Backtesting cuantitativo en Python

El backtesting es el proceso de simular y evaluar una estrategia de trading sobre datos históricos del mercado.

En las finanzas cuantitativas y el trading algorítmico, el backtesting es un paso clave para evaluar el rendimiento de una estrategia de trading en el comportamiento pasado del mercado.

A través del backtesting, los operadores pueden comprender el comportamiento de su estrategia en diferentes condiciones del mercado y optimizarla y mejorarla.

El backtesting generalmente incluye los siguientes pasos:

  • Definir la estrategia de trading:Determinar las reglas de cuándo comprar, vender o mantener posiciones. Esto puede implicar diversas estrategias como indicadores técnicos, estrategias de medias móviles, seguimiento de tendencia, arbitraje, etc.

  • Obtener datos históricos:Obtener datos históricos del mercado, incluyendo precios, volúmenes y otra información de instrumentos financieros como acciones, futuros, divisas, etc.

  • Simular operaciones:Según la estrategia definida, simular la ejecución de operaciones sobre los datos históricos. Esto incluye determinar cuándo comprar o vender y calcular las ganancias y pérdidas de cada operación.

  • Calcular métricas de rendimiento:Según los resultados del backtesting, calcular varias métricas de rendimiento, como el rendimiento anualizado, la reducción máxima (drawdown), el ratio de Sharpe, etc., para evaluar el desempeño de la estrategia.

  • Optimizar la estrategia:Si los resultados del backtesting no son ideales, el operador puede optimizar la estrategia, ajustar parámetros o modificar reglas, y luego realizar el backtesting de nuevo.

  • Prueba de sesgo de datos futuros (look-ahead):Un problema clave del backtesting es prevenir la filtración de datos futuros. La prueba de sesgo de datos futuros garantiza que, al diseñar y evaluar la estrategia, solo se utilice una parte de los datos históricos, simulando la situación en la que en el trading real solo se puede usar información conocida.

A continuación, este es un código de ejemplo de backtesting para una estrategia simple de cruce de medias móviles:

Ejemplo

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

# Obtener datos de acciones
symbol = "600519.SS"  # Código de acciones de Moutai
start_date = "2019-01-01"
end_date = "2021-01-01"

data = yf.download(symbol, start=start_date, end=end_date)

# Calcular la media móvil
data['SMA_50'] = data['Close'].rolling(window=50).mean()
data['SMA_200'] = data['Close'].rolling(window=200).mean()

# Inicializar la columna de señales de cruce
data['Signal'] = 0

# Calcular las señales de cruce
data.loc[data['SMA_50'] > data['SMA_200'], 'Signal'] = 1
data.loc[data['SMA_50'] < data['SMA_200'], 'Signal'] = -1

# Calcular el rendimiento diario
data['Daily_Return'] = data['Close'].pct_change()

# Calcular el rendimiento de la señal de la estrategia (shift(1) es para evitar el sesgo de datos futuros)
data['Strategy_Return'] = data['Signal'].shift(1) * data['Daily_Return']

# Calcular la rentabilidad acumulada
data['Cumulative_Return'] = (1 + data['Strategy_Return']).cumprod()

# Dibujar la curva de rentabilidad acumulada
plt.figure(figsize=(10, 6))
plt.plot(data['Cumulative_Return'], label='Strategy Cumulative Return', color='b')
plt.plot(data['Close'] / data['Close'].iloc[0], label='Stock Cumulative Return', color='g')
plt.title("Cumulative Return of Strategy vs. Stock")
plt.xlabel("Date")
plt.ylabel("Cumulative Return")
plt.legend()
plt.show()

Al ejecutar el código anterior, el resultado es el siguiente:

Otras extensiones