なぜインデックスの次に高配当株か｜VYM/HDVと自前スクリーニングを比較

前回の記事#10で基礎編10記事が完結しました。インデックス投資 × NISA という「標準品」で投資の基盤を作る方法を、Pythonでのシミュレーションと共に整理してきました。今回からは応用編の入口、「自分で銘柄を選ぶ」高配当株投資の世界に入ります。

ここで多くの読者が同じ疑問にぶつかります。「インデックスで十分じゃない？なぜわざわざ高配当株を選ぶ必要があるの？」——筆者自身も基礎編を書きながら、この問いに何度も向き合いました。

結論から言うと、高配当株は「インデックスの代わり」ではなく「インデックスの補完」です。そして応用編で本当に身につけるのは、配当そのものよりも「多変量データから条件で銘柄を絞り込む”選ぶ力”」——これは製造業DXエンジニアにとって、製品評価・異常検知・パラメータ最適化と同じ構造の思考訓練になります。

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。本記事では「なぜインデックスの次に高配当株なのか」を、エンジニア視点で整理します。両学長の高配当株スクリーニングを Python で再現する応用編 #11〜#20 全体のロードマップも、最後に提示します。

※ 基礎編をまだお読みでない方は、記事#01 から、または記事#10 基礎編まとめを先にご覧ください。応用編は基礎編の前提（インデックス投資の原理・コスト感覚・NISA基礎）を前提に進めます。

結論：インデックスは”足し算”の投資（市場全体に均等にお金を配る）。高配当株は”選ぶ”投資（条件を満たす銘柄に絞る）。本シリーズはコア・サテライト戦略の「サテライト枠（資産の20〜30%）」として高配当株を扱う前提で、エンジニアにとっての真価は、配当収入そのものではなく、多変量フィルタリング・異常検知・FMEA（故障モード影響解析）リスク分析という「DXスキルの転移先」を投資領域で訓練できる点にある。

インデックス投資の3つの制約と補完余地

基礎編ではインデックス投資のメリットを繰り返し強調してきました。しかし、応用編に進む前提として、インデックス投資が「構造的に提供しないもの」を正直に整理しておく必要があります。これは「インデックスが劣る」という話ではなく、設計上カバーしていない領域があるという話です。「市場平均に乗れる」というインデックスの強みは応用編でも前提のまま、補完余地としての高配当株を学んでいきます。

制約1：配当のタイミングと金額を自分でコントロールできない

インデックスファンド（再投資型）は、配当を内部で自動再投資するため、保有中はキャッシュフローが発生しません。これは複利効率としては優秀ですが、「いつ・いくらの現金が手元に入るか」を投資家側が設計できないことを意味します。

FIRE（Financial Independence, Retire Early＝経済的自立・早期リタイア）を目指す人や、退職後にインカムで生活費を賄いたい人にとって、「価格変動の影響を受けずに、定期的な現金が入ってくる仕組み」は重要な設計要件です。インデックスを取り崩す「4%ルール」（資産の4%を毎年取り崩しても30年は枯渇しないとされる目安、トリニティスタディ由来）もありますが、暴落時に取り崩すと元本毀損が加速するリスクがあります。配当株の現金フローは、この「取り崩しリスク」を構造的に緩和します。

制約2：自分の所得・税制・ライフプランに合わせた最適化ができない

インデックスファンドは「市場平均に乗る」という1つの目的に最適化された商品です。これは強みですが、同時に 個人の固有事情（所得階層・税制選択・配当タイミングの希望・ホームバイアス）に対する微調整ができないことを意味します。

例えば、配当所得課税は通常 20.315%（所得税15.315% + 住民税5%）ですが、NISA成長投資枠で日本株の高配当銘柄を保有すれば配当・売却益とも完全非課税になります（年間枠の範囲内）。一方、VYM等の米国ETFは NISA枠でも米国側で配当に10%が源泉徴収されるため「ほぼ非課税」止まりです。「自分の口座構成・税制選択・所得階層に合わせて最適な商品を組み合わせる」設計は、インデックス1本では実現できず、個別株・個別ETFの選択肢を持って初めて可能になります。

