vectorbt

vectorbt によるベクトル化バックテスト

概要

vectorbt は、ベクトル化バックテスト用の Python ライブラリです。バーごとのループではなく、NumPy／pandas の配列演算を使って戦略シミュレーションを実行します。そのため、イベント駆動型フレームワーク（backtrader、zipline）よりも 100～1000 倍高速で、数千通りの組み合わせに対するパラメーター最適化を数秒で実行できます。

主な強み：

• NumPy のベクトル化による圧倒的な速度
• パラメーターのグリッド検索と最適化を標準搭載
• 50 種類以上の組み込みパフォーマンス指標（シャープレシオ、ソルティノレシオ、カルマーレシオ、最大ドローダウン、プロフィットファクター）
• 豊富なプロット機能（資産曲線、ドローダウン、取引マーカー、ヒートマップ）
• pandas とネイティブに統合されているため、データはすべて DataFrame のまま扱えます

インストール

uv pip install vectorbt pandas numpy

vectorbt は pandas、NumPy、Plotly を自動的にインストールします。テクニカル指標を使う場合は、pandas-ta もインストールしてください。

uv pip install vectorbt pandas-ta

基本概念

1. シグナル — ブール値のエントリー／エグジット配列

vectorbt の戦略は、ポジションへのエントリーとエグジットを行うタイミングを示す、ブール値の pandas Series（または配列）で表します。

import vectorbt as vbt
import pandas as pd

# Entry: buy when fast EMA crosses above slow EMA
entries = fast_ema > slow_ema
# Exit: sell when fast EMA crosses below slow EMA
exits = fast_ema < slow_ema

vectorbt は競合するシグナルを自動的に処理します（すでにポジションを保有している間はエントリーできません）。

2. Portfolio — バックテストエンジン

vbt.Portfolio.from_signals() は、主要なバックテスト関数です。価格データとエントリー／エグジットのシグナルを受け取り、取引をシミュレーションしてパフォーマンスを計算します。

pf = vbt.Portfolio.from_signals(
    close=close_prices,
    entries=entries,
    exits=exits,
    init_cash=10_000,
    fees=0.003,       # 0.3% per trade
    slippage=0.005,   # 0.5% slippage
    freq="1h",        # hourly data
)

3. 指標 — 組み込みのパフォーマンス分析

# Full stats summary
print(pf.stats())

# Individual metrics
print(f"Total Return: {pf.total_return():.2%}")
print(f"Sharpe Ratio: {pf.sharpe_ratio():.3f}")
print(f"Max Drawdown: {pf.max_drawdown():.2%}")
print(f"Win Rate:     {pf.trades.win_rate():.2%}")

4. パラメーター最適化 — 数秒で実行できるグリッド検索

スカラーの代わりに配列を渡すと、多数のパラメーターの組み合わせを同時にテストできます。

import numpy as np

fast_periods = np.arange(5, 25, 2)   # 10 values
slow_periods = np.arange(20, 60, 5)  # 8 values

fast_ma = vbt.MA.run(close, fast_periods, short_name="fast")
slow_ma = vbt.MA.run(close, slow_periods, short_name="slow")

# This creates 80 parameter combinations automatically
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

基本的なワークフロー

ステップ 1：OHLCV データを読み込む

import pandas as pd

# From CSV
df = pd.read_csv("ohlcv.csv", parse_dates=["timestamp"], index_col="timestamp")
close = df["close"]

# From Yahoo Finance (traditional markets)
btc = vbt.YFData.download("BTC-USD", start="2023-01-01", end="2025-01-01")
close = btc.get("Close")

Solana トークンの場合は、birdeye-api スキルを使ってデータを取得し、DataFrame に読み込みます。

ステップ 2：指標を計算する

import pandas_ta as ta

# Using pandas-ta (see pandas-ta skill)
df.ta.ema(length=12, append=True)
df.ta.ema(length=26, append=True)
df.ta.rsi(length=14, append=True)
df.ta.bbands(length=20, std=2, append=True)

# Or using vectorbt built-ins
rsi = vbt.RSI.run(close, window=14)
bbands = vbt.BBANDS.run(close, window=20, alpha=2)

ステップ 3：エントリー／エグジットのシグナルを生成する

# EMA crossover
entries = df["EMA_12"] > df["EMA_26"]
exits = df["EMA_12"] < df["EMA_26"]

# RSI mean reversion
entries = rsi.rsi_below(30)
exits = rsi.rsi_above(70)

ステップ 4：バックテストを実行する

pf = vbt.Portfolio.from_signals(
    close=close,
    entries=entries,
    exits=exits,
    init_cash=10_000,
    fees=0.003,
    slippage=0.005,
    size=0.95,               # use 95% of available cash
    size_type="percent",
    freq="1h",
)

ステップ 5：結果を分析する

# Summary statistics
print(pf.stats())

# Trade-level analysis
trades = pf.trades.records_readable
print(f"\nTrade count: {len(trades)}")
print(f"Avg holding period: {trades['Duration'].mean()}")

# Equity curve
pf.plot().show()

# Drawdown chart
pf.drawdowns.plot().show()

主な Portfolio パラメーター

パラメーター	説明	例
close	価格系列（pd.Series または DataFrame）	df["close"]
entries	ブール値のエントリーシグナル	fast > slow
exits	ブール値のエグジットシグナル	fast < slow
init_cash	初期資金	10_000
fees	取引ごとの手数料（割合）	0.003 (0.3%)
slippage	取引ごとのスリッページ（割合）	0.005 (0.5%)
size	ポジションサイズ	0.95
size_type	サイズの解釈方法	"percent", "amount", "value"
freq	データ頻度	"1h", "4h", "1d"
direction	取引方向	"both", "longonly", "shortonly"
accumulate	ポジションの追加を許可するか	False
sl_stop	損切り水準（割合）	0.05 (5%)
tp_stop	利益確定水準（割合）	0.10 (10%)

