モメンタム戦略の実装ガイド：移動平均・RSI・MACDによる売買シグナル生成

戦略サマリー

モメンタム戦略は、「上昇している資産は継続して上昇する」という市場の慣性を利用する手法です。本記事では、個人投資家が実装可能な3つの代表的なテクニカル指標を解説します。

推奨: 単独使用よりも複数指標の組み合わせで偽シグナルを低減。

移動平均クロスオーバー戦略（SMA/EMA）

理論的背景

移動平均クロスオーバーは、短期移動平均が長期移動平均を上抜け（ゴールデンクロス）で買い、下抜け（デッドクロス）で売りのシグナルを生成します。

Python実装

import pandas as pd
import numpy as np
import yfinance as yf

def calculate_moving_averages(ticker: str, start: str, end: str) -> pd.DataFrame:
    """移動平均を計算し売買シグナルを生成"""
    data = yf.download(ticker, start=start, end=end)

    # SMA（単純移動平均）
    data['SMA50'] = data['Close'].rolling(window=50).mean()
    data['SMA200'] = data['Close'].rolling(window=200).mean()

    # EMA（指数移動平均）
    data['EMA50'] = data['Close'].ewm(span=50, adjust=False).mean()
    data['EMA200'] = data['Close'].ewm(span=200, adjust=False).mean()

    # シグナル生成（1: 買い、0: ホールド、-1: 売り）
    data['Signal'] = 0
    data.loc[data['SMA50'] > data['SMA200'], 'Signal'] = 1
    data.loc[data['SMA50'] < data['SMA200'], 'Signal'] = -1

    # ポジション変化（エントリー/エグジットポイント）
    data['Position'] = data['Signal'].diff()

    return data

# 使用例: 日経平均ETF
df = calculate_moving_averages('^N225', '2024-01-01', '2026-03-14')
print(f"買いシグナル数: {(df['Position'] == 2).sum()}")
print(f"売りシグナル数: {(df['Position'] == -2).sum()}")

バックテスト結果（2024-2026年）

RSI（相対力指数）によるシグナル生成

理論的背景

RSI（Relative Strength Index）は、一定期間の値上がり幅と値下がり幅から、買われすぎ・売られすぎを0-100の範囲で示します。

Python実装

def calculate_rsi(data: pd.DataFrame, period: int = 14) -> pd.Series:
    """RSI（相対力指数）を計算"""
    delta = data['Close'].diff()

    gain = delta.where(delta > 0, 0)
    loss = (-delta).where(delta < 0, 0)

    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()

    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))

    return rsi

def generate_rsi_signals(ticker: str, period: int = 14) -> pd.DataFrame:
    """RSIベースの売買シグナルを生成"""
    data = yf.download(ticker, start='2024-01-01', end='2026-03-14')
    data['RSI'] = calculate_rsi(data, period)

    # シグナル生成
    data['Signal'] = 0
    data.loc[data['RSI'] < 30, 'Signal'] = 1   # 買い
    data.loc[data['RSI'] > 70, 'Signal'] = -1  # 売り

    return data

# 使用例
df = generate_rsi_signals('7203.T')  # トヨタ
oversold_count = (df['RSI'] < 30).sum()
overbought_count = (df['RSI'] > 70).sum()
print(f"売られすぎ日数: {oversold_count}, 買われすぎ日数: {overbought_count}")

RSIパラメータ比較

注意: RSI(2)は勝率が高いが、取引コストが利益を圧迫しやすい。

MACDヒストグラムの活用

理論的背景

MACD（Moving Average Convergence Divergence）は、短期EMAと長期EMAの差から、トレンドの強さと方向を示します。

Python実装

def calculate_macd(data: pd.DataFrame,
                   fast: int = 12,
                   slow: int = 26,
                   signal: int = 9) -> pd.DataFrame:
    """MACDとヒストグラムを計算"""
    ema_fast = data['Close'].ewm(span=fast, adjust=False).mean()
    ema_slow = data['Close'].ewm(span=slow, adjust=False).mean()

    data['MACD'] = ema_fast - ema_slow
    data['MACD_Signal'] = data['MACD'].ewm(span=signal, adjust=False).mean()
    data['MACD_Hist'] = data['MACD'] - data['MACD_Signal']

    return data

def generate_macd_signals(ticker: str) -> pd.DataFrame:
    """MACDベースの売買シグナルを生成"""
    data = yf.download(ticker, start='2024-01-01', end='2026-03-14')
    data = calculate_macd(data)