また、「個別企業を理解しないまま市場平均に乗れる」のはインデックスの本質的な強みですが、エンジニア視点では 「ブラックボックスの内部を理解する経験値」が積み上がりにくい 点が補完余地として残ります。製品開発で言えば、サードパーティライブラリを呼ぶだけのスキルと、内部実装を読み解いて自前で組み直せるスキルは、習熟度の質が異なります。投資でも同じで、個別企業を分析した経験は、インデックスへの理解の深さにも還ってきます。

制約3：暴落時の精神耐性をデータで支える経験値が積みにくい

これは経験則ですが、インデックス投資だけだと、暴落時に「持ち続ける根拠」を自分の中に作りにくい傾向があります。「市場全体は長期的に右肩上がりだから」という抽象的な根拠だけでは、実際に資産が30%減ったときに揺らぎがちです。

一方、個別企業を分析した経験があると、「この会社は連続増配20年、自己資本比率60%、リーマン時も配当を維持した」という具体的な根拠を自分のデータで持てるようになります。これは応用編で扱う「配当の安定性評価」（記事#16）や「罠銘柄検知」（記事#17）の本質です。データで根拠を作る訓練が、暴落時の判断を支えます。

なぜ”選ぶ”のか — DXエンジニアにとっての本当の意味

ここまでは「投資家視点」での高配当株のメリットを整理しました。しかし、Chelsea-Labsの主軸はあくまで「投資 × DXエンジニアリング」です。応用編 #11〜#20 で本当に鍛えるのは、配当収入を得るスキルではなく「多変量データから条件で対象を絞り込む”選ぶ力”」です。

スクリーニング = 製品評価のスペックシート設計と同じ構造

製造業エンジニアが新しい部品を選定するとき、何をするでしょうか。価格・性能・耐久性・調達リードタイム・互換性——これらの軸でスペックシートを作り、各軸に閾値（例：耐久寿命5,000時間以上、単価300円以下）を設定し、すべてを満たす候補を絞り込みます。

高配当株のスクリーニングは、これと同じ構造です。

製品評価のスペック軸	高配当株スクリーニングの軸	共通する設計思想
性能（処理速度・出力）	配当利回り（4%以上等）	「目的に対する直接的な指標」
耐久性（MTBF・連続稼働時間）	連続増配年数（10年以上等）	「時間軸での安定性」
コスト構造（材料費・歩留まり）	配当性向（30〜60%等）	「持続可能性の評価」
信頼性（不良率・故障モード）	自己資本比率（40%以上等）	「下振れ耐性」
調達安定性（複数ソース・在庫）	業種分散（同一セクター3社以下等）	「単一障害点の排除」

製品評価で「単に安いから採用」ではなく「複数軸の制約を全て満たすから採用」と判断するのと同様、高配当株でも「単に利回りが高いから買う」のではなく「利回り × 性向 × 自己資本比率 × 連続増配を全てクリアするから買う」と判断します。これは投資判断というより、エンジニアリング判断です。

多変量フィルタリング = 機械学習の前処理と同じ

もう一つの視点として、スクリーニングは機械学習の前処理（特徴量エンジニアリング + データクレンジング）と同じ構造です。

機械学習の前処理では：

• 欠損値を持つレコードを除外する → 配当データが3年未満の銘柄を除外する
• 外れ値を検知して除外する → 配当利回り10%超の異常値（罠銘柄）をフラグする
• カテゴリ変数で層化する → 業種コードでセクター分散を確保する
• 条件を組み合わせて訓練データを絞る → 複数の財務指標でAND条件を取る

応用編で実装する Python コードは、本質的には pandas / Polars / DuckDB を使った「銘柄」というレコードに対する SELECT … WHERE 文の組み立てです。これはデータエンジニアリングそのものです。投資の知識を学んでいるつもりが、いつの間にかデータパイプライン構築のスキルが上がっている——これが応用編で起きる現象です。

