CAN-SLIM C×A 複合判定で成長株を Python で自動抽出する手順

記事#22では CAN-SLIM の C（直近1四半期の急成長）、記事#23では A（過去3-5年の長期持続成長）を Python で個別に自動判定しました。本記事はその交差点—— C×A を複合判定し、「直近加速 + 長期持続」両方を満たす成長株候補の最有力ゾーンを Python で自動抽出する手順とサンプルコード入門です。発展編 CAN-SLIM 実装ブロック（#22→#23→#24）の完結回です。

「絶対値より変化率、突発より連続性」という設計原則を、本記事は多軸 AND 判定に拡張します。C 単独 PASS だけだと「直近1Q だけ突発」、A 単独 PASS だけだと「過去5年は良いが直近失速」の可能性があります。両軸 PASS の交差点でようやく「成長株候補の入口」と言える、というのが CAN-SLIM 原典の核心思想です（ただし C×A は CAN-SLIM 7要素中2要素なので、これだけで「本物」と断ずるのは原典より強い表現になります）。

多くの読者がぶつかる壁:

• 戦略選択: AND（両方 PASS） / OR（どちらか PASS） / 重み付け（C 60% + A 40% など）の3戦略から自分の運用にどう選ぶか
• 9セルマトリクス解釈: C×A の verdict を 3×3 マトリクスで集計したとき、各セル（PASS×PASS / PASS×CAUTION / FAIL×PASS など）の意味と運用上の扱い
• 業種分散: C×A 両 PASS 銘柄が IT 業種に集中しがちで、応用編 #19 HHI 集中度判定との連携が必要
• バックテスト: 過去 C×A 両 PASS だった銘柄のその後の株価推移を簡易検証（実値非掲載の概念実装）
• ポートフォリオ運用: PASS 銘柄を何銘柄、どう保有するか（オニール原典の経験則に従う運用ルール）

筆者は製造業の研究開発現場で、新製品の量産化決定を「品質 × 性能 × コスト」の3軸 AND 判定で行ってきました。単軸の高得点で量産投資して失敗した過去 → 3軸 AND 判定で成功率を上げた経験は、CAN-SLIM の C×A 複合判定と同じ枠組みです。本記事のエピソードで詳しく整理します。

本記事では 4個のサンプルコードで、C×A 複合判定関数（3戦略）→ screen_parallel_v3 統合 → 9セル マトリクス可視化 → 簡易バックテスト概念実装まで自動判定を完成させます。

結論：CAN-SLIM C×A 複合判定は「直近加速（C）と長期持続（A）の両軸 PASS」を AND 戦略で機械的に自動判定する。複合戦略は AND（両方 PASS、最も厳格）/ OR（どちらか PASS、緩い）/ 重み付け（C 60% + A 40% などスコア化）の3パターン。9セルマトリクスで verdict 分布を可視化し、業種分散（応用編 #19 HHI）と組合せて偽陽性を削減。「絶対値より変化率、突発より連続性」原則を多軸 AND 判定に拡張するのが本記事の技術的核心。発展編 CAN-SLIM 実装ブロック（#22→#23→#24）はこの記事で完結し、#25 以降は事業構造分析に進む。重要：本記事の C×A 複合判定は CAN-SLIM 7要素中2要素のみで、機械 PASS = 即購入候補ではなく「成長株候補の最有力ゾーン」のスクリーニング手段です。エントリー判断・損切・利確は原典のポートフォリオ運用ルールに従ってください。

C×A 複合判定の役割と「両軸 PASS」が示す成長株候補の最有力ゾーン

CAN-SLIM 原典では C と A は独立に評価されますが、成長株候補の最有力ゾーンは両軸を同時に満たすのが経験則です。各組合せの解釈:

スニペット1：C×A 複合判定関数のサンプルコード入門（AND / OR / 重み付け 3戦略）

#22 の judge_c_element と #23 の judge_a_element の出力を受け取り、3戦略から1つを選んで複合判定する関数を実装します。引数 strategy で “and” / “or” / “weighted” を切替可能。

# can_slim_composite_judge.py — C×A 複合判定（3戦略、自動判定の中核）
# 動作環境: Python 3.11+
from typing import Literal, TypedDict, NotRequired

Verdict = Literal["PASS", "CAUTION", "FAIL"]
Strategy = Literal["and", "or", "weighted"]