    # ヒストグラムクロスでシグナル生成
    data['Signal'] = 0
    # ヒストグラムが負から正へ → 買い
    data.loc[(data['MACD_Hist'] > 0) & (data['MACD_Hist'].shift(1) <= 0), 'Signal'] = 1
    # ヒストグラムが正から負へ → 売り
    data.loc[(data['MACD_Hist'] < 0) & (data['MACD_Hist'].shift(1) >= 0), 'Signal'] = -1

    return data

# 使用例
df = generate_macd_signals('8306.T')  # 三菱UFJ
buy_signals = (df['Signal'] == 1).sum()
sell_signals = (df['Signal'] == -1).sum()
print(f"MACDシグナル - 買い: {buy_signals}, 売り: {sell_signals}")

MACDヒストグラム戦略のバックテスト

注意: 仮想通貨では偽シグナルが多発（勝率48%）。他の指標との併用を推奨。

複合シグナル戦略

単独指標よりも、複数指標の合意（コンセンサス）でシグナルを生成すると精度が向上します。

Python実装（複合戦略）

def generate_combined_signals(ticker: str) -> pd.DataFrame:
    """移動平均・RSI・MACDの複合シグナルを生成"""
    data = yf.download(ticker, start='2024-01-01', end='2026-03-14')

    # 各指標を計算
    data['SMA50'] = data['Close'].rolling(50).mean()
    data['SMA200'] = data['Close'].rolling(200).mean()
    data['RSI'] = calculate_rsi(data, 14)
    data = calculate_macd(data)

    # 各指標のスコア（-1, 0, 1）
    data['MA_Score'] = np.where(data['SMA50'] > data['SMA200'], 1,
                                np.where(data['SMA50'] < data['SMA200'], -1, 0))
    data['RSI_Score'] = np.where(data['RSI'] < 30, 1,
                                 np.where(data['RSI'] > 70, -1, 0))
    data['MACD_Score'] = np.where(data['MACD_Hist'] > 0, 1,
                                  np.where(data['MACD_Hist'] < 0, -1, 0))

    # 複合スコア（-3〜+3）
    data['Combined_Score'] = data['MA_Score'] + data['RSI_Score'] + data['MACD_Score']

    # シグナル生成（2以上で買い、-2以下で売り）
    data['Signal'] = 0
    data.loc[data['Combined_Score'] >= 2, 'Signal'] = 1
    data.loc[data['Combined_Score'] <= -2, 'Signal'] = -1

    return data

# バックテスト用リターン計算
def backtest_strategy(data: pd.DataFrame, transaction_cost: float = 0.001) -> dict:
    """戦略のバックテストを実行"""
    data['Returns'] = data['Close'].pct_change()
    data['Strategy_Returns'] = data['Signal'].shift(1) * data['Returns']

    # 取引コスト控除
    trades = data['Signal'].diff().abs()
    data['Strategy_Returns'] -= trades * transaction_cost

    cumulative_return = (1 + data['Strategy_Returns']).cumprod().iloc[-1] - 1
    sharpe = data['Strategy_Returns'].mean() / data['Strategy_Returns'].std() * np.sqrt(252)
    max_dd = (data['Strategy_Returns'].cumsum().cummax() - data['Strategy_Returns'].cumsum()).max()

    return {
        'cumulative_return': f"{cumulative_return:.1%}",
        'sharpe_ratio': f"{sharpe:.2f}",
        'max_drawdown': f"{max_dd:.1%}",
        'win_rate': f"{(data['Strategy_Returns'] > 0).mean():.1%}"
    }

複合戦略のバックテスト結果

パラメータ最適化と過学習リスク

ウォークフォワード最適化

過学習を防ぐため、インサンプル（IS）期間でパラメータを最適化し、アウトオブサンプル（OOS）期間で検証します。

from scipy.optimize import minimize

def optimize_rsi_params(data: pd.DataFrame,
                        is_ratio: float = 0.7) -> dict:
    """RSIパラメータのウォークフォワード最適化"""
    n = len(data)
    is_end = int(n * is_ratio)

    is_data = data.iloc[:is_end].copy()
    oos_data = data.iloc[is_end:].copy()

    def objective(params):
        period = int(params[0])
        oversold = params[1]
        overbought = params[2]

        is_data['RSI'] = calculate_rsi(is_data, period)
        is_data['Signal'] = 0
        is_data.loc[is_data['RSI'] < oversold, 'Signal'] = 1
        is_data.loc[is_data['RSI'] > overbought, 'Signal'] = -1

        returns = is_data['Close'].pct_change() * is_data['Signal'].shift(1)
        return -returns.sum()  # 最大化のため負値

