜60%」は USL/LSL の組み合わせ、「自己資本比率40%以上」は LSL、というように。違いは、製品スペックが 顧客要求と物理法則 から決まるのに対し、投資基準は 歴史的なリターンデータと財務分析の経験則 から決まる、という根拠の出所です。物理法則が時間で変わらないのに対し、財務指標の「適切な閾値」は経済環境・業種構造の変化により時間とともに見直しが必要な点が、両者の重要な違いです。

6つの基準を「なぜこの数値なのか」で再構築する

本記事で扱う6つの基準は、収益性（投資家が受け取るリターン）／ 安全性（倒産・減配リスク）／ 持続性（将来も同じ品質が続くか）の3観点に分類できます。製品スペックでも「性能項目」「安全性項目」「耐久性項目」という3分類が一般的なのと、ぴったり対応します。

観点	基準	規格値の目安	製品スペックでの対応
収益性	配当利回り（税引前）	LSL 4%以上（高すぎは要警戒）	定格出力（性能の必達ライン）
	配当性向	30〜60%（業種補正あり）	動作マージン（余裕率）
安全性	自己資本比率	LSL 40%以上	耐荷重・安全率
	営業キャッシュフロー	継続的にプラス	動作中の電力収支
持続性	EPS（1株あたり利益）	安定 or 増加傾向	性能の経年劣化試験
	連続増配年数	10年以上が望ましい	長期信頼性試験

以下、6基準それぞれを「規格値・上限／下限・根拠・補正の余地」の4点で整理します。配当利回り・配当性向は応用編 #15 でPython実装、自己資本比率は #18 で財務健全性として深掘り、EPS・連続増配は #16 で時系列分析、営業CFは #17 の罠銘柄検知の主軸として再登場します。本記事は「設計図のレベル」で基準全体を俯瞰する位置づけです。

基準1：配当利回り 4%以上（収益性）

配当利回り = 1株あたり年間配当金 ÷ 株価 × 100。これは投資家が「投じた資本に対して年間どれだけのキャッシュが返ってくるか」を示す利回りで、銀行預金金利や債券利回りと比較するための共通指標です。本記事で扱う 4% は「税引前」の数値で、特定口座での配当には20.315%の源泉徴収（所得税15.315%＋住民税5%）がかかるため、税引後の実質利回りは約3.18%程度になります。NISA成長投資枠で保有する場合は配当も非課税のため、税引前 4% がそのまま受取になります。

ただし、配当利回りが高すぎる銘柄は要警戒です。利回り = 配当 ÷ 株価 なので、株価が暴落すると分母が小さくなり利回りが見かけ上跳ね上がります。これは「高配当の罠」（バリュートラップ）と呼ばれ、減配や倒産のシグナルである可能性が高い。応用編 #17 では、これを統計的な異常値検知（IQR・Zスコア）で自動的にフラグする手法を扱います。

補正の余地: 業種によって妥当な利回り水準は変わります。通信・銀行・商社などディフェンシブな業種は4〜5%が普通ですが、グロース系（情報通信の一部、ヘルスケアなど）は3%でも「高配当」と評価される場合があります。「市場平均の1.5〜2倍」という相対指標で考えるほうが、業種を問わず使える基準になります。

基準2：配当性向 30〜60%（収益性の持続可能性）

配当性向 = 配当総額 ÷ 当期純利益 × 100。「会社が稼いだ利益のうち、どれだけを株主に還元しているか」を示します。両学長の発信では30〜50%が主に挙げられますが、本記事は業種補正の余地を残して30〜60%の範囲を採用します。

これは製品スペックの 「動作マージン（余裕率）」 と完全に同じ概念です。電源回路を定格の100%で常時動かすと、温度・経年で寿命が急激に縮みます。だから設計では70〜80%で動作させ、ピーク時にも余裕を残す。配当性向の USL 60%は、まさに「業績が一時的に2割下がっても配当を維持できる余裕」を残す閾値です。