# verdict を数値化するスコアマップ（重み付け戦略で使用）
_VERDICT_SCORE = {"PASS": 2, "CAUTION": 1, "FAIL": 0}

class CompositeMetrics(TypedDict):
    c_verdict: NotRequired[Verdict | None]
    a_verdict: NotRequired[Verdict | None]

def judge_composite(metrics: CompositeMetrics,
                     strategy: Strategy = "and",
                     c_weight: float = 0.6,
                     a_weight: float = 0.4,
                     weighted_pass_threshold: float = 1.6,
                     weighted_caution_threshold: float = 1.0) -> Verdict:
    """C×A 複合自動判定（突発より連続性 + 多軸 AND の原則）

    strategy="and"（推奨デフォルト、両方 PASS のみ最終 PASS）
    strategy="or"（緩い、どちらか PASS で最終 PASS）
    strategy="weighted"（C/A を重み付け平均してスコア化、閾値で判定）

    weighted_pass_threshold=1.6: PASS×PASS=2.0, PASS×CAUTION=1.6, PASS×FAIL=1.2 など
    """
    c = metrics.get("c_verdict")
    a = metrics.get("a_verdict")
    if c is None or a is None:
        return "CAUTION"

    if strategy == "and":
        if c == "PASS" and a == "PASS":
            return "PASS"
        if c == "FAIL" or a == "FAIL":
            return "FAIL"
        return "CAUTION"

    if strategy == "or":
        if c == "PASS" or a == "PASS":
            return "PASS"
        if c == "FAIL" and a == "FAIL":
            return "FAIL"
        return "CAUTION"

    # weighted strategy
    if strategy == "weighted":
        score = _VERDICT_SCORE[c] * c_weight + _VERDICT_SCORE[a] * a_weight
        if score >= weighted_pass_threshold:
            return "PASS"
        if score >= weighted_caution_threshold:
            return "CAUTION"
        return "FAIL"

    raise ValueError(f"Unknown strategy: {strategy}")

# 使用例
# from can_slim_c_judge import judge_c_element
# from can_slim_a_judge import judge_a_element
#
# c_v = judge_c_element({"yoy_growth_pct": 30.0, "consecutive_up_quarters": 3})
# a_v = judge_a_element({"cagr_5y_pct": 28.0, "consecutive_up_years": 4})
# composite = judge_composite({"c_verdict": c_v, "a_verdict": a_v}, strategy="and")
# print(composite)  # "PASS" if both PASS, else CAUTION/FAIL

スニペット2：screen_parallel_v3 への統合と 9セルマトリクス出力

#22 で構築した screen_parallel_v2 に C×A 複合判定を追加し、1回の Runner 起動で「高配当 / C / A / C×A composite」4判定が自動で出る形に拡張します。9セルマトリクスは pandas pivot_table で集計します。

# screen_parallel_v3.py — 高配当 + C + A + C×A 複合 を1パイプラインで自動判定
# 動作環境: Python 3.11+ / duckdb 1.0+ / pandas 2.x
import duckdb
import pandas as pd
from multiprocessing import Pool, cpu_count
from datetime import date
from pathlib import Path
from spec_sheet_judge_v2 import judge_v2
from can_slim_c_judge import judge_c_element
from can_slim_a_judge import judge_a_element
from can_slim_composite_judge import judge_composite

DB_PATH = Path("data/stocks.duckdb")
OUT_DIR = Path("data/screening_results")

_RULES_BY_PROFILE: dict = {}
_C_THRESHOLD: float = 25.0
_C_MIN_CONSECUTIVE: int = 2
_A_THRESHOLD: float = 25.0
_A_MIN_CONSECUTIVE_YEARS: int = 3
_COMPOSITE_STRATEGY: str = "and"

def _init_worker(rules: dict, c_t: float, c_min: int,
                  a_t: float, a_min: int, comp_strat: str) -> None:
    """initializer パターン（応用編 #15 で確立、spawn 環境対応）"""
    global _RULES_BY_PROFILE, _C_THRESHOLD, _C_MIN_CONSECUTIVE
    global _A_THRESHOLD, _A_MIN_CONSECUTIVE_YEARS, _COMPOSITE_STRATEGY
    _RULES_BY_PROFILE = rules
    _C_THRESHOLD, _C_MIN_CONSECUTIVE = c_t, c_min
    _A_THRESHOLD, _A_MIN_CONSECUTIVE_YEARS = a_t, a_min
    _COMPOSITE_STRATEGY = comp_strat

