「悪材料出尽くし（アク抜け）」の見抜き方──ニュース分析・サプライズ・ベータ値で株価の反転を読む

株価が急落した銘柄を見て「ここが底では？」と考えるのは自然ですが、いわゆる「悪材料出尽くし（アク抜け）」で反転上昇する銘柄と、そのまま下がり続ける銘柄の見分けは簡単ではありません。

この記事では、下落から底打ち・反転上昇を読むための 4 つの視点を整理します。

1. ニュース「出尽くし型」（悪材料出尽くし・アク抜け）
2. 「サプライズ」感（市場予想とのギャップ）
3. β値（ベータ値・市場感応度）
4. ニュース分析とニュースソース（一次／二次の切り分け）

この 4 つは独立した指標ではなく、「悪材料がどこまで織り込まれ、どのようなギャップとリスク特性をもって買い戻されるか」を読むための連続した工程として機能します。

なお以下の 1〜4 は理解しやすい順に並べています。実践する順序は後半の「統合アプローチ」で示すとおり 4 → 2 → 1 → 3 になります。

本記事は投資判断の枠組みを整理したものであり、特定銘柄の売買を推奨するものではありません。

1. ニュース「出尽くし型」（悪材料出尽くし・アク抜け）

メカニズム：不確実性の消滅が買い材料になる

「出尽くし型（アク抜け）」とは、業績悪化や不祥事などの悪材料が発表されたにもかかわらず、それを境に株価が下げ止まり、上昇へ転じる現象です。

株式市場では、ニュースが公表される前から「噂や懸念」で売りが先行していることが少なくありません。実際に悪材料が出た時点で、市場が「想定される最悪のシナリオが確定し、これ以上の不確定要素はなくなった」と捉えることがあります。そうなると売り圧力が枯渇し、割安感からの買い戻し（ショートカバー）が入って反転上昇が起こります。

つまり出尽くしとは、ニュースの内容ではなく「不確実性が消えたこと」が買い材料になる現象です。

出尽くしの判定ポイント（織り込み度・出来高・一過性損失）

• 織り込み度合いの確認 — ニュース発表前に株価がすでに大きく下落していたかを見ます。発表直前に高値圏にいた銘柄の悪材料は、まだ織り込まれていない可能性が高いです。
• 出来高の急増（セリングクライマックス） — 悪材料発表直後に大量の出来高を伴って売られた後、急速に買い戻されて長い下ヒゲ（ローソク足）を形成します。売り手の投げ売りが一巡したシグナルです。
• 一過性損失の特定 — 減損損失の一括計上、リストラ費用の前倒し計上など「今回で膿を出し切った（構造改革の完了）」タイプのニュースは、典型的な出尽くしの反転トリガーになります。

逆に、下方修正が続く（1 回で終わらない）銘柄は出尽くしと判定してはいけません。「一括計上」か「小出しの連鎖」かは、開示原文を読めば多くの場合は区別できます。

2. 「サプライズ」感（市場予想とのギャップ）

メカニズム：株価は絶対値ではなく乖離に反応する

株価を動かす本質は、ニュースの内容自体の良し悪しではありません。事前に市場が形成していた予想（コンセンサス）と、実際のニュース内容との乖離＝サプライズこそが株価を動かします。

ポジティブサプライズの判定ポイント

「悪いが予想よりマシ」なサプライズ 市場が「50 億円の赤字」を予想していたのに対し、実際の発表が「20 億円の赤字」だった場合、絶対値としては赤字（悪材料）であっても、市場にとってはポジティブサプライズです。これが出尽くし型の上昇を引き起こします。

ガイダンス（会社見通し）のサプライズ 今期の実績が悪くても、同時に発表された来期の業績見通しや回復計画が市場予想を上回れば、強いポジティブサプライズとなって一気に反転します。決算発表で「実績は悪材料、ガイダンスは好材料」というねじれが起きたときは、市場はガイダンス側に反応する傾向があります。

ネガティブサプライズによる過剰反応 逆に事前期待が高すぎた場合の「ネガティブサプライズ」は、行き過ぎた売り（過剰反応）を生みやすくなります。その歪みが、後述の「統合アプローチ」で扱うリバウンド狙いのエントリーポイント探しの起点になります。