高配当株 vs 配当成長株 vs 高配当ETF — 自分でスクリーニングする意義

「高配当株が欲しいなら、VYM や HDV といった高配当ETFを買えばいいのでは？」——これは応用編で最初に答えるべき問いです。結論を先に言うと、「目的が配当収入だけなら ETF で十分。目的が”選ぶスキル”を鍛えることなら自前スクリーニング」です。

選択肢	メリット	デメリット	こんな人向け
高配当ETF（VYM・HDV等）	1本で分散・低コスト（経費率0.06〜0.08%）・自動リバランス・米国株中心	選定基準がブラックボックス、罠銘柄も含まれることがある、米国上場のため日本株が対象外	配当収入を効率的に得たい・分析時間を取りたくない
配当成長株ETF（VIG等）	連続増配企業に絞られている・質が高い・経費率0.06%	利回りは控えめ（直近1.8〜2%程度）、配当成長 ≠ 高配当	長期で配当が成長することを重視・現時点の利回りは妥協できる
自前スクリーニング（本シリーズ）	選定基準を自分で設計できる・日本株/米国株両対応・スキル転移効果	初期構築コストが高い・継続メンテが必要	エンジニアスキルを投資で鍛えたい・選定プロセスを理解したい

応用編は3つ目の選択肢、「自前で両学長基準のスクリーニングをPythonで実装する」に振り切ります。なぜなら、ETFを買うだけでは numpy.array を呼ぶだけのエンジニアと同じで、内部の挙動を理解する機会が得られないからです。日本株（J-Quants/EDINET）と米国株（FMP/SEC EDGAR）の両方に対応したスクリーニングを構築する経験は、応用編 #20 完了時には「自分で財務データパイプラインを設計・運用できるエンジニア」というスキルセットに繋がります。

参考までに、本記事で名前が出てくる主要な高配当系ETFのプロファイルを1行ずつまとめておきます（数値は2026年5月時点の概算で、最新情報は各運用会社の公式サイトをご確認ください）。

ETF	運用会社	銘柄数	利回り目安	経費率	特徴
VYM	Vanguard	約450	約3.0%	0.06%	米国の平均超え高配当銘柄に幅広く分散
HDV	iShares (BlackRock)	約75	約3.5%	0.08%	財務健全性で絞った米国高配当の精鋭
VIG	Vanguard	約330	約1.8%	0.06%	連続増配10年以上の米国企業中心、配当成長重視
SPYD	State Street	約80	約4.5%	0.07%	S&P 500内の利回り上位80銘柄に均等配分

高配当株とNISA成長投資枠 — 税制設計が応用編の隠れた論点

制約2でも触れた通り、高配当株を語る上で 税制設計 は避けて通れません。基礎編 #09（NISA・iDeCoの最適活用） で扱ったNISA枠を、応用編では「サテライト枠の高配当株を入れる箱」として再活用します。

• 日本株の高配当銘柄をNISA成長投資枠で買う：配当・売却益とも完全非課税（年間枠の範囲内）。これは応用編で日本株中心のスクリーニングを扱う最大の動機の一つです。
• VYM等の米国ETFをNISA成長投資枠で買う：日本側の課税は非課税になりますが、米国側で配当に10%が源泉徴収されるため「ほぼ非課税」止まりです。さらにNISA口座では外国税額控除の還付も受けられません。
• 特定口座（課税）で買う場合：配当所得課税は20.315%（所得税15.315% + 住民税5%）。総合課税 vs 申告分離課税の選択は所得階層により有利不利が分かれます（応用編 #15 で税引後利回りの観点で扱う予定）。

つまり「NISA成長投資枠を活用するなら、日本株の高配当スクリーニングは構造的に有利」という結論になります。応用編が日本株を主軸に据え、米国株（FMP/SEC EDGAR）を「比較・補助対象」として扱う設計の根拠の一つは、ここにあります。

