Pythonで株自動売買を実装する方法｜証券API・バックテスト・サンプルコード・法律面まで解説

Pythonによる株の自動売買は、株価データの取得から戦略の設計・バックテスト・本番運用までを一貫してコードで実装するアプローチです。本記事では、「Pythonで株自動売買を実装する全体像」「データ取得API・取引APIの比較」「バックテストの方法と落とし穴」「移動平均クロス戦略のサンプルコード」「法律・税金面の注意点」まで、客観的な情報に基づいて解説します。

本記事は 「実装視点」での解説 を目的としており、特定の戦略や証券会社・サービスを推奨するものではありません。実際の運用は 各自の判断と自己責任 で行ってください。投資には元本割れリスクがあり、自動売買がパフォーマンスを保証するものではない点をあらかじめご了承ください。

Python株自動売買とは｜仕組みと構成要素

Pythonによる株自動売買とは、株価データの取得・売買戦略の判断・注文の発注・ポジション管理といった一連の処理をPythonコードで実装し、自動化する仕組みのことです。手動取引と異なり、ルールに従って24時間・無感情に取引を実行できる一方、戦略設計・運用責任は実装者自身が負うものです。

自動売買システムの一般的な構成

構成要素	役割	主な実装手段
データ取得	株価・指標を取得	yfinance、J-Quants API、Moomoo API
戦略エンジン	売買判断ロジック	pandas、TA-Lib、機械学習ライブラリ
注文インターフェース	証券会社へ注文発注	kabuステーションAPI、Moomoo API、IB API
ポジション管理	保有銘柄・損益管理	独自データベース、CSV、SQLite
運用基盤	24時間稼働環境	VPS、クラウド（AWS/GCP等）、PC常時稼働

Pythonが採用される理由

• 金融データ分析向けライブラリの豊富さ：pandas、numpy、TA-Lib、scipy、scikit-learnなど
• 多くの証券APIがPython SDKを公式提供：kabuステーションAPI、Moomoo API、Interactive Brokers等
• 機械学習・AIライブラリと連携しやすい：LightGBM、PyTorch、TensorFlow
• コミュニティが活発で学習リソースが豊富

期待できること・期待できないこと

期待できること	期待できないこと
感情に左右されない一貫したルール執行	常に利益が出ること
過去データでの戦略検証（バックテスト）	過去の結果＝将来の結果ではない
24時間の監視・発注	未知の市場変動への完全対応
大量銘柄・複数戦略の並行運用	システム障害ゼロ
実装スキル・データ分析力の向上	短期間の確実な利益化

自動売買システム実装の6ステップ

Pythonによる株自動売買は、いきなり本番運用を始めるのではなく、6つの段階を踏んで構築するのが一般的です。各ステップで何をやり、どれくらい時間がかかるかを整理します。

Step	内容	所要期間目安	難易度
Step 1	Python基礎・金融基礎の学習	1〜3ヶ月	★★☆☆☆
Step 2	株価データ取得（yfinance等）	1〜2週間	★☆☆☆☆
Step 3	戦略設計とロジック実装	1〜3ヶ月	★★★☆☆
Step 4	バックテスト	2週間〜1ヶ月	★★★☆☆
Step 5	ペーパートレード（仮想売買）	1〜3ヶ月	★★☆☆☆
Step 6	本番運用（少額から）	継続	★★★★☆

1. 戦略を考える

まず明確な売買ルールを言語化します。「20日移動平均が60日を上抜けたら買い、下抜けたら売り」のように、コードに落とし込める条件まで具体化することが第一歩です。曖昧なルールはバックテストできません。

2. 株価データを取得する

yfinance（米国株中心）、J-Quants（日本株）、moomoo OpenAPI、kabuステーション APIなどから、戦略に必要な期間・銘柄・足種のデータを取得します。リアルタイム性の要否で選択肢が変わります。

3. バックテストする

過去データでルールを検証し、勝率・損益・最大ドローダウンを確認します。過去のデータで勝てない戦略は、未来でも勝てません。後述のBacktraderやBacktesting.pyを使うのが効率的です。

4. ペーパートレード（仮想売買）で1ヶ月以上

リアル相場でルールが想定通り動くか、シミュレーション環境で最低1ヶ月監視します。バックテストでは見えない約定タイミングのズレや、想定外のエラーが洗い出せる重要工程です。