def judge_one_ticker(metrics: dict) -> dict:
    """1銘柄に対して 高配当 + C + A + C×A の4判定を自動実施"""
    profile = metrics.get("industry_profile") or "manufacturing"
    rules = _RULES_BY_PROFILE.get(profile, _RULES_BY_PROFILE.get("manufacturing", {}))
    high_div = judge_v2(metrics, rules)
    c_v = judge_c_element(
        {"yoy_growth_pct": metrics.get("yoy_growth_pct"),
         "consecutive_up_quarters": metrics.get("consecutive_up_quarters")},
        threshold_pass=_C_THRESHOLD, min_consecutive=_C_MIN_CONSECUTIVE,
    )
    a_v = judge_a_element(
        {"cagr_3y_pct": metrics.get("cagr_3y_pct"),
         "cagr_5y_pct": metrics.get("cagr_5y_pct"),
         "consecutive_up_years": metrics.get("consecutive_up_years")},
        threshold_pass=_A_THRESHOLD, min_consecutive_years=_A_MIN_CONSECUTIVE_YEARS,
    )
    composite = judge_composite(
        {"c_verdict": c_v, "a_verdict": a_v}, strategy=_COMPOSITE_STRATEGY,
    )
    return {
        "ticker_normalized": metrics["ticker_normalized"],
        "name_jp": metrics.get("name_jp"),
        "industry_profile": profile,
        "high_dividend_overall": high_div["overall"],
        "can_slim_c": c_v,
        "can_slim_a": a_v,
        "can_slim_composite": composite,
    }

def aggregate_9cell_matrix(result_df: pd.DataFrame) -> pd.DataFrame:
    """C verdict × A verdict の 9セルマトリクスを集計（突発より連続性の俯瞰）"""
    pivot = result_df.pivot_table(
        index="can_slim_c", columns="can_slim_a",
        values="ticker_normalized", aggfunc="count", fill_value=0,
    )
    pivot = pivot.reindex(index=["PASS", "CAUTION", "FAIL"],
                          columns=["PASS", "CAUTION", "FAIL"], fill_value=0)
    return pivot

def run_screening_v3(composite_strategy: str = "and") -> Path:
    """高配当 + C + A + C×A 複合の自動判定パイプライン（v3）"""
    OUT_DIR.mkdir(parents=True, exist_ok=True)
    today = date.today().isoformat()
    out_path = OUT_DIR / f"{today}_v3.parquet"

    with duckdb.connect(str(DB_PATH)) as conn:
        rules: dict = {}
        rows = conn.execute("""
            SELECT industry_profile, standard_indicator, direction,
                   threshold_pass, threshold_caution
            FROM industry_indicator_map
        """).fetchall()
        for prof, ind, dirn, p, c in rows:
            rules.setdefault(prof, {})[ind] = {
                "direction": dirn, "threshold_pass": p, "threshold_caution": c,
                "range_high_pass": None, "range_high_caution": None,
            }

        # 直近期 C 指標 と 直近年 A 指標を ROW_NUMBER OVER で取得
        # H4 補足: yoy_growth_pct_capped を yoy_growth_pct として渡す = 赤字→黒字転換は NaN → CAUTION 扱い
        # （ターンアラウンド銘柄は CAN-SLIM C で機械的に CAUTION 化される設計、原典準拠の制約）
        df = conn.execute("""
            SELECT s.*,
                   c.yoy_growth_pct, c.consecutive_up_quarters,
                   a.cagr_3y_pct, a.cagr_5y_pct, a.consecutive_up_years
            FROM v_screening_input s
            LEFT JOIN (
                SELECT ticker_normalized,
                       yoy_growth_pct_capped AS yoy_growth_pct,  -- 前年正値時のみ有効
                       consecutive_up_quarters
                FROM (SELECT *, ROW_NUMBER() OVER
                              (PARTITION BY ticker_normalized
                                ORDER BY period_end DESC) AS rn
                      FROM quarterly_eps_with_yoy) ranked
                WHERE rn = 1
            ) c ON s.ticker_normalized = c.ticker_normalized
            LEFT JOIN (
                SELECT ticker_normalized, cagr_3y_pct, cagr_5y_pct, consecutive_up_years
                FROM (SELECT *, ROW_NUMBER() OVER
                              (PARTITION BY ticker_normalized
                                ORDER BY fiscal_year DESC) AS rn
                      FROM annual_eps_with_cagr) ranked
                WHERE rn = 1
            ) a ON s.ticker_normalized = a.ticker_normalized
        """).fetchdf()

