backtesting

バックテスト — フルバックテストスキル

このスキルは、講座の教材で紹介されている5段階のフルバックテスト手法を実装しています。 データ → リサーチ → 指標 → パラメーター化 → 検証。以下を提供します。

• 30種類以上のリスク／パフォーマンス比率（フラットな関数、NumPy によるベクトル化、クラス不使用）
• 講座の分類に沿った10種類の指標クラス（トレンドフォロー、オシレーター、逆張り、フロー、複合、離散カウント、季節性、統計、参照、ファンダメンタル）
• イベント駆動型バックテストエンジンと8種類の組み込み戦略
• 将来予測シミュレーション（Johnson SU 周辺分布＋t／ガウシアンコピュラ）
• ポートフォリオ理論（Markowitz 効率的フロンティア、ポートフォリオ・オブ・ポートフォリオ）
• ウォークフォワード交差検証（IS／OOS 分割＋ギャップ）
• ストレステスト（パラメトリックなシナリオショック）
• ファンダメンタル分析（Altman Z、Piotroski F、DuPont）

すべてのスクリプトは numpy、pandas、scipy のみを使用します。大規模な依存関係はありません。

Gauss314 Skills Repository の一部です。

---

ファイル一覧

skills/backtesting/
├── SKILL.md                         ← This file
├── references/
│   ├── BACKTESTING_THEORY.md        ← Marco conceptual: GIGO, trilema, 5 etapas (ES)
│   ├── RATIOS.md                    ← Fórmulas, convención de retornos, advertencias (ES)
│   ├── FEATURES.md                  ← Taxonomía de 10 clases de indicadores con edges (ES)
│   ├── SIMULATIONS.md               ← Pipeline Johnson SU + cópula (ES)
│   ├── VALIDATION.md                ← Suite de validación de 4 niveles (ES)
│   └── OTHER_FEATURES.md            ← Fundamental, Sentimiento, Exógenos (ES)
├── assets/
│   ├── sp500_returns.csv            ← SPY benchmark daily returns (lin + log), 1980-today
│   ├── momentum_sma50_200_returns.csv ← SMA(50)/SMA(200) crossover strategy returns
│   ├── contrarian_bbands_returns.csv  ← Bollinger Band contrarian strategy returns
│   ├── sample_portfolios.json       ← Real investor portfolios (Buffett, Dalio, Ackman, 60/40)
│   ├── defaults.json                ← Default parameters (VaR alpha, windows, etc.)
│   └── validation_cases.json        ← 6 known cases for ratio validation
├── scripts/
│   ├── __init__.py
│   ├── ratios.py                    ← 30+ flat numpy functions for all risk/performance ratios
│   ├── indicators.py                ← 10 classes of technical/statistical/fundamental indicators
│   ├── engine.py                    ← Event-driven BacktestEngine with 8 built-in strategies
│   ├── backtesting.py               ← CLI: run, sweep, walkforward, montecarlo, optmpt, event, validate
│   ├── simulations.py               ← CLI: marginal, copula, run, portfolio, scenarios
│   ├── forward.py                   ← CLI: project, risk, stress, summary
│   ├── distributions.py             ← Fit + KS test for Normal/t/NCt/Laplace/JohnsonSU
│   ├── copulas.py                   ← t/Gaussian/Clayton/Gumbel/Frank copulas + sampling
│   ├── fundamental_ratios.py        ← Income/balance/cashflow metrics, DuPont, Altman Z, Piotroski
│   └── validate.py                  ← 4-level validation: CLI modes, math consistency, edge cases, regression
└── tests/
    └── test_ratios.py               ← 18 pytest tests for core ratios

各ファイルの役割

ファイル	役割	主な関数／モード
ratios.py	中核ライブラリです。すべての比率は1次元配列を受け取るフラットな関数です。	sharpe_ratio、max_drawdown、var_all、cvar_all、kelly_fraction、payoff_ratio、profit_factor、rachev_a/b/c、common_sense_ratio、ruin_curve、compute_all
indicators.py	講座の分類に含まれるあらゆるタイプを網羅した、10種類の指標クラスです。	rsi、adx、bbands、macd、atr、cross_indicator、range_bound、zscore_norm、poisson_rate、binomial_ratio、fourier_terms、best_fit_dist
engine.py	BacktestEngine クラスと8種類の戦略関数です。	BacktestEngine、strategy_sma_crossover、strategy_rsi_cross、strategy_bbands_contrarian、strategy_growth_momentum_combo
backtesting.py	メイン CLI です。フルバックテスト、ウォーク、スイープ、最適化を実行します。	run、sweep、walkforward、montecarlo、optmpt、event、validate、bench
simulations.py	Johnson SU＋コピュラによる将来予測シミュレーションです。	marginal、copula、run、portfolio、scenarios
forward.py	リスク予測とストレステストです。	project、risk、stress、summary
distributions.py	分布のフィッティングと比較です。	fit、best_fit、compare_distributions、sample
copulas.py	コピュラのフィッティングとサンプリングです。	fit_t、fit_gaussian、sample_t、sample_gaussian、validate_copula
fundamental_ratios.py	ファンダメンタル分析の比率です。	income_metrics、valuation_metrics、dupont、altman_z、piotroski
validate.py	4段階の統合テストスイートです。	CLI、数学、エッジケース、回帰にわたる33項目のチェック