5. 少額運用で本番検証

「失っても痛くない金額」で実弾運用を始めます。10万円程度を上限に、想定通りに動くか、心理的負荷に耐えられるかを確認しましょう。バグや戦略の欠陥は本番でしか見えないことがあります。

6. 本格運用とモニタリング

少額検証が安定したら徐々に資金を増やします。同時にPnL（損益）、ドローダウン、エラー発生率、API利用状況をダッシュボードで監視するモニタリング基盤を構築すると、長期運用の安定性が高まります。

開発環境とライブラリ

Pythonバージョン

多くの主要ライブラリで Python 3.9以上 が推奨されています（2026年時点）。3.11 / 3.12 / 3.13 系も主要ライブラリで対応が進んでいるため、新規プロジェクトであれば3.11以降を選択するのが無難です。

開発エディタの選択肢

• VS Code：拡張機能が豊富、デバッグ機能も充実
• Jupyter Notebook / JupyterLab：データ分析やバックテストの試行錯誤向き
• PyCharm：本格的なPythonプロジェクト管理向け

必須ライブラリ

• pandas：時系列データ・データフレーム操作
• numpy：数値計算・配列演算
• matplotlib / plotly：チャート・グラフ可視化
• TA-Lib / pandas-ta：テクニカル指標の計算
• yfinance：株価データ取得（無料）
• requests：REST APIアクセス
• Backtesting.py / Backtrader：バックテスト

運用環境（VPS／クラウド）

24時間稼働させる場合、自宅PCでは停電・回線断のリスクがあるため VPSやクラウドの利用が一般的 です。主な選択肢は次の通りです。

• ConoHa VPS / XServer VPS：国内VPS、月数百円〜
• AWS EC2 / Google Cloud Compute Engine：従量課金、スケーラブル
• Vultr / DigitalOcean：海外VPS、低コスト

株価データ取得APIの選択肢

自動売買の前段階として、まず株価データ（過去・現在）を取得する必要があります。代表的な選択肢を比較します。

API/ライブラリ	料金	対応市場	取得頻度	特徴
yfinance	無料	米国株・日本株・指数	日次〜分足（15分ディレイ）	Pythonライブラリ、APIキー不要
J-Quants API	無料枠あり／有料	日本株	日次・分足	JPX公式、信頼性高い
Moomoo API	無料	米国株中心	リアルタイム〜分足	取引APIも併設
Alpha Vantage	無料枠／有料	米国株	リアルタイム〜分足	APIキー登録要
Polygon.io	有料	米国株	リアルタイム	本格派、機関投資家向け
Tiingo	無料枠／有料	米国株・暗号資産	日次・分足	ニュースAPIも提供

選び方の基準

• 日本株中心：J-Quants API、yfinance（無料・ディレイあり）
• 米国株中心：Moomoo API、Alpha Vantage、Polygon.io
• 低コスト・学習用：yfinance（とりあえず始めるならこれ）
• リアルタイム重視：Polygon.io、Moomoo API
• 公式・信頼性重視：J-Quants API（JPX公式）

※スクレイピングによるデータ取得（Yahoo Finance等のWebサイトを直接読み取る方法）は、利用規約違反になるケースが多いため、API提供されているサービスを利用する方が安全です。

注文を出す証券会社APIの選択肢

データ取得とは別に、実際に注文を発注するためには、証券会社が提供する取引APIが必要です。日本国内・米国・グローバル別に主な選択肢を整理します。

証券API	対応市場	API料金	主な特徴
kabuステーションAPI	日本株	無料（kabuステーション利用条件あり）	三菱UFJ eスマート証券（旧auカブコム）公式
Moomoo API	米国株中心	無料	取引手数料はアプリ経由と同額
Interactive Brokers API	米国・グローバル	無料	機関投資家も利用、多様な商品
SBI証券・楽天証券	日本株・米国株	公式APIなし（2026年5月時点）	個人向け公式自動売買APIは提供されていない
松井証券	日本株	無料	個人投資家向けAPI提供あり

取引API選びの注意点

• 利用規約の確認：API経由の取引が許可されているか、利用頻度制限があるかを必ず確認
• 口座開設の条件：APIを使うために特定の口座種別が必要なケースあり
• 手数料体系：API経由でも通常取引と同じ手数料がかかる
• APIサポートの安定性：過去に提供終了したサービスもあるため、最新情報を確認