    metrics_list = df.to_dict(orient="records")
    with Pool(processes=cpu_count(), initializer=_init_worker,
               initargs=(rules, _C_THRESHOLD, _C_MIN_CONSECUTIVE,
                          _A_THRESHOLD, _A_MIN_CONSECUTIVE_YEARS, composite_strategy)) as pool:
        results = pool.map(judge_one_ticker, metrics_list, chunksize=50)

    result_df = pd.DataFrame(results)
    result_df.to_parquet(out_path, index=False)

    matrix = aggregate_9cell_matrix(result_df)
    print(f"saved: {out_path}, rows={len(result_df)}")
    print(f"\n9セルマトリクス（C verdict × A verdict）:\n{matrix}")
    print(f"\n複合 PASS: {(result_df['can_slim_composite']=='PASS').sum()}")
    return out_path

if __name__ == "__main__":
    run_screening_v3(composite_strategy="and")

スニペット3：matplotlib ヒートマップと業種分散（HHI）の自動判定可視化

9セルマトリクスを matplotlib ヒートマップで可視化し、さらに複合 PASS 銘柄の業種分散（HHI、応用編 #19 で導入）を計算して集中リスクを定量化します。「絶対値より変化率、突発より連続性」原則の運用結果を視覚で確認できる設計です。※ 出力例の実画像は本記事に未掲載（読者環境で生成）。

# plot_composite_matrix.py — 9セルマトリクス + 業種分散の可視化
# 動作環境: Python 3.11+ / matplotlib 3.9+ / pandas 2.x / numpy
import matplotlib
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from pathlib import Path

# 日本語フォント設定（環境横断対応）
matplotlib.rcParams["font.family"] = ["Hiragino Sans", "Yu Gothic", "Meiryo", "Noto Sans CJK JP", "DejaVu Sans"]
matplotlib.rcParams["axes.unicode_minus"] = False

def compute_hhi(industry_counts: pd.Series) -> float:
    """業種分散の HHI（Herfindahl-Hirschman Index、応用編 #19 で導入）

    HHI = Σ(各業種シェア%)^2、最大10000、目安 2000 以上で集中、3000 以上で警告
    """
    total = industry_counts.sum()
    if total == 0:
        return 0.0
    shares = (industry_counts / total) * 100
    return float((shares ** 2).sum())

def plot_composite_matrix(matrix: pd.DataFrame, hhi: float,
                            out_path: Path = Path("data/plots/composite_9cell.png")) -> Path:
    """9セルマトリクス（ヒートマップ）+ HHI の自動判定可視化

    H2 修正: max=0（PASS銘柄ゼロ）の場合の白黒反転判定をガードし、全セル黒固定にしない
    """
    out_path.parent.mkdir(parents=True, exist_ok=True)
    fig, ax = plt.subplots(figsize=(8, 6))

    im = ax.imshow(matrix.values, cmap="Purples", aspect="auto")
    ax.set_xticks(range(len(matrix.columns)))
    ax.set_yticks(range(len(matrix.index)))
    ax.set_xticklabels([f"A: {v}" for v in matrix.columns])
    ax.set_yticklabels([f"C: {v}" for v in matrix.index])
    ax.set_xlabel("A 要素 verdict（長期持続）")
    ax.set_ylabel("C 要素 verdict（直近加速）")

    # 各セルに件数を表示（H2 修正: max=0 のガード）
    matrix_max = matrix.values.max()
    for i in range(matrix.shape[0]):
        for j in range(matrix.shape[1]):
            count = matrix.iat[i, j]
            if matrix_max == 0:
                color = "black"  # 全 0 のとき黒固定（読みにくさを回避するなら他のフォールバックも可）
            else:
                color = "white" if count > matrix_max * 0.5 else "black"
            ax.text(j, i, str(count), ha="center", va="center", color=color, fontsize=14)

    hhi_label = "OK" if hhi < 2000 else ("注意" if hhi < 3000 else "警告")
    ax.set_title(f"CAN-SLIM C×A 9セルマトリクス（業種HHI={hhi:.0f}, {hhi_label}）")
    fig.colorbar(im, ax=ax, label="銘柄数")
    fig.tight_layout()
    fig.savefig(out_path, dpi=120)
    plt.close(fig)
    return out_path

def analyze_composite_pass(result_df: pd.DataFrame) -> dict:
    """複合 PASS 銘柄の業種分布と HHI を分析（突発より連続性の事後検証）"""
    pass_df = result_df[result_df["can_slim_composite"] == "PASS"]
    if pass_df.empty:
        return {"pass_count": 0, "hhi": 0.0, "industry_dist": {}}
    industry_counts = pass_df["industry_profile"].value_counts()
    hhi = compute_hhi(industry_counts)
    return {
        "pass_count": int(len(pass_df)),
        "hhi": hhi,
        "hhi_status": "OK" if hhi < 2000 else ("注意" if hhi < 3000 else "警告"),
        "industry_dist": industry_counts.to_dict(),
    }