両学長スクリーニング基準の概要（応用編で扱う基準）

応用編 #12 では、両学長の YouTube・書籍で公開されている高配当株スクリーニング基準を整理します。本記事では概要だけ示し、詳細な「なぜこの数値なのか」「Python でどう実装するか」は次回以降で扱います。

基準	目安	意味	応用編で扱う記事
配当利回り	4%以上	株価に対する配当の効率	#12, #15
配当性向	30〜60%程度	純利益のうち配当に回す割合（業種により補正、高すぎると無理な配当）	#12, #15
自己資本比率	40%以上	財務健全性（負債への依存度）	#12, #18
EPS（1株あたり利益）	安定 or 増加傾向	本業の稼ぐ力	#12, #16
連続増配年数	10年以上が望ましい	配当方針の信頼性	#12, #16
営業キャッシュフロー	継続的にプラス	本業の現金創出力	#18
業種分散	同一セクター3社以下	セクターリスクの低減	#19

これらの基準を「全て同時に満たす銘柄」を、東証上場約3,900社の日本株から自動で抽出するのが応用編のゴールの一つです。手動でやれば数十時間かかる作業を、Python パイプラインで数秒に短縮します。

設計判断の記録：なぜ両学長基準 × 日米両対応なのか

応用編に進むにあたり、「なぜ両学長基準を採用するのか」「なぜ日米両対応で設計するのか」を、エンジニア視点での設計判断（ADR：Architecture Decision Record）として明示しておきます。応用編は10記事の長期シリーズなので、判断軸を記事#11で固定しておくことで、後続記事との一貫性が保たれます。

判断1：両学長基準を採用する理由

判断軸	両学長基準	米国教科書系（モダンポートフォリオ理論等）	独自設計
再現性	◎ YouTube・書籍で全公開	◯ 学術論文中心で初学者には敷居が高い	△ 自分の試行錯誤に依存
日本人個人投資家への適用	◎ 日本株・NISA前提で設計	△ 米国市場・米国税制ベース	◯ 自由に設計可能
数値の根拠	◯ 動画・書籍で説明あり（応用編#12で再構築）	◎ 統計的・理論的根拠が強い	△ 自前で根拠を作る必要
コミュニティ規模	◎ 国内最大級・ブログ/動画で検証情報が豊富	◎ グローバルだが日本語情報は限定的	×

結論：「再現性 × 日本市場適合 × コミュニティ」の3軸で両学長基準が最も応用編シリーズに適合と判断しました。ただし応用編は「両学長基準をブラックボックスで使う」のではなく、各基準の「なぜ」を記事#12で再構築し、必要に応じてカスタマイズできる土台を作ります。

判断2：日米両対応で設計する理由

• NISA成長投資枠は日本株が最も税制効率が良い：配当・売却益とも完全非課税（前述）
• 米国株は配当の連続増配企業が圧倒的に多い：50年以上の連続増配企業（ディビデンドキング）が約45社存在し、データ品質が高い（参考：日本は花王の30年強が最長）
• データソースが両市場で揃う：日本株はJ-Quants + EDINET、米国株はFMP + SEC EDGARで、いずれも個人開発レベルでアクセス可能
• 製造業エンジニアにとっての本業適性：日米両市場のサプライチェーン上の関係性（例：半導体は米→日、自動車部品は日→米）を理解する訓練にもなる

応用編 #11〜#20 ロードマップ — DXの4フェーズに沿った設計

応用編10記事は、DXのデータ成熟度モデル4フェーズ（収集 → 前処理 → 分析 → 可視化/運用）に沿って設計しました。投資の知識を学びながら、データパイプライン構築の全工程を1サイクル経験できる構成です。