コンセンサスをどこで確認するか

サプライズの測定には「事前予想」の数値が必要です。個人投資家がアクセスできる範囲では以下が実用的です。

アナリストカバレッジのない小型株では、会社の期初計画に対する進捗率が実質的なコンセンサス代替になります。よく使われる目安は「四半期あたり 25%」で、第 1 四半期終了時点で通期計画に対する営業利益の進捗率が 25% を大きく下回っていれば、下方修正リスクが市場に意識されている（つまりある程度織り込まれている）と読めます。逆に進捗率が十分なのに株価だけが売られている場合は、4 つ目の視点で扱う「事実と反応の歪み」の候補になります。なお季節性の強い業種ではこの目安は使えないので、前年同期の進捗率と比べるのが安全です。

3. β値（ベータ値・市場感応度）

メカニズム：市場全体に対する感応度を測る

β値（ベータ値）とは、市場全体（TOPIX や日経平均など）の値動きに対して、その銘柄がどれだけ敏感に反応するかを示す指標です。

• β > 1.0 — 市場全体よりも値動きが激しい（半導体株、グロース株など）
• β < 1.0 — 市場全体よりも値動きが穏やか（電力・ガス、食品などのディフェンシブ株）

高β銘柄のリバウンド倍率をどう使うか

• リバウンド倍率は高β銘柄が大きい — 全体相場の急落やセクター全体の悪材料で株価が落ち込んだ後、相場が反転する局面では、高β銘柄ほど市場平均を大きく上回る急反発を見せる傾向があります。
• 悪材料 + 高βの組み合わせ — 悪材料出尽くしやポジティブサプライズが起きたとき、高β銘柄であれば「売り圧力の解消」に「高い市場感応度」が加わるため、短期間で高いリターンを狙う対象として優先度が上がります。

ただしβ値は対称です。反転を読み違えたときの下落幅も市場平均より大きくなります。高β銘柄で狙うということは、ニュース精査とサプライズ判定の精度に賭けているのと同じことです。ポジションサイズはβ値の逆数で調整する、という考え方が実務的です。

β値を自分で計算する

β値は「銘柄リターンと市場リターンの共分散 ÷ 市場リターンの分散」です。J-Quants API などで日次終値を取得できれば、pandas で数行です。

import numpy as np
import pandas as pd


def _to_returns(stock_close: pd.Series, market_close: pd.Series) -> pd.DataFrame:
    """終値の Series 2 本を日次リターンの DataFrame に変換する。

    stock_close / market_close はいずれも日付インデックスを持つこと。
    """
    df = pd.concat({"stock": stock_close, "market": market_close}, axis=1).dropna()
    return df.pct_change().dropna()


def calc_beta(stock_close: pd.Series, market_close: pd.Series) -> float:
    """共分散 ÷ 分散でβ値を計算する。"""
    returns = _to_returns(stock_close, market_close)
    cov = returns["stock"].cov(returns["market"])
    var = returns["market"].var()
    return float(cov / var)


def calc_beta_by_polyfit(stock_close: pd.Series, market_close: pd.Series) -> float:
    """参考: 市場リターンへの回帰係数として求めても同じ値になる。"""
    returns = _to_returns(stock_close, market_close)
    slope, _intercept = np.polyfit(returns["market"], returns["stock"], 1)
    return float(slope)


# 使い方の例（df は日付インデックス、各列が終値の DataFrame）
# beta = calc_beta(df["6501"], df["TOPIX"])

観測期間は目的に応じて変えます。中長期のリスク特性を見たいなら 3〜5 年の週次、直近の急落局面での感応度を見たいなら 60〜120 営業日程度の日次が実用的です。相場の局面が変わるとβ値も変わるため、「証券サイトに載っているβ値」を鵜呑みにせず、自分が狙う時間軸で計算し直すことをおすすめします。

J-Quants API を使ったファクター分析ツールの作り方は、AIに設計から任せて株式ファクター分析ツールを作る でも扱っています。

4. ニュース分析とニュースソース

メカニズム：ソースの質で下落の性質が決まる

ニュースの「質」と「配信元（ソース）」を正しく分類・評価することで、下落が「一過性の心理的ショック」なのか「中長期的な業績悪化の始まり」なのかを判断します。

ここが 4 つの視点の中で最も基礎的で、かつ最も省略されがちな工程です。

一次ソースと二次ソースの使い分け

一次ソース（TDnet 適時開示、EDINET、企業公式リリース） ファクトチェックの基本。決算短信や適時開示の原文、とくに注記まで確認し、「悪材料の範囲が限定的か」を正確に評価します。

• TDnet 適時開示情報閲覧サービス — 決算短信、業績修正、適時開示。ただし公開ページで閲覧できるのは直近 31 日分で、それ以前の開示は各社 IR ページや有料サービスを当たる必要があります
• EDINET — 有価証券報告書、四半期報告書、大量保有報告書。過去分の遡及にはこちらが使える

