プロの「手口」を可視化！TWAP・VWAP・POVをPythonで分析して機関投資家を追う方法

2026年3月7日2026年3月9日

URLをコピーしました！

「なぜ、自分が買った瞬間に株価が下がるのか？」と感じたことはありませんか。その理由は、あなたの取引が間違っているからではなく、市場を支配する「巨大なクジラ」の動きが見えていないからかもしれません。

機関投資家は一度に数億円単位の注文を出すため、そのまま市場に投げれば価格を大きく動かしてしまいます。彼らは自身の売買コストを抑えるために、特殊なアルゴリズムを使って注文を細かく分割し、静かに、かつ確実に取引を遂行します。この記事では、プロが使う「TWAP」「VWAP」「POV」という3つの指標をPythonで分析し、その「足跡」を可視化する方法を具体的に解説します。

なぜ機関投資家の「足跡」を追うのが重要か？

投資の世界において、個人投資家と機関投資家では持っている武器が根本的に異なります。私たちがスマホやPCでチャートを見ている間、彼らは高度なプログラムを使い、マーケットへの影響を最小限に抑えながら取引を進めています。

この章では、機関投資家がなぜアルゴリズムを多用するのか、そしてその動きを把握することが、個人投資家の利益を守るためにどれほど重要かを整理します。まずは、戦う相手の正体を知ることから始めましょう。

市場の大部分を占めるアルゴリズム取引の正体

現代の株式市場や仮想通貨市場において、取引の7割から8割はコンピューターによる自動売買だと言われています。特に機関投資家は、自分の大きな注文によって価格が跳ね上がったり、暴落したりすることを嫌います。

例えば、100万株の買い注文を一度に出せば、市場の売り板を一瞬で食い尽くし、平均取得単価が悪化してしまいます。これを防ぐために、時間をかけて注文をバラけさせる「執行アルゴリズム」が使われます。彼らは感情で動くのではなく、あらかじめ決められた数学的なルールに従って淡々と取引を実行しているのです。

確かに「プログラムの動きなんて予測できない」と思うかもしれません。しかし、ルールに従っているということは、そこには必ず「パターン（足跡）」が残るということです。

個人投資家が「カモ」にされる理由を知る

個人投資家がよく陥る罠として、大口が買い集めている最中に「急騰した」と勘違いして飛び乗り、彼らが売り抜ける際の流動性として利用されるパターンがあります。

プロは、私たちがテクニカル指標を見て一喜一憂している裏で、もっと泥臭い「出来高」と「平均価格」を重視しています。彼らの目標は、その日の平均的な価格よりも1円でも安く買い、1円でも高く売ることです。この基準を知らないまま取引をすることは、目隠しをしてプロのボクサーと戦うようなものです。

相手が何を「成功」と定義しているかを知れば、彼らの動きに巻き込まれて損失を出すリスクを大幅に減らすことができます。

データ分析で「見えない大口」を可視化できる

これまではプロの専用端末でしか見られなかったデータも、現在はPythonなどのプログラミング言語を使えば個人で分析できるようになりました。

過去のデータから「この時間帯にだけ不自然に出来高が増えている」といった兆候を見つけ出すことができます。これは単なる勘ではなく、統計に基づいた根拠になります。

特定の時間ごとに発生する注文の検知
出来高の重なりから算出するプロの平均単価
市場全体の勢いに対する大口の関与率

これらの要素を数値化することで、チャートの波の裏側に隠れた「意図」を読み解く力が身につきます。

機関投資家が使う3つの基本的な執行戦略

機関投資家が市場で目立たないように注文を出す際、主に使用される戦略は大きく分けて3つあります。それぞれ「時間」「価格」「出来高」のどれを重視するかが異なります。

以下のセクションでは、それぞれの戦略の特徴を深掘りし、どのような場面で使われるのかを解説します。まずは、それぞれの違いを以下の表で確認してください。

戦略名	重視する要素	主な目的	特徴
TWAP	時間	平均的な時間分散	一定間隔で均等に注文を出す
VWAP	価格と出来高	市場平均価格への追随	出来高が多い時にたくさん注文を出す
POV	出来高の割合	市場インパクトの抑制	市場の出来高のn%として参加する