DXフェーズ	記事	テーマ	身につくスキル
導入・基準設計	#11（本記事）	なぜ高配当株か	選定基準の設計思想
導入・基準設計	#12	両学長スクリーニング基準を整理	スペックシート設計
Phase 1: 収集	#13	J-Quants・EDINETで財務データ取得	API連携・データ収集
Phase 2: 前処理	#14	DuckDB でデータ統合	正規化・JOIN・スキーマ設計
Phase 3: 分析	#15	両学長基準で Python スクリーニング	多変量フィルタ・SQL/DataFrame操作
Phase 3: 分析	#16	配当推移の安定性評価（時系列）	時系列分析・移動平均・トレンド判定
Phase 3: 分析	#17	罠銘柄検知（異常値検知）	統計的外れ値検出・Zスコア・IQR
Phase 4: 可視化/運用	#18	財務健全性の可視化（コスト構造視点）	製造業視点での財務読解
Phase 4: 可視化/運用	#19	業種分散をFMEAで設計	FMEA・リスク分析の応用
まとめ	#20	パイプライン全体像 + 発展編接続	End-to-End データパイプライン

応用編 #20 を読み終えたとき、あなたの手元には「東証上場約3,900社の財務データを自動取得し、両学長基準でスクリーニング・罠銘柄除外・業種分散まで考慮した投資候補リストを毎週生成する Python パイプライン」が完成しています。これはそのまま、株価分析アプリ（Chelsea-Labs Phase A）の中核機能になります。

本業の「全探索 → 制約付き探索」がそのままインデックス → スクリーニングだった話

応用編に進む決断をしたきっかけは、本業でのある気づきでした。

筆者は本業でモーター制御パラメータの最適化に Optuna（Python製のハイパーパラメータ自動最適化ライブラリ）を使っています。ある制御アルゴリズムには10個程度の調整パラメータがあり、当初は「とにかく広い空間を探索すれば最適解にたどり着く」という発想で、Optunaに全パラメータの広い範囲を任せていました。

結果は微妙でした。1試行あたり実機で20分かかる中で、500試行回しても性能はほぼ頭打ち。探索空間が広すぎて、Optunaが「物理的に無理な領域」「実機制約に違反する領域」「他の制約と矛盾する領域」を延々と試していたのです。“全空間を均等に探す” は一見公平ですが、現実の制約を無視しているために非効率でした。

転機は、ベテランの制御エンジニアにレビューしてもらったときでした。そのベテランは「このパラメータとこのパラメータには物理的な相関制約がある」「この領域は熱的に動作しない」「ここは過去の試作で性能ピークだった近傍だから優先的に探索すべき」と、探索空間に対する事前知識（制約）を10個ほどの条件式に書き下したのです。これらを Optuna の suggest_* 内の条件分岐や optuna.distributions の組み合わせで反映したところ、同じ500試行で目的関数の最良値が約2.3倍に改善しました（具体値は本業情報のため割愛）。

このとき気づいたのが、「全探索 → 制約付き探索」と「インデックス → スクリーニング」が完全に同じ構造だということでした。

本業（パラメータ最適化）	投資（銘柄選定）
パラメータ全空間を均等に探索	市場全体（インデックス）に均等に投資
制約条件で探索空間を絞る（物理制約・熱的制約・先験知識）	財務基準で銘柄空間を絞る（利回り・自己資本・連続増配）
制約付き探索の方が効率的に良い解にたどり着く	スクリーニングの方が「目的に合った銘柄群」にアクセスできる
制約は事前知識（先輩の経験・物理法則）から抽出	基準は事前知識（両学長・投資理論・過去の暴落経験）から抽出

「制約を入れることで探索の質が上がる」という体験が、本業と投資で同じ形をしていた——この相似に気づいたとき、応用編で高配当株スクリーニングをやる意味が腹落ちしました。インデックスは制約ゼロの均等探索、高配当株スクリーニングは制約付き探索。どちらが優れているという話ではなく、目的に応じて使い分ける道具です。

そして応用編で書く Python コードの本質は、本業で Optuna に書いた条件分岐と全く同じ構造になります。投資の勉強をしているつもりで、本業のパラメータ最適化スキルが磨かれる——基礎編で発見した「相乗効果」が、応用編ではさらに直接的に現れることになります。