スニペット4：C×A PASS 銘柄の簡易バックテスト（概念実装、株価実値非掲載）

過去5年で C×A 両 PASS だった銘柄のその後12ヶ月の株価リターンを集計し、複合判定の有効性を簡易検証します。本記事は概念実装のみで実値は掲載しません（J-Quants/FMP 利用規約に基づく方針）。読者が自分の環境で再現する手順を示します。v2 H1/H3 修正: SQL ハードコード閾値を判定器呼び出しに置換、5y 優先 + 3y フォールバックを再現。

# backtest_composite.py — C×A PASS 銘柄の簡易バックテスト（v2: 判定器呼び出しに統一）
# 動作環境: Python 3.11+ / pandas 2.x / duckdb 1.0+
import duckdb
import pandas as pd
from pathlib import Path
from datetime import date, timedelta
from can_slim_c_judge import judge_c_element
from can_slim_a_judge import judge_a_element
from can_slim_composite_judge import judge_composite

DB_PATH = Path("data/stocks.duckdb")

def historical_composite_pass(as_of_date: date,
                                 c_threshold: float = 25.0, c_min_consec: int = 2,
                                 a_threshold: float = 25.0, a_min_years: int = 3,
                                 strategy: str = "and") -> pd.DataFrame:
    """指定日時点の C×A 両 PASS 銘柄リストを判定器経由で再構築（v2: H1/H3 修正）

    SQL は時系列フィルタ + 直近期データ抽出のみ、判定は judge_*_element に委譲
    → #23 の 5y 優先 + 3y フォールバックや #22 の3段階判定が再現される
    """
    with duckdb.connect(str(DB_PATH)) as conn:
        df = conn.execute(f"""
            WITH c_at AS (
                SELECT ticker_normalized,
                       yoy_growth_pct_capped AS yoy_growth_pct,
                       consecutive_up_quarters
                FROM (
                    SELECT *, ROW_NUMBER() OVER (PARTITION BY ticker_normalized
                                                   ORDER BY period_end DESC) AS rn
                    FROM quarterly_eps_with_yoy
                    WHERE period_end <= DATE '{as_of_date.isoformat()}'
                ) ranked WHERE rn = 1
            ),
            a_at AS (
                SELECT ticker_normalized, cagr_3y_pct, cagr_5y_pct, consecutive_up_years
                FROM (
                    SELECT *, ROW_NUMBER() OVER (PARTITION BY ticker_normalized
                                                   ORDER BY fiscal_year DESC) AS rn
                    FROM annual_eps_with_cagr
                    WHERE period_end <= DATE '{as_of_date.isoformat()}'
                ) ranked WHERE rn = 1
            )
            SELECT c.ticker_normalized,
                   c.yoy_growth_pct, c.consecutive_up_quarters,
                   a.cagr_3y_pct, a.cagr_5y_pct, a.consecutive_up_years
            FROM c_at c
            JOIN a_at a ON c.ticker_normalized = a.ticker_normalized
        """).fetchdf()

    rows = []
    for _, r in df.iterrows():
        c_v = judge_c_element(
            {"yoy_growth_pct": r.get("yoy_growth_pct"),
             "consecutive_up_quarters": r.get("consecutive_up_quarters")},
            threshold_pass=c_threshold, min_consecutive=c_min_consec,
        )
        a_v = judge_a_element(
            {"cagr_3y_pct": r.get("cagr_3y_pct"),
             "cagr_5y_pct": r.get("cagr_5y_pct"),
             "consecutive_up_years": r.get("consecutive_up_years")},
            threshold_pass=a_threshold, min_consecutive_years=a_min_years,
        )
        comp = judge_composite({"c_verdict": c_v, "a_verdict": a_v}, strategy=strategy)
        if comp == "PASS":
            rows.append({"ticker_normalized": r["ticker_normalized"],
                         "c_verdict": c_v, "a_verdict": a_v})
    return pd.DataFrame(rows)

def compute_forward_return(ticker: str, start_date: date,
                              months: int = 12) -> float | None:
    """指定銘柄の start_date から months ヶ月後の株価リターン（実装は読者環境で）