バックテストフレームワークの比較

戦略を本番運用する前には バックテスト（過去データでのシミュレーション） を行うのが一般的です。Pythonの主要バックテストフレームワークを比較します。

ライブラリ	特徴	学習コスト	速度	備考
Backtrader	機能豊富、戦略記述の自由度高い	中	中	2015年〜、ドキュメント豊富
Backtesting.py	シンプル、書ける戦略はやや限定的	低	高	初心者にやさしい
vectorbt	ベクトル化高速処理、ML連携◎	高	非常に高い	研究・大量検証向き
Zipline	本格派、米国市場前提が強い	高	中	Quantopian発祥

初めて使うのであれば Backtesting.py が学習コストが低くおすすめされやすい一方、より複雑な戦略を組みたい場合は Backtrader、機械学習と組み合わせて大量の戦略パターンを検証するなら vectorbt という棲み分けが一般的です。

Backtrader｜業界標準の老舗ライブラリ

Backtraderは機能が豊富で日本語情報も多い、自動売買バックテストの定番ライブラリです。複数銘柄・複数戦略の同時テスト、可視化、最適化まで一通り揃います。学習コストはやや高めですが、習得すれば長く使えます。

Backtesting.py｜シンプル・初心者向け

Backtesting.pyはAPIがコンパクトで、数十行で売買戦略の検証が回せます。プロトタイピングや学習用途で人気が高く、Backtraderに進む前のステップとしても最適です。

vectorbt｜高速・大規模パラメータ探索向き

vectorbtはNumPy/Pandasベースでベクトル化されており、数千通りのパラメータ組み合わせを高速に検証できます。グリッドサーチ最適化やマルチアセット解析の本格運用に向きます。

自作（Pandas）｜独自指標・特殊戦略に

既存ライブラリにない独自指標や、特殊な発注ロジックを試したい場合は、Pandasで自作するのも選択肢です。柔軟性は最大ですが、バグ混入リスクと検証コストが高くなる点に注意が必要です。

比較表

ライブラリ	難易度	速度	機能	向いている用途
Backtrader	中	標準	豊富	業界標準・実践的
Backtesting.py	低	速い	シンプル	初心者・プロトタイプ
vectorbt	高	非常に高速	パラメータ最適化に強い	大規模検証
自作（Pandas）	高	任意	最大柔軟	独自指標・特殊戦略

バックテスト結果の見方と落とし穴

バックテスト結果は「過去データでの仮想的な成績」であり、そのまま将来の利益を保証するものではありません。陥りやすい主な落とし穴を整理します。

1. 過学習（オーバーフィッティング）

過去データに合わせてパラメータを調整しすぎると、過去では好成績でも将来データでは機能しなくなる現象です。「過去データに対する最適化」と「未知データでの汎化性能」は別物であることを意識する必要があります。

2. データスヌーピング

多数のパラメータを試行錯誤するうちに、たまたま良い結果が出る組合せを見つけてしまう「偽の発見」です。「100通り試して1通り当たった戦略」は偶然の可能性が高いです。

3. 取引コスト・スリッページの未考慮

バックテスト時に 手数料・スリッページ（注文価格と約定価格の乖離）・税金 を考慮しないと、現実の運用とパフォーマンスが大きく異なります。Backtraderでは setcommission や set_slippage_perc で設定できます。

4. 流動性のない銘柄での過大評価

取引量の少ない小型株では 実際に注文を出すと約定しない／意図した価格で買えない ことが頻発します。バックテスト上は約定したことになっていても、リアル運用では機能しないリスクがあります。

5. アウトオブサンプルテストの不足

パラメータ調整に使ったデータと、検証に使うデータを分けないと、結果の信頼性が下がります。一般的には 訓練期間／検証期間／本番期間 の3区分で検証する手法が推奨されます。

自動売買戦略の代表的なカテゴリ

自動売買戦略は大きく 4つのカテゴリ に分かれます。それぞれメリット・課題があり、組み合わせて使うことも多いです。

1. テクニカル分析系

過去の株価データから算出した テクニカル指標（移動平均、RSI、ボリンジャーバンド、MACD等）を売買判断に使う戦略です。実装が比較的容易で、Pythonライブラリ（TA-Lib、pandas-ta）でほぼすべての指標を計算できます。シンプルな戦略は陳腐化しやすい 反面、学習目的の最初の戦略としては手をつけやすいカテゴリです。