一定時間で淡々と買い進める「TWAP」

TWAP（時間加重平均価格）は、取引時間を均等に分割し、それぞれの時間帯で同じ量の注文を出す方法です。例えば「9時から15時までの間に10万株を1分ごとに買う」といった具合です。

この戦略は、流動性が低い銘柄や、特定のニュースに左右されず、とにかく時間をかけてポジションを作りたい時に使われます。計算が単純であるため、古くから使われている手法ですが、そのぶん「一定間隔で同じサイズの注文が出る」という足跡が残りやすいという弱点もあります。

例えば、毎分00秒に必ず買い注文が入るようなチャートがあれば、それはTWAPアルゴリズムが動いている可能性が高いと言えます。

その日の平均価格を基準にする「VWAP」

VWAP（出来高加重平均価格）は、機関投資家にとって最も重要なベンチマークです。「その日の出来高を考慮した平均取得価格」を表し、多くのプロはこのVWAPよりも良い価格で約定させることをミッションとしています。

VWAP戦略では、出来高が増える時間帯（寄り付きや引け間際など）に注文を集中させ、出来高が少ない昼休みなどは注文を控えます。これにより、市場の実勢価格に極めて近い価格で取引を終えることができます。

私たちがVWAPを分析するメリットは、大口の「平均コスト」を推測できる点にあります。株価がVWAPより下にあれば、その日の買い手は含み損を抱えている可能性が高く、反発の目安として機能しやすくなります。

市場の出来高に追随する「POV」

POV（出来高参加率）は、実際の市場の出来高に対して「自分が何％参加するか」を決める戦略です。「今の出来高が1,000株なら、その10%の100株を出す」という風に動きます。

この方法の優れた点は、市場の盛り上がりに合わせて注文量を自動調整できることです。相場が静かな時は目立たず、活発になれば一気に買い進めることができます。

POVを使っている大口を追うには、価格の動きだけでなく「出来高の変化率」に注目する必要があります。価格があまり動いていないのに、出来高だけがじわじわ増えている場合、大口がPOVで静かに仕込んでいるサインかもしれません。

Pythonで分析環境を10分で整える

プロの手口を分析すると聞くと難しく感じるかもしれませんが、Pythonを使えば驚くほど簡単に環境を構築できます。複雑なソフトを購入する必要はありません。

この章では、初心者でもすぐに分析を始められるように、Google Colabを使った無料の環境構築手順を紹介します。まずは、以下の手順で必要な道具を揃えましょう。

必要なライブラリをインストールしよう

Pythonには、投資分析を支える強力なライブラリが豊富に揃っています。まずはこれらを自分の環境に読み込む必要があります。

以下のコマンドをプログラムの最初に入力してください。データの取得、計算、グラフ作成に必要なセットが一度に揃います。

pip install yfinance pandas matplotlib plotly

リスト形式で、それぞれのライブラリが何を担当するのか紹介します。

yfinance: 株価や出来高のデータを取得します
pandas: 取得したデータを表形式で整理し、計算します
matplotlib / plotly: 分析結果を視覚的なグラフにします

分析に最適なGoogle Colabの使い方

自分のPCにPythonをインストールするのが面倒な場合は、Google Colab（グーグル・コラボ）を使うのが一番の近道です。ブラウザさえあれば、GoogleのアカウントでログインするだけでPythonが動かせます。

Colabを開いたら「新しいノートブック」を作成しましょう。そこにコードを貼り付けて再生ボタンを押すだけで、すぐに計算結果が表示されます。環境構築でつまづいて挫折する心配がないため、まずはここからスタートすることをおすすめします。

