Portfolio — 製品開発DXの横展開

製造業の開発現場で培ったデータ分析・システム設計のアプローチを、
業務改善・株式投資・コンテンツ運用の3領域で再現しています。

投資スタイル × DXスキル

インデックス → 高配当株 → 成長株の学びの階段が、DXスキルの深さと対応します。

基礎

インデックス投資

データドリブン思考
標準化・自動化の基盤
＝ DXの思想そのもの

応用

高配当株（両学長）

財務指標の多変量
スクリーニング
＝データパイプライン

発展

成長株（オニール）

EPS成長トレンド＋
事業構造分析
＝アーキテクチャ設計力

高配当株分析（両学長）× 製品開発DX

指標カテゴリ	具体的な指標	現状	製品開発での対応
配当安定性	配当利回り、配当性向、連続増配	強み	製品の信頼性評価（安定性の定量判断）
収益成長性	EPS推移、売上高推移	強み	実験データのトレンド分析
財務健全性	自己資本比率、営業CF	強み	製品コスト構造・設計余裕度の評価
バリュエーション	PER、PBR	強み	スペック対コストの妥当性評価
リスク分散	業種分散、景気敏感判断	発展途上	FMEA的リスク分散思考
罠銘柄回避	高利回りだが危険な銘柄	発展途上	異常値検知・外れ値分析

成長株分析（オニール CAN-SLIM）× 製品開発DX

CAN-SLIM	投資での意味	現状	製品開発での対応
C: 当期EPS	直近四半期の利益成長	強み	プロトタイプ直近評価（最新実験の改善度）
A: 年間EPS	過去3-5年の利益成長率	強み	開発KPI推移（長期トレンド分析）
N: 新製品・新事業	新しい何かが株価を動かす	発展途上	将来: NLP分析で定量化
S: 需給	出来高・浮動株の動き	発展途上	将来: 出来高・相対強度の自動計算
L: 主導株	業界内の相対強度	発展途上	将来: 競合ベンチマーク分析
I: 機関投資家	機関の保有動向	対象外	人間の判断領域
M: 市場方向	相場全体のトレンド	対象外	人間の判断領域

共通パターン: 定量データ分析が強み。定性判断は発展テーマとして段階的に拡張。

Projects — DXの横展開

業務プロセスDX

業務時間の可視化・分析ツール

Google Calendar Visualizer

運用中

DX ストーリー
製造業の開発現場で”会議に埋もれる問題”を数値化し、
時間配分の改善提案につなげるアプローチを個人開発で実証。

コード53%削減
GCPデプロイ完全スクリプト化

Streamlit
FastAPI
GCP (Cloud Run)

データ分析DX

複数データソース統合・自動分析パイプライン

高配当株分析プラットフォーム

開発中

DX ストーリー
製品開発における実験データ分析と同じアプローチ（収集→前処理→分析→可視化）を
株式分析ドメインで再現。複数データソース統合の設計力を証明。

実験データ
→
ファンダメンタルズデータ（IR BANK, KABU+）

製品スペック評価
→
財務指標・配当利回り

品質トレンド
→
テクニカル指標・株価推移

製品アーキテクチャ
→
影響因子の関係性構造化

Python
DuckDB
FastAPI
Streamlit

コンテンツ運用DX

AI連携コンテンツ生成パイプライン

Chelsea-Labs 自動化基盤

開発中

DX ストーリー
GitHub push → AI生成 → 自動デプロイという、
製品開発のCI/CDと同じ思想をコンテンツ管理に適用。

Python
Claude API
GitHub Actions
WordPress REST API

ロードマップ — データ成熟度モデル

製品開発のデータ活用成熟プロセスと同じ構造で、株式分析ツールを段階的に進化。

Phase 1: 収集済

IR BANKデータの自動収集

製品開発: センサー・計測データの取得自動化

Phase 2: 前処理・統合次

IR BANK + KABU+ の統合、DuckDBでの正規化

製品開発: 複数実験データの結合・クレンジング

Phase 3: 分析次

両学長基準のスクリーニング、CAN-SLIM C・A判定

製品開発: 統計分析・傾向把握

Phase 4: 可視化将来

Streamlitで銘柄比較ダッシュボード

製品開発: ダッシュボード化

Phase 5: 自動判断将来

スクリーニング条件合致の自動通知

製品開発: 閾値ベースのアラート

Phase 6: 最適化将来

ポートフォリオ最適化、定性→定量化（NLP等）

製品開発: AIパラメータ最適化

数理的基盤 — E資格で学んだ数学 × 株式分析
Phase 6（最適化・AI活用）を支える数理的基盤として、以下の数学的知識を株式分析に接続予定。

線形代数（固有値分解）→ PCAで銘柄間の相関構造を分析
線形代数（特異値分解）→ 大量の財務指標を本質的な軸に圧縮
線形代数（ノルム）→ ポートフォリオのリスク計量
確率・統計（ベルヌーイ分布）→ 増配確率・勝率ベースの投資判断
情報理論 → どの指標が銘柄選定に最も効くかのエントロピー分析

技術スタック

Python
FastAPI
Streamlit
DuckDB
GCP
Cloud Run
GitHub Actions
Claude API
WordPress
SWELL