まとめ：高配当株が「インデックスの補完」として位置づけられる理由

• インデックスには3つの制約と補完余地がある：配当の現金フロー設計不能 / 自分の税制・所得・ライフプランへの最適化不能 / 暴落時の精神耐性をデータで支える経験値の不足。これらを補完するのが高配当株（ただし銘柄選定・セクター集中・バリュートラップのリスクとトレードオフ）
• 応用編で本当に鍛えるのは”選ぶ力”：スクリーニング = 製品評価のスペックシート設計 = 機械学習の前処理。投資領域でデータエンジニアリングと多変量フィルタリングを訓練する
• ETFと自前スクリーニングは目的次第で使い分け：配当収入だけが目的なら VYM/HDV 等のETF、エンジニアスキルを鍛えたいなら自前スクリーニング。本シリーズはコア・サテライト戦略の「サテライト枠（資産の20〜30%）」を高配当株で構築する前提
• NISA成長投資枠 × 日本株高配当の組み合わせは税制効率が最も高い：日本株はNISAで配当・売却益とも完全非課税。米国ETFは米国側10%源泉が残るため「ほぼ非課税」止まり
• 応用編 #11〜#20 は DX 4フェーズ（収集→前処理→分析→可視化）に沿った設計：完走時には End-to-End の財務データパイプラインが手元に残る

今日からできる3つのアクション

アクション1：保有ETF/ファンドの分配金履歴を確認する

証券会社の管理画面で、保有しているファンド・ETFの過去の分配金履歴を確認してみてください。「再投資型」を選んでいる場合、分配金が出ていない（or 内部再投資）はずです。これが基礎編で扱った「キャッシュフローを設計しない投資」の状態です。応用編で「キャッシュフローを設計する投資」に視点を切り替える前に、現状を把握する第一歩になります。

アクション2：気になる1社の有価証券報告書を EDINET で開く

EDINET（https://disclosure2.edinet-fsa.go.jp/）で、自分が普段使っているサービスを提供している企業（例：通信キャリア、コンビニ、銀行）の最新の有価証券報告書を1社だけ開いてみてください。配当性向・自己資本比率・営業CFが、財務諸表のどこに書いてあるかを実際に目で見るだけで、応用編 #13〜#14 のデータ取得の話が立体的に理解できます。所要時間は5分で十分です。

アクション3：両学長の高配当株動画を1本視聴する

応用編 #12 で扱う「両学長の高配当株スクリーニング基準」の全体像を、動画でざっと把握しておくと #12 以降の理解が早くなります。「お金の大学」（書籍）の高配当株の章でも構いません。本シリーズは両学長の基準を「Python でどう自動化するか」に焦点を当てるため、基準そのものの解説は他の優れたコンテンツに任せ、技術的な実装に集中する方針です。

次回予告：両学長の高配当株スクリーニング基準を整理する

次回（記事#12）は応用編の「基準設計」フェーズの続きです。両学長が公開している高配当株の選定基準を、製品開発のスペックシート形式に整理します。各基準について「なぜこの数値なのか」「数学的・財務的な根拠は何か」「Python でどう実装するか」をエンジニア視点で深掘りします。

• 配当利回り 4% の根拠（インカムゲイン × 平均成長率の理論値）
• 配当性向 30〜60% の根拠（無理ない配当 × 成長余力のバランス）
• 自己資本比率 40% の根拠（業種別補正の必要性）
• 連続増配 10年の根拠（経営方針の継続性 × リーマン耐性）
• 各基準を Python で実装する際のデータソース（EDINET / J-Quants / FMP の使い分け）

「両学長基準」をブラックボックスとして使うのではなく、各基準の「なぜ」をエンジニア視点で再構築するのが #12 のゴールです。基準を理解しているかどうかは、応用編後半で「自分なりの基準カスタマイズ」をする際に効いてきます。