補正の余地: 一時的に純利益が落ち込んだ年（リストラ費用・特損など）は配当性向が跳ね上がります。これを単年で機械的に判定すると、本来は健全な企業を誤って除外するリスクがあります。応用編 #16 では、過去5年の平均配当性向や、特殊要因の除外ロジックを扱います。

基準3：自己資本比率 40%以上（安全性）

自己資本比率 = 自己資本（純資産） ÷ 総資産 × 100。「会社の資産のうち、返済不要の自分のお金がどれだけあるか」を示します。残りは負債（借金）です。

これは製品スペックの 「耐荷重・安全率」 と同じです。「定格1tの台車に1.5tを載せても潰れないように、安全率を1.5以上で設計する」という発想と、「総資産の40%は返済不要の自己資本にすることで、売上が3〜4割落ちても潰れない」という発想は、構造的に同じリスク管理思想です。

補正の余地: 銀行・保険・商社などは事業構造上レバレッジ（負債活用）が前提のため、自己資本比率10%以下が普通です。これらの業種では、自己資本比率の代わりに 銀行は BIS自己資本比率（国際統一基準8%以上が必須）、保険は ソルベンシーマージン比率（200%以上が健全）、REIT は LTV（Loan to Value、50%以下が目安）、商社は格付け（A格以上）や セグメント別ROE などで安全性を評価します。応用編 #18 で業種別の財務指標補正を整理します。

基準4：EPS（1株あたり利益）安定 or 増加傾向（持続性）

EPS（Earnings Per Share）= 当期純利益 ÷ 発行済株式数。「1株あたりの稼ぐ力」を示します。配当はEPSの一部なので、EPSが減ると遅れて配当が減るのが基本構造です。

これは製品の 「性能の経年劣化試験」 に相当します。電源効率・モーター出力・電池容量などを5年間測定して、初期性能の80%以上を維持できているかを確認する。EPSの長期推移は、企業の「本業の稼ぐ力」が時間とともに維持・成長しているかの経年試験です。応用編 #16 では、pandas + matplotlib で過去のEPSトレンドを可視化し、時系列分析で安定性を定量化します。

基準5：連続増配年数 10年以上が望ましい（持続性）

連続増配年数 = 配当を一度も減らさず、毎年同額または増額を続けた年数。米国では「ディビデンドキング（Dividend Kings、50年以上）」「ディビデンドアリストクラッツ（Dividend Aristocrats、25年以上）」というカテゴリが定着しています。

これは製品の 「長期信頼性試験」（Long-Term Reliability Test）と同じ性質の指標です。製造業では新製品リリース時に1万時間連続稼働試験を行い、市場投入後も品質保証データを継続収集します。10年連続増配は、市場（投資家）が課す品質保証試験を10年間クリアし続けた実績そのものです。

補正の余地: 日本企業は連続増配の歴史が浅いため、「10年以上」を厳格に適用すると候補企業が著しく少なくなります。応用編 #16 では「連続増配 5年以上＋直近5年で減配なし」など、緩和した基準でのスクリーニングも扱います。

基準6：営業キャッシュフロー 継続的にプラス（安全性）

営業キャッシュフロー（営業CF）= 本業から実際に入ってくる現金の流れ。純利益とは別物で、会計上の利益が出ていても、現金が入ってこない（売掛金が回収できない・在庫が積み上がる）状況では営業CFはマイナスになります。

これは製品の 「動作中の電力収支」 に相当します。電池駆動の機器は、ピーク時の消費電力（瞬間値＝純利益のような数値）だけでなく、平均消費電力と充電速度のバランス（持続的な収支＝営業CF）が重要です。瞬間値だけ見て設計すると、長時間運用でバッテリーが切れる。投資でも、純利益だけ見て営業CFを見ないと、「黒字倒産」する企業を掴むリスクがあります。

FMEAで6基準を「故障モード × 検出指標」として再整理する

製造業の品質工学では、6つのスペック項目を FMEA（Failure Mode and Effects Analysis、故障モード影響解析） の枠組みで再整理することが定番です。「製品が壊れるなら、どんな壊れ方（故障モード）があり得るか／その故障を事前に検出するにはどの指標を見るか」を体系的にマップします。これを高配当株のスクリーニング基準にそのまま適用すると、6基準が単なるチェックリストではなく、「投資判断の故障モードと検出系」として再定義できます。