データを整理するためのPandas基本設定

分析をスムーズに進めるためには、取り込んだデータを「扱いやすい形」に整える必要があります。Pandasというライブラリを使えば、Excelのような表形式でデータを管理できます。

特に投資データは「日付」が重要になります。日付をインデックス（索引）として設定し、時間軸に沿って計算ができるように設定するのがコツです。

import pandas as pd
# 日付を見やすく表示する設定
pd.options.display.float_format = '{:.2f}'.format

このように、表示を整えておくだけで、分析中のミスを防ぎ、数値の変化に気づきやすくなります。

株価と出来高のデータを取得する

分析の材料となる「データ」がなければ何も始まりません。機関投資家を追うためには、単なる終値だけでなく、1分足や5分足といった細かい時間軸のデータと、その時の出来高が必要になります。

ここでは、世界中の金融データを無料で取得できるライブラリを使って、実際に分析用のデータを手元に持ってくる方法を解説します。

yfinanceを使って無料でデータを手に入れる

米国のYahoo! Financeからデータを取得できる「yfinance」は、個人投資家にとって最強の味方です。米国株はもちろん、日本株や仮想通貨のデータも取得可能です。

例えば、Apple（AAPL）の5分足データを取得するコードは以下の通りです。

import yfinance as yf

# データのダウンロード（Appleを例に、5分足を取得）
ticker = "AAPL"
data = yf.download(ticker, period="5d", interval="5m")

print(data.head())

たったこれだけで、過去5日分の詳細なデータが手に入ります。日本株の場合は「7203.T」（トヨタ自動車）のように、銘柄コードの後に「.T」をつければOKです。

分析に必要なデータ項目と期間の選び方

アルゴリズムの足跡を探す場合、あまりに長い期間（例：1年分）を一度に見ても、細かい注文の跡は消えてしまいます。

大口の動きを捉えるには、以下の条件でデータを取得するのが理想的です。

時間軸: 1分足または5分足。秒単位の動きを推測するため。
期間: 直近の1週間から1ヶ月程度。
項目: Open, High, Low, Closeに加え、Volume（出来高）が必須。

あまりに古いデータを見ても、今の市場環境には当てはまらないことが多いため、新鮮なデータを扱うことを意識しましょう。

取得したデータをクレンジングする方法

取得したばかりのデータには、不要な空行が含まれていたり、形式がバラバラだったりすることがあります。これらを掃除することを「データクレンジング」と呼びます。

計算ミスを防ぐために、欠損値を削除したり、タイムゾーンを日本時間（JST）に合わせたりする処理を行いましょう。

# 欠損値を消去
data = data.dropna()

# タイムゾーンを日本時間に変換（日本株の場合）
# data.index = data.index.tz_convert('Asia/Tokyo')

データがきれいに整うと、その後のTWAPやVWAPの計算が驚くほどスムーズに進みます。準備を怠らないことが、正確な分析への第一歩です。

PythonでTWAP（時間加重平均価格）を算出する

TWAP（時間加重平均価格）の計算自体は非常にシンプルです。特定の期間における各時点の価格を足して、データの数で割るだけです。

しかし、単に計算するだけでは不十分です。私たちは「大口がTWAPを使っているかどうか」を見極める必要があります。この章では、TWAPの算出方法と、不自然な注文を見つけ出す分析手法を学びます。

TWAPの計算式をコードに落とし込む

まずは、取得した分足データを使ってTWAPを計算してみましょう。特定の時間帯（例えば、午前9時から10時まで）の平均価格を出します。

# 単純なTWAPの計算（全期間の終値平均）
twap_all = data['Close'].mean()

print(f"全体のTWAP: {twap_all}")

これだけで基本の数値は出ますが、実践では「ローリング平均」という手法を使います。直近の30分間でのTWAPがどう推移しているかを追いかけることで、価格の変化を捉えやすくなります。