過去の開示をまとめて遡って分析したい場合は、J-Quants API の TDnet アドオン（過去 5 年分の XBRL データ） も選択肢になります。

二次ソース（経済メディア、アナリストレポート、SNS、PTS 取引） 市場参加者の「感情（センチメント）」や「過剰反応の程度」を測るために使います。一次ソースの代わりに使うものではなく、一次ソースとの差分を測る計器として使うのがポイントです。

情報の時間軸（過剰反応の検知）

夜間取引（PTS）の出来高やニュース直後の値動きを見ると、個人投資家や短期アルゴリズムが狼狽売りを起こしているかが分かります。日本株の PTS は SBI 証券経由のジャパンネクスト PTS などで、東証の立会時間外にも売買されています。SBI 証券のナイトタイム・セッションは営業日の 17:00〜23:59 です（取引時間は変更されることがあるため最新の案内を確認してください）。

決算発表は東証の立会時間終了後に出ることが多いため、翌朝の寄り付き前に市場の反応を先読みできるのが PTS を見る実務的な価値です。

「事実（一次ソース）は限定的な悪影響なのに、世間の反応（二次ソース）で過剰に売られている」という歪みを見つけることが、反転上昇を予測する最大の鍵になります。

この関係を整理すると次のようになります。

狙うべきは左上の象限（事実のインパクトは限定的 × 市場の反応は過剰）だけです。他の 3 つはいずれも見送りになります。

• 右上（構造的な悪材料に市場が過剰反応）— 自律反発は出ても戻り売りに押されやすく、戻りは限定的
• 右下（構造的な悪材料なのに市場の反応が乏しく、まだ織り込まれていない）— 下方修正の連鎖が続く可能性がある
• 左下（限定的な悪材料を市場も冷静に評価）— そもそも下落幅が小さく、リバウンド狙いの妙味がない

統合アプローチ：下落から反転上昇を捉える実践フロー

以下では、ここまでの 4 つの視点を実行順の 4 ステップとして並べ替えます。

各ステップが担う役割は次のとおりです。

順序が重要です。ステップ 1 を飛ばしてチャートの下ヒゲだけで飛び乗ると、構造的な悪材料を抱えた銘柄で「落ちてくるナイフを掴む」ことになります。ステップ 1〜2 が「買う理由があるか」、ステップ 3 が「いつ買うか」、ステップ 4 が「どれだけ狙えるか」を決めるという役割分担です。

なお、これは上昇トレンド中の一時的な調整を狙う 押し目買い（Buy the Dip） とは別のセットアップです。押し目買いはトレンドが継続している前提でチャート起点に入りますが、本記事の枠組みはトレンドが壊れた後にニュース起点で反転を探すもので、判定材料も異なります。

この枠組みが機能しにくいケース

最後に、この 4 ステップが効かない場面も押さえておきます。

• 個別要因ではなく全体相場の下落 — マクロ要因（金利、地政学リスク）による下落では、個別銘柄の「出尽くし」判定はほぼ無意味になります。この場合はセクターや資金フローの分析が主役です。関連して セクターローテーションは株価・出来高で予測できるか も参考になります。
• 不祥事・ガバナンス問題 — 数値化しにくく、追加の悪材料が出る可能性を事前に見積もれません。「膿を出し切った」の判定が最も難しいタイプです。
• 流動性の低い小型株 — アナリストカバレッジがなくコンセンサスが存在しないため、ステップ 2 が機能しません。また出来高が薄いと「セリングクライマックス」の判定自体が不安定になります。

逆に言えば、この枠組みが最も効くのは「カバレッジがあり、悪材料が数値で開示され、流動性のある中〜大型株」ということになります。

なお、この 4 ステップを実際に自動化する場合のデータソース選定は Claude Code で株式ニュース分析を自動化する で扱っています。どの層が API で取れて、どこが手作業として残るかを整理しました。

まとめ

4 つの視点は「買う理由 → タイミング → リターン幅」の順に並べて使います。実行順に整理すると次のとおりです。

• 一次ソース（事実）と二次ソース（センチメント）のギャップを見つけることが最大の鍵
• 株価を動かすのは絶対値ではなくコンセンサスとの乖離（サプライズ）
• 「出尽くし型」の本質は、ニュースの内容ではなく不確実性が消えたことが買い材料になる現象
• β値は反転時のリターン幅の見積もりに使う。ただし下落方向にも対称に効く

まずは TDnet で直近の下方修正を 1 件選び、ステップ 1〜2 だけを紙の上でやってみるのが練習になります。エントリーせずに「その後どう動いたか」を検証するだけでも、織り込み度合いの読みの精度は上がります。