故障モード	影響度	主たる検出指標	早期警報シグナル
減配	高	配当性向・連続増配年数	配当性向 60% 超 / 連続増配年数の途切れ
業績悪化	中〜高	EPS・配当性向	EPS の前年比減少率 10% 超 / CV 0.5 以上
倒産	致命的	自己資本比率・営業CF	自己資本比率 30% 割れ / 営業CF 2年連続赤字
バリュートラップ（罠銘柄）	中〜高	配当利回り・株価変動	利回り 8% 超かつ株価 1年で 30% 以上下落
業種ショック	中	業種分散（#19で扱う）	同一セクター集中（3社超）

こうして整理すると、6基準が「単独で何を防いでいるか」だけでなく「複数の基準が組み合わさってどの故障モードを早期に検出するか」という関係性が見えてきます。例えば「配当性向 60% 超 + EPS 減少傾向」が同時に出ていれば、減配の蓋然性が高い、という早期警報になります。応用編 #19 では、業種ショックを含む全故障モードを FMEA で体系的に扱います。

スペックシート判定器：6基準を「PASS / CAUTION / FAIL」で出力する

製品スペックシートでは、検査結果を「合格 / 要再検査 / 不合格」の3段階で出力するのが一般的です。投資基準も同じく、白黒2値ではなく3段階の判定にしておくと、「全クリアではないけれど見過ごせない候補」を捨てずに済みます。応用編で扱うスクリーニングパイプラインでは、この3段階判定を全銘柄に適用します。

本記事の最後に、6基準を入力すると判定を返すミニマム実装を一つ示します。Python 3.11 + 標準ライブラリのみで動作する10数行の例で、本格的なデータ取得・スクリーニング実装は応用編 #13〜#15 で扱います。

# spec_sheet_judge.py — 高配当株スクリーニング基準のミニマム判定器
# 動作環境: Python 3.11+ / 標準ライブラリのみ
from typing import Literal, TypedDict

Verdict = Literal["PASS", "CAUTION", "FAIL"]

class Metrics(TypedDict):
    yield_pct: float          # 配当利回り（税引前 %）
    payout: float             # 配当性向 %
    equity_ratio: float       # 自己資本比率 %
    eps_trend: Literal["growing", "stable", "volatile", "declining"]
    consec_inc_years: int     # 連続増配年数
    ocf_positive_years: int   # 直近で営業CFがプラスだった年数（過去5年中）

def judge(metrics: Metrics) -> dict[str, Verdict | dict[str, Verdict]]:
    """6基準で銘柄を3段階判定する（業種補正なし、最小実装）"""
    rules = {
        "yield_pct":          (lambda v: "PASS" if 4.0 <= v <= 8.0 else "CAUTION" if v > 8.0 else "FAIL"),
        "payout":             (lambda v: "PASS" if 30 <= v <= 60 else "CAUTION" if 60 < v <= 80 else "FAIL"),
        "equity_ratio":       (lambda v: "PASS" if v >= 40 else "CAUTION" if v >= 30 else "FAIL"),
        "eps_trend":          (lambda v: "PASS" if v in ("stable", "growing") else "CAUTION" if v == "volatile" else "FAIL"),
        "consec_inc_years":   (lambda v: "PASS" if v >= 10 else "CAUTION" if v >= 5 else "FAIL"),
        "ocf_positive_years": (lambda v: "PASS" if v >= 5 else "CAUTION" if v >= 3 else "FAIL"),
    }
    per_metric: dict[str, Verdict] = {k: rules[k](metrics[k]) for k in rules}
    overall: Verdict = "FAIL" if "FAIL" in per_metric.values() else \
                       "CAUTION" if "CAUTION" in per_metric.values() else "PASS"
    return {"per_metric": per_metric, "overall": overall}