実行時間帯による価格の偏りをチェックする

TWAPを好む大口は、市場が開いている間、ずっと同じペースで買うわけではありません。彼らにも「ランチタイムは休む」「引け間際に注文を急ぐ」といった癖があります。

時間帯ごとの平均価格をグラフにしてみると、特定の時間帯にだけ価格が一定のレンジで安定していることがあります。これは、大口の買い支えが入っている可能性を示唆します。

寄り付き直後の15分間の平均
昼休み前後の価格の安定度
大引け前の5分間の動き

これらの時間帯を区切って分析することで、アルゴリズムがどこで活動を強めているのかが透けて見えてきます。

不自然な一定間隔の注文を見つけるコード

TWAPの最大の特徴は「等間隔」であることです。出来高（Volume）の推移を詳しく見て、例えば「1分ごとに、必ず1,000株以上の注文が入っている」というパターンを探します。

# 出来高の急増（不自然な等間隔）をチェック
# 直近5分間の平均出来高より2倍多いポイントを探す
data['Vol_Anomaly'] = data['Volume'] > data['Volume'].rolling(window=10).mean() * 2
print(data[data['Vol_Anomaly'] == True])

このコードを実行して、もし特定の間隔（例：5分ごと、10分ごと）で異常検知が繰り返されているなら、それは人間ではなく機械がTWAPで注文を出している強力な証拠になります。

VWAP（出来高加重平均価格）でプロの単価を割り出す

VWAPは、単なる価格の平均ではなく「いくらで、どれくらいの量が取引されたか」を反映した指標です。機関投資家が最も嫌うのは「VWAPよりも高い値段で買わされること」です。

この章では、VWAPをチャートに表示させ、それをどのようにトレードの判断基準として活用するかを具体的に解説します。

当日のVWAPをグラフに表示させる方法

VWAPの計算は、その日の「価格 × 出来高」の合計を「累積出来高」で割ることで算出します。PythonのPandasを使えば、1行で計算が可能です。

# VWAPの算出
data['PV'] = data['Close'] * data['Volume']
data['VWAP'] = data['PV'].cumsum() / data['Volume'].cumsum()

計算ができたら、株価チャートと一緒にVWAPを表示させてみましょう。株価がVWAPに吸い寄せられるように動いたり、VWAPにタッチした瞬間に反発したりする様子が見て取れるはずです。

標準偏差（バンド）を追加して押し目を探る

VWAP単体でも強力ですが、そこに「標準偏差（σ：シグマ）」という概念を加えると、さらに分析の精度が上がります。ボリンジャーバンドのVWAP版のようなイメージです。

多くの機関投資家は、VWAPから大きく乖離した価格での取引を避けます。

指標	意味	投資判断の例
+2σ バンド	価格が上がりすぎの状態	利益確定の目安
VWAP 本線	プロの平均取得単価	トレンドの分岐点
-2σ バンド	価格が下がりすぎの状態	大口の押し目買いポイント

株価が-2σまで落ちてきた時、そこで出来高が増えて反発するなら、そこは大口が「平均単価を下げるために絶好の買い場」と判断して動いた場所かもしれません。

自分の買値とVWAPを比較して「勝ち筋」を見る

プロの目線に立つための最も簡単な方法は、自分の約定価格をVWAPと比較することです。

「自分の買値がVWAPより低い」のであれば、あなたはその日の平均的な参加者よりも有利な位置にいます。逆にVWAPより高いところで買っているなら、それは大口に高値で売りつけられた（カモにされた）可能性を疑うべきです。

トレードを終えるたびに、その日のVWAPを確認する癖をつけましょう。それだけで、無謀な高値掴みを自然と防げるようになります。

POV（出来高参加率）から大口の動きを推測する

POV（Percentage of Volume）は、市場全体の出来高に「相乗り」する手法です。大口が最も自分の存在を隠しやすい戦略と言えます。

しかし、この戦略もPythonで出来高の「密度」を分析すれば、その痕跡を掴むことができます。大口の「本気度」を推測するための手法を見ていきましょう。

全体の出来高に対する特定時間の割合を出す

POV戦略を使っている大口は、市場が盛り上がれば盛り上がるほど、自分の注文量も増やします。これを逆手に取り、過去の平均的な出来高分布と比較して「今の出来高の増え方は異常ではないか」を計算します。