---

クイックスタート

基本的な比率

# Compute all 30+ ratios on a CSV of prices
py scripts/backtesting.py run --prices assets/sp500_returns.csv

# Compute with benchmark comparison
py scripts/backtesting.py run --prices assets/momentum_sma50_200_returns.csv --benchmark assets/sp500_returns.csv

検証（4段階のスイート）

# Full validation (33 checks across 4 levels)
py scripts/validate.py

# Single level
py scripts/validate.py --nivel 1

CLI モード、すべての比率の数学的整合性、エッジケースへの耐性、修正後の回帰を検証します。33項目のチェックの詳細については、references/VALIDATION.md を参照してください。

イベント駆動型バックテスト

# Load a CSV with OHLCV data and run SMA crossover
py scripts/backtesting.py event --data my_stock.csv --strategy sma_crossover --fast 50 --slow 200 --commission 0.001

パラメーターのスイープ

# 2D sweep over fast/slow MA windows
py scripts/backtesting.py sweep --prices assets/sp500_returns.csv --p1-min 10 --p1-max 100 --p1-step 10
# 2D over 2 parameters
py scripts/backtesting.py sweep --prices assets/sp500_returns.csv --p1-min 10 --p1-max 50 --p1-step 5 --p2-min 25 --p2-max 200 --p2-step 25

ウォークフォワード

py scripts/backtesting.py walkforward --prices assets/sp500_returns.csv --splits 5 --gap 21

Markowitz 最適化

py scripts/backtesting.py optmpt --assets assets/sp500_returns.csv --iterations 5000

将来予測シミュレーション

py scripts/simulations.py marginal --returns assets/sp500_returns.csv
py scripts/simulations.py copula --returns assets/sp500_returns.csv --df 4
py scripts/forward.py project --returns assets/sp500_returns.csv --horizon 252 --paths 10000 --drift 0.08
py scripts/forward.py risk --returns assets/sp500_returns.csv --horizon 252 --paths 10000

ポートフォリオシミュレーション

py scripts/simulations.py portfolio --name warren_buffett
py scripts/simulations.py scenarios --name warren_buffett --cagr -0.3,-0.15,0,0.2,0.35,0.5

---

ライブラリとして比率を使用する

from scripts.ratios import *

prices = np.array([100, 105, 102, 110, 108, 115])
r = linear_returns(prices)    # [0.05, -0.0286, 0.0784, -0.0182, 0.0648]
lr = log_returns(prices)      # [0.0488, -0.0290, 0.0755, -0.0183, 0.0628]

sharpe_ratio(r)               # 0.847
max_drawdown(prices)          # -0.0370
kelly_fraction(lr)            # 0.0793
var_all(r, alpha=0.05)        # {'empirical': ..., 'normal': ..., 'johnsonsu': ...}
profit_factor(lr)             # 2.314
payoff_ratio(lr)              # 1.578
rachev_c(lr, alpha=0.05)      # 1.234
common_sense_ratio(lr)        # 2.856

エンジンの使用

from scripts.engine import BacktestEngine

eng = BacktestEngine(initial_capital=1.0, commission=0.001, slippage=0.0005)
eng.load_data(df_ohlcv)
result = eng.run(strategy='sma_crossover', strategy_params={'fast': 50, 'slow': 200})

print(result['metrics']['sharpe_ratio'])     # 0.847
print(result['trades'])
print(result['metrics'])

---

依存関係

ライブラリ	必須	用途
numpy	✅	ベクトル化計算、配列、cumprod
pandas	✅	CSV 入出力、ローリング処理、DataFrame
scipy.stats	✅	分布フィッティング、KS 検定、コピュラ
statsmodels	任意	indicators.py の STL 分解（クラス5）

フル検証スイート（py scripts/validate.py）を実行するには、レベル4の回帰チェック用に pytest も必要です。

arch、quantlib、sklearn は不要です。

---

関連項目

• Gauss314 Skills Repository — 金融データ向けのその他のスキル
• references/BACKTESTING_THEORY.md — バックテストの概念的な枠組み（ES）
• references/RATIOS.md — 数式、リターンの規約、注意事項（ES）
• references/FEATURES.md — エッジを含む10クラスの指標の分類（ES）
• references/SIMULATIONS.md — Johnson SU + コピュラのパイプライン（ES）
• references/VALIDATION.md — 4段階の検証スイート（ES）
• references/OTHER_FEATURES.md — ファンダメンタル、センチメント、外生変数（ES）