# 使用例（3パターン）
samples = [
    {"yield_pct": 4.5, "payout": 45, "equity_ratio": 50,
     "eps_trend": "stable", "consec_inc_years": 12, "ocf_positive_years": 5},   # 全 PASS
    {"yield_pct": 4.2, "payout": 75, "equity_ratio": 45,
     "eps_trend": "stable", "consec_inc_years": 7,  "ocf_positive_years": 4},   # CAUTION 混在
    {"yield_pct": 9.5, "payout": 25, "equity_ratio": 28,
     "eps_trend": "declining", "consec_inc_years": 2, "ocf_positive_years": 1}, # FAIL 混在
]
for m in samples:
    print(judge(m)["overall"], judge(m)["per_metric"])
# PASS    {全 PASS}
# CAUTION {payout: CAUTION, consec_inc_years: CAUTION, ocf_positive_years: CAUTION, ...}
# FAIL    {yield_pct: CAUTION, payout: FAIL, equity_ratio: FAIL, eps_trend: FAIL, ...}

注意点：v1 のレビューで「配当性向の下限 30% 未満が CAUTION 判定になるバグ」を指摘いただいたため修正しました。30% 未満は本文で「指標としての配当銘柄から外れる」と明示しているため、コード上も FAIL に落ちる必要があります。利回りに「8%超は CAUTION」を入れているのは、「高配当の罠」（株価暴落で見かけ上利回りが跳ね上がる現象）を機械的に拾うためです。本格的な異常値検知は応用編 #17 でIQRやZスコアなど統計的手法で扱います。本判定器は単一銘柄に対する基本ルール適用のみで、業種補正や時系列分析は組み込んでいません。「両学長基準を最低限のロジックで再現するとこうなる」という設計のショーケースとして読んでください。

6基準すべてPASSでも残る3つのリスク

スペックシート判定で「全 PASS」が出ても、「投資して安全」ではありません。製造業のスペックシートでも、全項目合格の製品が市場で問題を起こすケースは度々あります。理由は、スペックシートが「過去のデータと既知のリスクモデル」しか反映できないからです。投資のスクリーニングでも同じ限界があります。本シリーズで扱う基準の限界を、3つのリスクとして明示しておきます。

リスク1：構造変化（規制・テクノロジー転換）への盲目性

過去10年の財務データで安定した連続増配企業でも、業界構造が大きく変わると突然リスクが顕在化します。例えば、たばこ業界の規制強化、化石燃料業界のESG圧力、紙媒体新聞のデジタル化など。過去の延長で未来を予測する基準だけでは、構造変化を捉えられません。応用編シリーズではこのリスクには直接対応しませんが、定期的な業界トレンド・規制動向のチェックを基準運用に組み合わせる必要があります。

リスク2：バリュートラップ（株価暴落で見かけ上の利回り急騰）

本判定器は「利回り 8% 超は CAUTION」という静的な閾値で罠を一部検出しますが、「7.5% で株価が直近 1 年で 40% 下落」のような動的なシグナルは静的なルールでは捕捉できません。応用編 #17 では、株価変動率と利回り変動の組み合わせで罠銘柄を異常値検知（IQR・Zスコア）する手法を扱います。本記事の判定器は最低限のフィルタとして機能するに留まる、と認識ください。

リスク3：業種特性の無視（銀行・REIT等の誤判定）

「自己資本比率 40% 以上」を機械的に適用すると、銀行・保険・商社・REIT などレバレッジが事業構造に組み込まれた業種は全滅します。これらは BIS 比率・LTV など別の安全性指標で評価する必要があります。応用編 #18 で業種別補正ルールを設計しますが、本記事の判定器単独では業種補正は組み込んでいません。「全 PASS」でも「銀行・REIT に対しては FAIL」と出るのは、判定器の限界を示す現象として捉えてください。

設計判断の記録：なぜこの6基準で十分か、どう拡張するか

応用編シリーズでは、「両学長の基準を再現する」だけでなく、「なぜこの6つの組み合わせか」「どう拡張すれば自分の投資スタイルに合わせられるか」も設計判断として記録します。これは製造業のスペックシート設計で「なぜこの規格値か」を必ず議事録に残すのと同じです。