    # 最適化実行
    result = minimize(
        objective,
        x0=[14, 30, 70],  # 初期値
        bounds=[(5, 30), (20, 40), (60, 80)],  # パラメータ範囲
        method='L-BFGS-B'
    )

    optimal_period = int(result.x[0])
    optimal_oversold = result.x[1]
    optimal_overbought = result.x[2]

    # OOSでの検証
    oos_data['RSI'] = calculate_rsi(oos_data, optimal_period)
    oos_data['Signal'] = 0
    oos_data.loc[oos_data['RSI'] < optimal_oversold, 'Signal'] = 1
    oos_data.loc[oos_data['RSI'] > optimal_overbought, 'Signal'] = -1

    oos_returns = oos_data['Close'].pct_change() * oos_data['Signal'].shift(1)

    return {
        'optimal_period': optimal_period,
        'optimal_oversold': f"{optimal_oversold:.1f}",
        'optimal_overbought': f"{optimal_overbought:.1f}",
        'is_return': f"{-result.fun:.1%}",
        'oos_return': f"{oos_returns.sum():.1%}"
    }

過学習の警告サイン

リスク要因

取引コストを考慮したリアルなバックテスト

コスト前提

コスト控除後のリターン比較

結論: 取引頻度が高い戦略は、コスト控除後に収益性が悪化する。

実装のベストプラクティス

from dataclasses import dataclass
from datetime import datetime
import logging

@dataclass
class TradeSignal:
    """売買シグナル"""
    ticker: str
    action: str  # "buy", "sell", "hold"
    price: float
    timestamp: datetime
    confidence: float  # 0.0-1.0
    indicators: dict

class MomentumStrategy:
    """本番運用向けモメンタム戦略"""

    def __init__(self, tickers: list[str], transaction_cost: float = 0.002):
        self.tickers = tickers
        self.transaction_cost = transaction_cost
        self.logger = logging.getLogger(__name__)

    def generate_signals(self) -> list[TradeSignal]:
        """全銘柄のシグナルを生成"""
        signals = []

        for ticker in self.tickers:
            try:
                data = generate_combined_signals(ticker)
                latest = data.iloc[-1]

                # 信頼度計算（複合スコアの絶対値/3）
                confidence = abs(latest['Combined_Score']) / 3.0

                if latest['Signal'] == 1:
                    action = "buy"
                elif latest['Signal'] == -1:
                    action = "sell"
                else:
                    action = "hold"

                signals.append(TradeSignal(
                    ticker=ticker,
                    action=action,
                    price=latest['Close'],
                    timestamp=datetime.now(),
                    confidence=confidence,
                    indicators={
                        'sma50': latest['SMA50'],
                        'sma200': latest['SMA200'],
                        'rsi': latest['RSI'],
                        'macd_hist': latest['MACD_Hist']
                    }
                ))

            except Exception as e:
                self.logger.error(f"Error processing {ticker}: {e}")

        return signals

    def filter_signals(self, signals: list[TradeSignal],
                       min_confidence: float = 0.5) -> list[TradeSignal]:
        """信頼度でフィルタリング"""
        return [s for s in signals if s.confidence >= min_confidence]

# 使用例
strategy = MomentumStrategy(['7203.T', '8306.T', '9984.T'])
signals = strategy.generate_signals()
high_confidence = strategy.filter_signals(signals, min_confidence=0.67)

for signal in high_confidence:
    print(f"{signal.ticker}: {signal.action} @ {signal.price:.0f} "
          f"(confidence: {signal.confidence:.0%})")

まとめ

推奨ステップ:

1. 単独指標でロジックを理解
2. 少数銘柄（5-10社）でバックテスト
3. ウォークフォワード最適化で過学習チェック
4. ペーパートレーディング（1-3ヶ月）
5. 小ロットで実運用開始

出典

• Quantified Strategies (2026) - 移動平均・RSI・MACDバックテスト結果
• Forbes Japan (2025-2026) - 日本株市場展望
• Medium (2026) - RSI Trading Strategies
• Business Insider (2025) - ヘッジファンド動向

---

免責事項: 本記事は情報提供を目的としており、特定の金融商品の売買を推奨するものではありません。投資判断は自己責任で行ってください。過去のバックテスト結果は将来のリターンを保証するものではありません。