    本記事は概念実装。実際の取得は:
    - 日本株: J-Quants /prices/daily_quotes
    - 米国株: FMP /historical-price-full/{symbol}
    で start_date と start_date + months の終値を取得 → リターン計算
    """
    # 概念実装のため None を返す
    # end_date = start_date + timedelta(days=months * 30)
    # start_price = fetch_close_price(ticker, start_date)
    # end_price = fetch_close_price(ticker, end_date)
    # return (end_price / start_price - 1.0) * 100
    return None

def backtest_summary(start_dates: list[date]) -> pd.DataFrame:
    """各 as_of_date 時点で C×A PASS だった銘柄の12ヶ月後リターンを集計"""
    rows = []
    for d in start_dates:
        pass_df = historical_composite_pass(d)
        for ticker in pass_df["ticker_normalized"]:
            ret = compute_forward_return(ticker, d, months=12)
            rows.append({"as_of_date": d, "ticker": ticker, "forward_return_pct": ret})
    return pd.DataFrame(rows)

def report_backtest(bt_df: pd.DataFrame) -> dict:
    """バックテスト結果のサマリ（勝率 / 平均リターン / 中央値）"""
    valid = bt_df.dropna(subset=["forward_return_pct"])
    if valid.empty:
        return {"sample_size": 0}
    return {
        "sample_size": len(valid),
        "win_rate_pct": float((valid["forward_return_pct"] > 0).mean() * 100),
        "mean_return_pct": float(valid["forward_return_pct"].mean()),
        "median_return_pct": float(valid["forward_return_pct"].median()),
        "max_drawdown_pct": float(valid["forward_return_pct"].min()),
    }

設計判断の記録：C×A 複合判定の3判断 + 応用編〜発展編 #24 の俯瞰表（33件）

判断1：複合戦略のデフォルトを AND / OR / 重み付けのどれにするか

• 採用理由: AND 戦略をデフォルト。代替案との比較:
  • OR 戦略: 抽出数が AND の3-5倍に増えるが、偽陽性も同程度増加。教育目的・候補リスト用
  • 重み付け戦略: 連続値で柔軟だが、重み（c_weight=0.6 等）と閾値の調整に恣意性が混入
  • 採用：AND 戦略: CAN-SLIM 原典の「両軸を同時に満たす」思想に最も忠実、偽陽性低
• 採用したことで失うもの: 抽出数（米国 1-3%、日本 0.5-1%）が少なく、市場全体の流れを見にくい
• トリガー条件: 候補リストを広く取りたい → strategy="or"。スコア化したい → strategy="weighted"
• 残るメリット: 偽陽性最小化、運用判断のシンプルさ、原典思想への忠実さ
• 製造業の評価作法: 「品質 × 性能 × コスト」の3軸 AND 判定で量産投資を決める作法と同じ枠組み

判断2：9セルマトリクスを基本表示にするか PASS×PASS 件数のみにするか

• 採用理由: 9セル全表示をデフォルト。PASS×PASS 件数だけだと「閾値が厳しすぎる/緩すぎる」の判断材料がない
• 採用したことで失うもの: 表示の単純さ（投資家向けレポートでは PASS×PASS のみのほうが訴求力高い場合あり）
• トリガー条件: 投資家向けレポート → PASS×PASS のみハイライト + 補足として9セル添付の2段表示
• 残るメリット: 閾値調整の判断材料、9セル分布の経時変化が市場状況のシグナルになる
• 品質管理での運用: 「全 verdict の組合せ分布」を可視化するのが PDCA の標準作法

判断3：バックテストを記事に実装するか概念実装に留めるか

• 採用理由: 概念実装のみ（株価データ取得・実値計算は読者環境で）。J-Quants/FMP 利用規約遵守の方針継承
• 採用したことで失うもの: 「勝率 60%」のような訴求力の高い数値表現の機会
• トリガー条件: 自分の環境でデータ取得できる読者は実装可能、関数シグネチャと処理フローは公開
• 残るメリット: 利用規約遵守、生存バイアス・データスヌーピングへの注意喚起ができる
• 研究現場の作法: 「再現可能な手順」と「実値」を分けるのが研究データ公開のセオリー

応用編 #13〜#21 + 発展編 #22〜#24 の主要設計判断 俯瞰表（33件）

応用編 + 発展編全件を本記事で全展開します（v2 D2 修正、累計33件）:

記事	主要判断	採用
#13	データソース選定	J-Quants + EDINET（公式 API 優先）
#14	DB / アーキテクチャ	DuckDB + ELT + マスタ駆動
#14	業種別補正設計	industry_indicator_map + direction
#14	正規化キー	ticker_normalized 5桁0埋め
#15	並列化技術	multiprocessing（initializer パターン）
#15	通知メディア	LINE Messaging API
#15	スケジューラ	cron → GitHub Actions
#16	連続増配判定	連続非減少（同額据え置きOK）
#16	EPS 安定性指標	変動係数 CV + 線形回帰
#16	新規上場銘柄の扱い	5期未満は CAUTION 強制
#17	異常値検知の組合せ	IQR + Z + SPC + WER の3-4層フィルタ
#17	市場全体ショック対応	絶対値 + #20 で TOPIX 相対値併用
#18	業種粒度	10業種 → #20 で25業種
#18	業種別主指標数	1業種1主指標
#18	マスタ更新サイクル	四半期レビュー
#18	テーブル PK 設計	複合PK / 単列PK の使い分け
#19	集中度指標	HHI（投資視点閾値 2000/3000）
#19	相関分析期間	過去24ヶ月（月次） + 直近6ヶ月併用
#19	FMEA RPN 重み	等倍積（S × O × D）
#19	ポートフォリオテーブル	個別銘柄評価とは別テーブル
#20	master_runner 方式	NotImplementedError による委譲
#20	業種カバレッジ	25業種で東証時価総額の概ね9割
#21	成長株フレームワーク	CAN-SLIM
#21	パイプライン再利用	応用編流用、判定層のみ拡張
#21	市場カバレッジ	日米両市場（FMP + SEC EDGAR）
#22	YoY 計算ロジック	絶対値分母
#22	連続性判定	min_consecutive=2
#23	CAGR 期間優先順位	5年優先 + 3年フォールバック
#23	赤字期 CAGR 扱い	None で返し CAUTION
#23	可視化粒度	PASS 銘柄のみ詳細可視化
#24	複合戦略デフォルト	AND（OR/重み付け 切替可）
#24	9セル表示粒度	9セル全表示（投資家レポート時のみ PASS×PASS ハイライト）
#24	バックテスト粒度	概念実装のみ（実値非掲載）

本業の話：品質×性能×コストの3軸 AND 判定で量産化成功率を上げた経験

筆者が研究開発部門で新製品の量産化判定に関わっていた初期、単軸の高得点で量産投資を決めて失敗した経験があります。ベテランから次の指導を受けてから3軸 AND 判定に切替えました:

• 「1軸が PASS でも、他の軸が CAUTION なら量産するな。性能だけ突出していても、品質 PASS かつコスト PASS の3軸 AND が原則」
• 「verdict 全体の分布を見ろ。3×3×3 = 27セルマトリクスで分布を見て、3軸 PASS が極端に少ないなら閾値が厳しすぎ、多すぎるなら緩すぎ」
• 「PDCA の事後検証で偽陽性を測れ。3軸 AND PASS で量産化した製品の市場ライフサイクル vs 単軸 PASS だった製品の比較で、AND 判定の有効性を定量化」

具体的な業務インパクトと3-4年スパンのマイルストーン:

• 1年目（失敗）: 性能単軸で量産化決定したプロトタイプが、量産後に品質トラブル続発。市場投入後3ヶ月で改修プロジェクト発生（特定製品ラインで影響、サンプル 約3件）
• 2年目（指摘 + 改修）: ベテラン指摘で3軸 AND 判定に切替。過去データを再評価し、当時 AND PASS だった製品のみで再シミュレーション。偽陽性率が約60%減（測定方法: 量産後12ヶ月以内に改修プロジェクトに発展した製品の比率を、新基準と旧基準で比較。サンプル 過去3年分の量産化案件 約30件 のシミュレーション再評価）
• 3年目（運用）: 3軸 AND 判定 + 27セルマトリクス可視化が量産化会議の標準資料に。「絶対値より変化率、突発より連続性」原則の多軸版が部内浸透
• 4年目（成果）: 量産化された製品の市場投入後12ヶ月の改修プロジェクト発生率が前年比約3割減（測定方法: 改修プロジェクト件数 ÷ 量産化された製品数。サンプル 新基準採用後2年間の量産化案件 約12件）