2. ファンダメンタル系

PER、PBR、ROE、ROA、増配率、業績変化などの 財務指標 をもとに売買判断する戦略です。財務データの取得には別途データソース（EDINET、有料データベース）が必要で、長期投資向きの戦略カテゴリです。

3. 統計裁定系（ペアトレード等）

相関の高い2銘柄の 価格スプレッドの平均回帰 を狙うペアトレードや、複数銘柄のポートフォリオで市場中立を目指す戦略です。統計学・コインテグレーション分析の知識が必要で、難易度はやや高めです。

4. 機械学習・AI系

LightGBM、XGBoost、LSTM、Transformerなどの 機械学習モデル で価格予測・売買シグナル生成を行う戦略です。最近は LLM（大規模言語モデル）を使ったニュース感情分析 なども研究されています。データ量とモデル設計の品質が成果を左右し、過学習リスクも高いカテゴリです。

サンプルコード｜移動平均クロス戦略の実装例

もっとも基本的な戦略の一つ、移動平均クロス戦略をPythonで実装する例を紹介します。短期移動平均（例：5日）が長期移動平均（例：25日）を上抜けたら買い、下抜けたら売る、というシンプルなルールです。

※以下のコードは 学習目的の例示 であり、実取引推奨を意味するものではありません。実運用は自己責任で行ってください。

必要ライブラリのインストール

pip install yfinance backtesting pandas

データ取得とバックテスト実行

import yfinance as yf
from backtesting import Backtest, Strategy
from backtesting.lib import crossover
import pandas as pd

# データ取得（Apple、過去5年分の日足）
df = yf.download("AAPL", period="5y", interval="1d")

# 移動平均クロス戦略
class SmaCross(Strategy):
    short_window = 5
    long_window = 25

    def init(self):
        close = self.data.Close
        self.short_sma = self.I(lambda c: pd.Series(c).rolling(self.short_window).mean(), close)
        self.long_sma = self.I(lambda c: pd.Series(c).rolling(self.long_window).mean(), close)

    def next(self):
        if crossover(self.short_sma, self.long_sma):
            self.buy()
        elif crossover(self.long_sma, self.short_sma):
            self.position.close()

# バックテスト実行
bt = Backtest(df, SmaCross, cash=1_000_000, commission=0.001)
stats = bt.run()
print(stats)
bt.plot()

解説

• yfinance.download() でApple株（AAPL）の過去5年分の日足データを取得
• SmaCross クラス で移動平均クロス戦略を定義（短期5日／長期25日）
• Backtest() に初期資金100万円・手数料0.1%を設定してバックテスト実行
• bt.plot() でローソク足チャート・移動平均線・売買タイミングを可視化

このコードを実行すると、「総リターン」「最大ドローダウン」「シャープレシオ」「勝率」 などの主要指標が出力されます。あくまで過去データでの結果であり、ここから戦略の改善・他銘柄での検証などに進むのが一般的な流れです。

TradingView × Python｜PineScript戦略をbotで動かす

TradingViewはチャート分析とストラテジー開発で世界的に使われているプラットフォームです。PineScriptでバックテスト済みの戦略を作り、AlertのWebhook経由でPython botに発注命令を送るパターンは、開発効率と運用安定性のバランスが良く人気です。

PineScriptで戦略を書く

TradingView上でPineScriptを使い、移動平均クロスやRSIなどの条件で売買シグナルを定義します。チャート上で結果を視覚的に確認しながらストラテジーを磨けるのが最大のメリットです。

WebhookでPython botと連携

TradingViewのアラート機能はWebhook通知に対応しているため、シグナル発生時にPython側のエンドポイント（FastAPIなど）にJSONを投げてもらえます。受け取ったPython botが証券会社APIを叩いて注文する流れです。

国内対応の課題

TradingViewのアラートは英語圏向けに設計されており、日本の証券会社APIに直接発注はできません。Python botを中継させて、kabuステーション APIやmoomoo OpenAPIに変換するのが現実的な実装パターンです。

自動売買にまつわる法律・税金・利用規約

自動売買を行う上で、技術面以外にも 法律・税金・規約の知識 が必要です。実装の前に必ず確認しておきたいポイントを整理します。

自動売買の合法性

個人投資家が 自分の証券口座で自動売買を行うこと自体は合法 です。ただし、各証券会社・APIプロバイダーが定める 利用規約の範囲内 で運用する必要があります。規約違反（過度なアクセス頻度等）が発覚すると、口座停止やAPI利用停止になるリスクがあります。