判断0：ROE・FCF・配当のれんを「主軸6基準」から外した理由

高配当株分析では、ROE（自己資本利益率）、FCF（フリーキャッシュフロー）、配当のれん（配当原資としての過去利益剰余金の蓄積）も重要な指標です。それでも本記事の主軸6基準から外したのは、「6基準で初学者が運用可能な範囲を超えない」という運用上の理由です。応用編 #18 では、ROE・FCFを業種補正の補助指標として再導入します。配当のれんは #16 の連続増配分析と組み合わせて扱います。「6基準で全てを判定する」のではなく、「6基準で1次フィルタをかけ、2次以降に拡張する」という多段アーキテクチャで設計しています。

判断1：なぜ業種分散をこの6基準に入れないか

業種分散（同一セクター3社以下）は、個別銘柄の評価軸ではなくポートフォリオ全体の構成評価軸です。スペックシートでいえば、製品単体の合否ではなく、製品ラインナップ全体の構成バランスを評価する話に近い。混同すると基準の運用が曖昧になります。応用編 #19 で別途、FMEA（故障モード影響解析）の発想を借りて業種分散を設計します。

判断2：成長性指標（PER・PBR）を入れない理由

PER（株価収益率）・PBR（株価純資産倍率）は株価評価指標であり、「割安かどうか」を見るのに使います。本シリーズの応用編は「持続的な配当キャッシュフロー」が主題のため、まずは収益性・安全性・持続性の6基準で「配当の質」を担保したうえで、買付タイミングの判断にPER・PBRを別途使う、という二段構えで設計します。発展編（成長株CAN-SLIM、応用編 #20 で接続）では、PER・PBRも本格的な評価指標として扱います。

判断3：基準のカスタマイズはどこから始めるか

応用編全体を通して扱うのは「両学長基準のミニマム再現」ですが、実運用では 業種補正 と 期間補正 をまず加えるのが定石です。

• 業種補正：通信・銀行・REITなど、財務構造が特殊な業種は基準を業種別に変える（自己資本比率の閾値、配当性向の上限、代替指標の採用など）
• 期間補正：単年データではなく、過去3〜5年の平均値・中央値で判定する（一過性の特殊要因の影響を緩和）
• 自分の投資目的との整合：FIRE目的なら配当利回り重視、長期インカム目的なら持続性重視、というように6基準内のウェイトを変える

応用編 #20 のまとめでは、これらのカスタマイズ余地を整理し、自分用のスクリーニング基準書を作る手順をテンプレート化します。

本業の話：仕入先評価で「規格値の決め方」を間違えた失敗談

筆者が製造業の開発部門に異動して2年目、新規仕入先の評価スペックシートを設計する業務を任されました。電子部品の仕入先候補が10社ほどあり、品質・価格・納期・財務健全性・サポート体制など、複数の評価項目で合否を判定する仕組みを作る仕事です。

当時の筆者は、各項目の基準値を「過去の優良仕入先のデータの最高水準」を参考に設定しました。「不良率0.01%以下」「納期遵守率99.5%以上」「自己資本比率50%以上」というように、業界トップ企業の数値をそのまま規格値に置いた結果——10社中9社が不合格。残った1社も価格交渉の余地がなく、結果として基準が機能しないシステムが完成してしまいました。

当時の見直し作業の数値感覚としては、初稿の規格値で 合格率10% しかなく、6か月後に閾値を再設計したあとは 合格率55% に改善し、最終的に5社と取引が成立しました。失敗の本質は「数値を低く緩めた」のではなく、「規格値の根拠を業務リスクからの逆算で設定し直した」ことです。

レビュー会議で、ベテラン購買担当者から指摘されたのが次の点でした:

• 「優良仕入先のデータ＝合格ラインではなく、それを上回ることもある”目標値”。合格／不合格の境界は別の根拠で決めなければいけない」
• 「規格値は業務リスクからの逆算で決める。例えば不良率0.05%なら年間どれだけのコストが乗るかを試算し、許容できる水準で線を引く」
• 「合格／不合格の2値判定だけでなく、要再検討の中間ゾーンを入れろ。ゼロかイチでは現場が運用できない」

この経験で痛感したのが、「基準は数値そのものではなく、根拠と運用ロジックがセットで初めて機能する」という原則です。スペックシートを「ベンチマーク数値の羅列」として作ると、現場で運用できない基準ができあがります。投資のスクリーニング基準もまったく同じ構造で、「両学長が4%と言っているから4%」と覚えるだけでは、業種が違えば歪んだ判定になります。本記事の判定器が PASS/CAUTION/FAIL の3段階を採用するのも、この経験から「2値判定の現場運用しにくさ」を体得したことの直接の反映です。

本記事で「なぜ4%なのか」「なぜ40%なのか」を逐一根拠ベースで再構築したのは、この失敗の教訓が直接の動機です。応用編全体を通じて、基準の数値だけでなく 「なぜ・いつ・どう調整するか」もセットで残せるシリーズにしていきます。

まとめ：スクリーニング基準は「設計図」であって「呪文」ではない

• スクリーニング基準は製品スペックシートと同じ構造：検査項目・規格値・USL/LSL・根拠・測定方法の5要素で整理すれば、各指標の”なぜ”が見通せる
• 6基準は3観点に対応 + FMEAで再定義可能：収益性（配当利回り・配当性向）、安全性（自己資本比率・営業CF）、持続性（EPS・連続増配年数）。さらに「故障モード × 検出指標」として組み合わせれば、減配・倒産・バリュートラップの早期警報になる
• 基準値は根拠とセットで運用 + 限界を明示：「4%」「40%」「10年」だけでなく根拠（無リスク利子率・倒産統計・景気サイクル）と業種補正の余地を理解する。同時に「6基準PASSでも残る3つのリスク（構造変化・バリュートラップ・業種特性）」を意識して、追加検証を組み合わせる

今日からできる3つのアクション

1. 持っている／興味のある銘柄1〜2社について、6基準（配当利回り・配当性向・自己資本比率・EPS推移・連続増配年数・営業CF）を SBI証券・楽天証券・マネックス証券のスクリーニングツールで実際に確認してみる。「PASS / CAUTION / FAIL」で自分なりに判定してから、本記事の FMEA 表と照らし合わせて「どの故障モードに対応する基準か」を確認する
2. 本記事のサンプルコード spec_sheet_judge.py をローカルで動かしてみる。自分が「許容したい数値範囲」に書き換えてみると、基準の意味が手応えとして理解できる（例：自己資本比率の閾値を50%に上げる、配当利回りの上限を6%に下げる、業種補正を加える、など）
3. 両学長の YouTube または書籍「お金の大学」の高配当株章を見直し、本記事の根拠説明と照らし合わせて自分なりの「基準補正メモ」を1ページ作っておく。応用編 #15 でPython実装する際のカスタマイズの起点になります

次回予告：J-Quants と EDINET で財務データを Python で取得する

次回（記事#13）では、本記事で整理した6基準を「東証上場約3,900社の実データに対して計算する」ためのデータパイプラインの第一段階——財務データの自動取得を扱います。J-Quants API（株価・財務サマリ）と EDINET API（有価証券報告書のXBRL）を組み合わせ、Python で銘柄・期間を指定するだけで CSV／Parquet に保存できる仕組みを作ります。

• J-Quants API のフリープラン／スタンダードプランの違いと、最初に取れるデータの範囲
• EDINET の有価証券報告書から財務データを Python で抽出するワークフロー
• 取得データを DuckDB に直接書き込むデータパイプラインの最小構成

記事#11〜#12 で「なぜ高配当株か・どう基準を作るか」（設計）を整理してきました。次回からは「その設計を実データで動かす」（実装）のフェーズに入ります。応用編シリーズの本格的な技術編がここから始まります。