例えば、普段の5分足の出来高が1万株なのに、特定の銘柄で急に2万株、3万株と増え続け、かつ価格がじりじりと上がっている場合、POVアルゴリズムが積極的に買い上がっている可能性があります。

この「参加率の不自然な変化」を捉えることが、大口の仕込みにいち早く気づくコツです。

特定の価格帯で「参加率」が上がる意味とは？

大口がどうしても手に入れたい銘柄がある時、特定の価格帯（節目）を抜けるタイミングで参加率を引き上げることがあります。

直近の高値を更新する瞬間
重要な移動平均線を上抜ける瞬間

これらの局面で、市場全体の出来高増加率を上回るペースで出来高が伸びているなら、それは大口が「多少高い価格でも買い切る」という意思決定をしたサインです。

単に「出来高が増えた」と喜ぶのではなく、「市場全体に対する増え方の比率」に注目しましょう。

大口が静かに買い集めているサインを見逃さない

POVの最も厄介な点は、相場が静かな時は大口も注文を絞るため、非常に見つけにくいことです。しかし、Pythonを使えば「価格は横ばいなのに、出来高の底上げが起きている」という矛盾を抽出できます。

このような「静かな買い集め」を検知した銘柄は、その後に大きなトレンドが発生することが多いです。大口が仕込みを終え、いざ価格を動かし始めた時に、私たちはすでにその動きを予測できている状態を目指しましょう。

3つの指標を統合した分析ツールを作ってみよう

ここまでの知識をバラバラに使うのではなく、1つのシステムとして統合することで、分析の精度は飛躍的に高まります。TWAPで時間の癖を、VWAPで価格の妥当性を、POVで大口の関与を同時にチェックしましょう。

ここでは、これら3つの視点を盛り込んだ「足跡検知」を行うための考え方と、AIを味方につけるためのプロンプト例を紹介します。

複数の指標を1つのチャートに重ねる

複数の指標を重ね合わせることで、情報の「一致」を探します。

例えば「株価がVWAPの-1σ付近にあり（VWAP視点）、かつ5分間隔で規則的な出来高が発生しており（TWAP視点）、さらに出来高のベースラインが上がっている（POV視点）」という状況が見つかれば、それは非常に信頼度の高い買いシグナルとなります。

PythonのPlotlyを使えば、これらの指標を重ね合わせたインタラクティブなチャートを数行のコードで作ることができます。マウスを動かして数値を詳細に確認できる環境を手に入れましょう。

アルゴリズムの痕跡を自動判定するロジック

目視でチャートを確認するだけでなく、プログラムに「怪しい動き」を自動でリストアップさせると効率的です。

# 仮の統合ロジック：VWAPより下、かつ不自然な出来高増
data['Big_Money_Sign'] = (data['Close'] < data['VWAP']) & (data['Vol_Anomaly'] == True)

# サインが出ている箇所だけ表示
print(data[data['Big_Money_Sign'] == True])

このように、自分の仮説をコードにしておけば、何百という銘柄の中から「今、大口が動いている銘柄」だけを瞬時に見つけることができるようになります。

AIにコードを書かせるための最適プロンプト

複雑な計算コードを自分で1から書く必要はありません。ChatGPTなどのAIに、以下のような具体的な指示（プロンプト）を出して、土台となるコードを生成させましょう。

Pythonのyfinanceを使って、[銘柄名]の5分足データを取得してください。そのデータに基づき、①当日VWAPと標準偏差±2σ、②5分ごとの出来高の異常検知（移動平均の2倍以上）、③TWAPを計算し、Plotlyで1つのチャートに可視化するコードを書いてください。日本語のコメントも付けてください。

このように役割を明確に伝えることで、エラーの少ない実用的なツールを即座に手に入れることができます。