相場操縦と見なされるリスク

意図的な 「見せ玉」「仮装売買」 など、相場操縦に該当する取引は 金融商品取引法違反になります。意図的でなくとも、自動売買のロジック設計次第で結果的に相場操縦的な発注パターンになることがあるため、注意が必要です。

課税区分

• 特定口座・一般口座（国内証券）：申告分離課税（税率約20%）
• NISA口座：年間枠内であれば非課税
• 海外証券口座：取扱い区分が異なり、税理士相談が推奨
• 暗号資産との混同に注意：暗号資産は雑所得（累進課税）

具体的な税務処理は 個別の状況によって異なる ため、税理士など専門家への相談が推奨されます。

副業規定との整合性

会社員の場合、勤務先の 就業規則で「副業」「投資」の扱いがどう定められているかを確認することが推奨されます。個人投資としての株式売買は副業に該当しないケースが多いものの、企業ごとにルールは異なります。

APIキー・認証情報の管理

• APIキー・パスワードはコードにベタ書きせず、環境変数やシークレットマネージャーで管理
• GitHubなどにコードを公開する場合、認証情報が含まれていないか必ず確認
• VPSやクラウド利用時はファイアウォール・SSH設定を適切に

AI/LLMを使った自動売買の現状

2023年以降の生成AI普及で、株自動売買の領域でも AI/LLMを活用する取り組み が広がっています。現時点での主な活用形態を整理します。

1. コード生成支援

ChatGPT、Claude、GitHub Copilot等を使って 戦略コードのドラフトを生成・改善 する活用法です。Python初学者でも基本的なバックテストコードを比較的早く書けるようになる一方、生成されたコードを検証なしに本番運用するのはリスクが大きい 点に注意が必要です。

2. ニュース・テキスト感情分析

企業ニュース・決算発表・SNS投稿などの テキストデータをLLMで解析し、センチメント（ポジティブ／ネガティブ）を数値化 して売買判断に組み込む手法です。米国では機関投資家が以前から活用しており、個人でもAPI経由で実装可能になっています。

3. 金融特化LLMの研究

• FinGPT：金融データで追加学習したオープンソースLLM
• BloombergGPT：Bloombergが開発した金融特化LLM
• BloombergGPT級の汎用モデル：金融タスク全般での性能評価

これらは研究・実証段階のものも多く、個人投資家が直接プロダクションで使うには技術的・コスト的ハードルが残る 状況です。

「AIで素人でも稼げる」のか

結論として、「LLMで戦略コードが書ける」ことと「その戦略が利益を出せる」ことは別問題 です。AIはコード生成・データ分析のスピードを上げてくれますが、戦略設計・リスク管理・市場理解は依然として人間の責任。AIをツールとして使う前提を理解しておくことが重要です。

自動売買に向いている人・向いていない人

株式投資には元本割れリスクが常に存在します。自動売買は「リスクをゼロにする」手法ではなく、「ルールを機械的に執行する」手法 であることを前提とした上で、自分の状況に合うかを判断するのが重要です。

向いている人の特徴

• プログラミングを楽しめる: バグ修正やリファクタを苦にしない
• 地味な検証作業を継続できる: バックテスト・最適化の繰り返しに耐性
• 感情的にならず損切りできる: ルールに従う規律
• 本業がある／生活費に困っていない: 短期成果を焦らず長期で改善できる
• 「儲ける」より「仕組みを作る」が楽しい: プロセス志向

向いていない人の特徴

• すぐに大金を稼ぎたい: バックテストや少額検証の時間を惜しむ人は失敗しがち
• コードを書く時間がない: 自動売買は「作って放置」ではなくメンテが継続発生します
• 含み損で動揺してしまう: 戦略を途中で改変するとバックテスト結果が無意味になります
• 余剰資金がない: 生活費から投じると判断が歪みます

「儲かる」と思って始めるのは要注意

Pythonで自動売買すれば必ず儲かる、という幻想は捨てましょう。実際は「人手では難しいルール検証や24時間監視を自動化する道具」であり、儲かるかどうかは戦略の質と運用規律次第です。学習目的・金融知識の獲得・コード資産化など、勝ち負け以外の価値も含めて取り組むのが現実的です。