パフォーマンス指標

リターン

• total_return() — 期間全体の累積リターン
• annualized_return() — 年率換算の複利リターン
• daily_returns() — 日次リターンの Series

リスク

• max_drawdown() — ピークからボトムまでの最大下落率
• annualized_volatility() — リターンの年率換算標準偏差
• value_at_risk() — 指定した信頼水準での VaR

リスク調整後指標

• sharpe_ratio() — ボラティリティ 1 単位あたりの超過リターン
• sortino_ratio() — 下方偏差 1 単位あたりの超過リターン
• calmar_ratio() — 年率リターン / 最大ドローダウン
• omega_ratio() — 確率で重み付けした利益／損失比率

取引統計

• trades.win_rate() — 利益が出た取引の割合
• trades.profit_factor() — 総利益 / 総損失
• trades.expectancy() — 取引あたりの平均損益
• trades.avg_winning_trade() — 勝ち取引の平均利益
• trades.avg_losing_trade() — 負け取引の平均損失
• trades.count() — 完了した取引の合計数

パラメーター最適化

グリッド検索

fast_windows = [5, 8, 12, 15, 20]
slow_windows = [20, 26, 30, 40, 50]

# Run all 25 combos at once
fast_ma = vbt.MA.run(close, fast_windows, short_name="fast")
slow_ma = vbt.MA.run(close, slow_windows, short_name="slow")

entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.003)

# Find best params by Sharpe
sharpe = pf.sharpe_ratio()
best_idx = sharpe.idxmax()
print(f"Best params: {best_idx}, Sharpe: {sharpe[best_idx]:.3f}")

ウォークフォワード検証

最適化したパラメーターは、必ずアウトオブサンプルデータで検証してください。

# Split: 70% train, 30% test
split_idx = int(len(close) * 0.7)
train_close = close.iloc[:split_idx]
test_close = close.iloc[split_idx:]

# Optimize on training data
# ... (run grid search on train_close)

# Validate best params on test data
# ... (run single backtest on test_close with best params)

ウォークフォワードの手法と過剰適合の防止について詳しくは、references/optimization_guide.md を参照してください。

暗号資産特有の考慮事項

24 時間 365 日の市場

暗号資産市場は休場しません。営業日ベースの頻度ではなく、時間単位または分単位の頻度を使用してください。

# Correct for crypto
pf = vbt.Portfolio.from_signals(close, entries, exits, freq="1h")

# Wrong — business days assume market closures
# pf = vbt.Portfolio.from_signals(close, entries, exits, freq="1B")

現実的な手数料

Solana の DEX スワップでは、AMM 手数料を含めて通常 0.25～1％の手数料がかかります。CEX の現物取引手数料は 0.05～0.1％です。

# Solana DEX (conservative)
pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.005)

# CEX spot
pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.001)

スリッページ

流動性の低いトークンでは、スリッページが 1～5％になることがあります。必ずこれをモデルに反映してください。

# High-liquidity (SOL, ETH): 0.1–0.5%
pf = vbt.Portfolio.from_signals(close, entries, exits, slippage=0.003)

# Low-liquidity memecoins: 1–3%
pf = vbt.Portfolio.from_signals(close, entries, exits, slippage=0.02)

短い履歴

多くのトークンのデータは 1 年未満です。短いサンプルから指標を年率換算する場合は注意してください。

一般的な戦略パターン

EMA クロスオーバー

fast = vbt.MA.run(close, 12, short_name="fast")
slow = vbt.MA.run(close, 26, short_name="slow")
entries = fast.ma_crossed_above(slow)
exits = fast.ma_crossed_below(slow)

RSI 平均回帰

rsi = vbt.RSI.run(close, 14)
entries = rsi.rsi_crossed_below(30)
exits = rsi.rsi_crossed_above(70)

ボリンジャーバンドのブレイクアウト

bb = vbt.BBANDS.run(close, window=20, alpha=2)
entries = close > bb.upper
exits = close < bb.lower

損切りと利益確定

pf = vbt.Portfolio.from_signals(
    close, entries, exits,
    sl_stop=0.05,    # 5% stop-loss
    tp_stop=0.10,    # 10% take-profit
)

関連スキル

• pandas-ta — テクニカル指標の計算（vectorbt のシグナルに利用）
• birdeye-api — バックテスト用に Solana トークンの OHLCV データを取得
• trading-visualization — バックテスト結果の高度なチャート生成
• portfolio-analytics — ポートフォリオレベルでのより詳細なリスク／リターン分析
• position-sizing — 最適なポジションサイズを決定する方法
• risk-management — ポートフォリオレベルのリスク制御
• regime-detection — 適応型戦略のための市場レジームの把握

ファイル

参考資料

• references/api_guide.md — Portfolio、指標、プロット、データ読み込みに関する vectorbt API の完全なリファレンス
• references/optimization_guide.md — グリッドサーチ、ウォークフォワード検証、過学習の防止、最適化のベストプラクティス

スクリプト

• scripts/backtest_example.py — 合成データを使用した 3 つの戦略のバックテスト比較（EMA クロスオーバー、RSI 平均回帰、ボリンジャーブレイクアウト）
• scripts/parameter_sweep.py — ウォークフォワード検証を用いた EMA クロスオーバーのパラメーターグリッドサーチ