本記事の C×A 複合判定（特に AND 戦略）は、この本業の3軸 AND 判定経験と重なります。CAN-SLIM 原典の「両軸 PASS で成長株候補の最有力ゾーン」思想が、製造業の品質管理での「3軸 AND PASS で量産候補」思想と本質的に共通しているのが、本記事の核心的な発見です。

逆方向の転移：投資の C×A マトリクス可視化が本業の3軸検査ラインを強化

本記事の9セルマトリクス（pivot_table + matplotlib ヒートマップ）の実装パターンを、本業の27セル3軸マトリクス可視化に逆輸入する余地があります。本業ではこれまで27セルを表形式で見ていましたが、ヒートマップ化することで「閾値調整時のセル分布の変化」を直感的に追えるようになる見込みです。応用編で確立した双方向の知識循環が発展編でも続いています。

まとめ：C×A 複合判定で成長株候補の最有力ゾーンを抽出、CAN-SLIM 実装ブロック完結

• CAN-SLIM C×A 複合判定は「直近加速（C）+ 長期持続（A）両軸 PASS」を AND 戦略で機械的に自動判定。3戦略（AND/OR/重み付け）から運用に応じて選択、9セルマトリクスで verdict 分布を可視化、業種分散（HHI）と組合せて偽陽性を削減。多軸 AND 判定への原則拡張で、本記事は判定層の集大成として機能する
• screen_parallel_v3 への統合で、1 Runner 起動で「高配当 / C / A / C×A 複合」4判定が自動で出る形に拡張完了。応用編で確立した判定器パターン・initializer パターン・DuckDB トランザクション境界・「絶対値より変化率、突発より連続性」原則を全継承
• 発展編 CAN-SLIM 実装ブロック完結（#22→#23→#24）: (1) #22 で C 単独実装、(2) #23 で A 単独実装、(3) 本記事 #24 で C×A 複合判定 + 9セル可視化 + 業種分散 + バックテスト概念。次回 #25 以降は事業構造分析（製品アーキテクト視点）に進む
• 機械 PASS は「成長株候補の入口」、購入候補ではない: CAN-SLIM 7要素中2要素のみの充足であり、ピーク EPS 型失速（Zoom 2021・Peloton 2022・半導体ピーク 2021Q4 型）など複合 PASS でも残るリスクあり。本記事冒頭のポートフォリオ運用ルール（5-8銘柄、損切 -8%、利確 +20-25%）を併用してください

今日からできる3つのアクション

1. #22-#23 を未実装の方はそちらから先に。本記事のスニペットは quarterly_eps_with_yoy と annual_eps_with_cagr テーブルが揃っている前提です。実装済みの方はスニペット1〜2で screen_parallel_v3 を構築し、自分の環境で「高配当 / C / A / C×A」4判定 + 9セルマトリクスを出力。米国 S&P500 で C×A AND PASS は概ね 1-3%、東証プライムで 0.5-1% 程度を想定して期待値設定
2. スニペット3 で9セルマトリクスのヒートマップ + HHIを計算し、複合 PASS 銘柄が業種集中していないか確認。HHI が3000を超えたら IT・半導体偏重の警告が出る設計。冒頭の「ポートフォリオ運用ルール」と合わせて、保有銘柄数 5-8 + 1業種上限 30% などのルール設定を検討
3. スニペット4 のバックテスト概念実装を参考に、過去5年で C×A PASS だった銘柄のその後12ヶ月リターンを自分の環境で集計。生存バイアス・データスヌーピングに注意しつつ、勝率（標準値 50-55%）や平均リターンの感触を掴む

次回予告：CAN-SLIM の N（製品・サービス革新）— 製品アーキテクト視点の事業構造分析

次回（記事#25）からは、定量分析だけでは捉えきれない「事業構造の質」を製品アーキテクト視点で分析する手法に進みます。本記事で構築した C×A 複合判定が「網を張る」フェーズなら、#25 以降は「網にかかった候補から本当に投資すべきものを選ぶ」フェーズです。発展編後半のロードマップ:

• #25 製品アーキテクト視点: CAN-SLIM の N（New Product/Service）を製品開発DXの目線で評価する手法
• #26 PCA で銘柄相関分析: 機械学習の主成分分析で C×A PASS 銘柄群の構造を理解
• #27 情報エントロピーで業種分散: 応用編 #19 HHI を情報理論で再解釈
• #28 NLP で N 要素の自然言語判定: 決算説明資料・有報の文章から「製品革新」シグナルを抽出