よくある質問（FAQ）

Q1. 初心者でも実装できる？

Python基礎を学んだ上で、yfinance＋Backtesting.pyでバックテストする程度の実装は 数週間〜数ヶ月で可能 です。本番運用に持っていくには戦略設計・運用基盤・リスク管理のスキルも必要で、「実装できる」と「利益が出せる」は別問題 という前提が大切です。

Q2. 必要な初期投資（資金）の目安は？

システム構築だけなら無料ライブラリ＋無料データAPIで始められます。実取引には 証券口座への入金が必要 で、目安としては 数万円〜数十万円から 始める人が多いです。少額から始めて段階的に増やすのが一般的なアプローチです。

Q3. VPSは必須？

必須ではありません。日次の売買のみ・1日数回の発注 であれば自宅PCでも対応可能です。リアルタイム性が必要な戦略や、24時間稼働させたい場合は VPSやクラウドを利用するのが安定的 です。

Q4. 個人の自動売買は違法じゃない？

個人投資家が 自分の口座で・各証券会社の利用規約に沿って 行う限り、自動売買そのものは合法です。ただし相場操縦に該当する行為や、各証券会社が禁止するアクセス頻度を超える発注は規約違反になります。

Q5. 米国株と日本株、それぞれの特性は？

• 米国株：取引時間が日本の夜間、Moomoo APIやIB APIなど自動売買向きのAPIが豊富、ボラティリティ高め
• 日本株：取引時間が日中、kabuステーションAPIや松井証券APIなど国内向けAPIあり、税務面が分かりやすい
• どちらが向くかは 取引時間・ボラティリティ・税務処理 で判断するのが一般的

Q6. ChatGPTにコード生成してもらえば十分？

初学者がコードを書く支援としては有用ですが、生成されたコードをそのまま本番運用に使うのは推奨できません。ロジックの妥当性確認、エラーハンドリング、エッジケース対応など、人間によるレビューが必須です。

Q7. 失敗したら借金になる？

現物取引のみ・余裕資金で行う限り、入金額を超える損失（借金）にはなりません。一方、信用取引・先物・FXなどレバレッジ取引 を併用する場合は入金額を超える損失が発生し得ます。レバレッジ取引を扱う前にはリスクを十分理解することが重要です。

まとめ｜実装手順と注意点の整理

本記事のポイントを振り返ります。

• 全体フロー：Python基礎→データ取得→戦略設計→バックテスト→ペーパートレード→本番運用の6ステップ
• 株価データAPI：yfinance／J-Quants／Moomoo／Alpha Vantage／Polygon.io等から目的に応じて選定
• 取引API：kabuステーションAPI／Moomoo API／Interactive Brokers等。各社の利用規約確認が必須
• バックテスト：Backtrader／Backtesting.py／vectorbt／Ziplineから目的・難易度に応じて選定
• バックテストの落とし穴：過学習・データスヌーピング・取引コスト未考慮・流動性不足・アウトオブサンプル不足
• 戦略カテゴリ：テクニカル／ファンダ／統計裁定／機械学習の4種類
• 法律・税金：合法だが利用規約・相場操縦・税務処理に注意
• AI/LLM活用：コード生成・感情分析等で活用範囲が拡大中、ただし戦略の責任は人間

株自動売買は 「ツールを使えること」ではなく「再現性のある手法を発見すること」が本質 です。バックテストで好成績だった戦略でも、ペーパートレード・少額運用での追加検証を経るのが安全なアプローチと言えます。

あわせて読みたい関連記事

• Moomoo API Skillとは｜自然言語で米国株を自動売買する仕組み
• Claude × TradingView 完全ガイド｜MCP連携手順とPine Script自動生成
• TradingAgentsとは？AIが議論して株の売買を決める「マルチエージェント」
• PineScriptとは｜TradingView独自言語の基本・書き方
• TradingView Remixとは｜AI Chart Copilotで自然言語からチャート分析
• クオンツやめとけ｜年収・仕事内容・きつい5つの理由

参考文献

本記事の執筆にあたり、以下の一次ソース・解説記事を参考にしました（2026年5月時点）。最新の仕様や料金は必ず公式サイトで確認してください。

• moomoo OpenAPI 公式ガイド
• kabuステーション API 公式（三菱UFJ eスマート証券）
• Backtrader 公式
• Backtesting.py（GitHub）
• vectorbt 公式
• yfinance（GitHub）
• J-Quants 公式（日本株データ）
• TradingView アラート＆Webhook ドキュメント