Торговля акциями требует гибкости, особенно когда речь идет о тестировании стратегий технического анализа на прошлых данных. Я выбрал Python и библиотеки backtesting.py и aiomoex, потому что они позволяют анализировать рынок без сложных платформ и ограничений. Python дает свободу автоматизации, backtesting.py обеспечивает удобный и быстрый механизм тестирования стратегий, а aiomoex позволяет скачивать данные напрямую с Московской биржи без привязки к брокеру.
Важно, что backtesting.py получил обновление после четырех лет без обновлений, что делает его актуальным инструментом. И в отличие от MetaTrader, StockSharp, TSLab и Quik, которые работают с Московской биржей, но требуют Windows, если брокер имеет API, то можно запускать скрипт на любом сервере, включая облачные решения и Raspberry Pi.
В этой статье я протестирую самую свежую стратегию теханализа Джона Ф. Элерса (John Ehlers), направленную на устранение запаздывания скользящей средней. Разберемся, как её адаптировать к акциям Московской биржи и протестировать с помощью Python.
Новый индикатор Джона Элерса «устранение запаздывания скользящей средней»
Одна из главных проблем стандартных скользящих средних (SMA) — это запаздывание. Поскольку SMA рассчитывается как среднее за определенный период, её значение всегда отстает от реальной цены, что мешает своевременному входу в сделку.
Джон Элерс предложил решение — прогнозируемая скользящая средняя (PMA, Projected Moving Average). В отличие от обычных скользящих, PMA использует линейную регрессию для прогнозирования будущих значений, уменьшая лаг.
Формула PMA:PMA = SMA + Slope * Length / 2,
где Slope — наклон линии регрессии.
Дополнительно Элерс предложил прогнозировать саму PMA:PredictPMA = PMA + 0.5 (Slope - Slope[2]) Length
и наклон:PredictSlope = 1.5 Slope - 0.5 Slope[4].
Пересечения PredictPMA и PMA помогают находить точки входа и выхода, делая стратегию более адаптивной к изменениям рынка.
Стратегия на основе индикатора PMA Джона Ф. Элерса
Вход в длинную позицию:
– Цена закрытия на недельном графике выше 50-недельной PMA.
– Цена закрытия на дневном графике выше 50-дневной PMA.
– 10-дневная PMA выше 50-дневной.
Риск-менеджмент:
– Первоначальный стоп-лосс устанавливается на 10% ниже цены входа.
– Выход из позиции осуществляется по скользящему стопу на основе ATR.
Реализация бэктестинга через backtesting.py. Определение топ-20 акций по объему
Весь код представлен на GitHub.
Модуль data_loader.py
Для тестирования стратегии необходимо загружать актуальные данные о торгах.
В этом помогает библиотека aiomoex, которая предоставляет API-доступ к Московской бирже. В модуле data_loader.py реализована функция fetch_moex_data, позволяющая асинхронно получать исторические данные по свечам.
Функция запрашивает данные за последние 1825 дней (примерно 5 лет) и конвертирует их в формат Pandas DataFrame. Особенность реализации — использование асинхронного HTTP-клиента aiohttp, что ускоряет загрузку. Данные приводятся к удобному формату: преобразуются даты, устанавливается индекс, а названия колонок заменяются на стандартные для анализа.
Фильтрация ликвидных бумаг для тестирования. Модуль scanner.py
После загрузки данных важно отобрать ликвидные бумаги. Для этого в модуле scanner.py реализована функция get_top_20_stocks, которая анализирует объем торгов за последние 14 дней и выделяет 20 наиболее ликвидных акций.
Алгоритм работы следующий:
Получение списка всех торгуемых акций на основном рынке (TQBR) через API Московской биржи.
Асинхронная загрузка дневных данных по каждому инструменту с помощью fetch_moex_data.
Расчет суммарного объема торгов за 14 дней.
Формирование списка из 20 акций с наибольшим объемом.
Таким образом, отбираются бумаги с высоким оборотом, что повышает надежность тестирования стратегии и снижает риск торговли неликвидными активами.
Реализация бэктестинга через backtesting.py. Тестирование стратегии на исторических данных
Зачем всё разделил на модули?
Разделение кода на модули делает его более удобным для сопровождения, масштабирования и переиспользования. В нашем случае:
data_loader.py отвечает за загрузку данных с Московской биржи.
scanner.py фильтрует ликвидные бумаги.
backtester.py выполняет бэктестинг.
strategy.py содержит описание стратегии.
main.py запускает сканирование и тестирование
Такой подход позволяет независимо модифицировать и тестировать каждый компонент системы.
Пример кода для бэктестинга с использованием backtesting.py
import asyncio import pandas as pd from backtesting import Backtest from data_loader import fetch_moex_data from strategy import LongOnlyPMAMultiTimeframeATRTrailingStop async def run_backtest(ticker): print(f"\n{'='*50}") print(f"🚀 Запуск бэктеста для {ticker}") print(f"{'='*50}\n") # Получаем данные df, start_str, end_str = await fetch_moex_data(ticker) # Получаем start_str и end_str # Запускаем бэктест print("⏳ Запуск бэктеста...") strategy_class = LongOnlyPMAMultiTimeframeATRTrailingStop # Класс стратегии остается прежним strategy_name = f"{ticker}_{start_str}_{end_str}_LongOnlyPMAMultiTimeframeATRTrailingStop" # Динамическое имя DynamicStrategyClass = type(strategy_name, (strategy_class,), {}) # Создаем динамический класс стратегии bt = Backtest(df, DynamicStrategyClass, cash=100_000, commission=0.002) # Используем динамический класс stats = bt.run() # Вывод результатов print("\n📊 Результаты бэктеста:") print(f"⚙️ Стратегия: {strategy_name}") # Выводим динамическое имя стратегии print(f"📅 Период тестирования: с {stats['Start']} по {stats['End']}") print(f"💰 Начальный капитал: 100,000 руб.") print(f"💵 Конечный капитал: {stats['Equity Final [$]']:.2f} руб.") print(f"📈 Общая доходность: {stats['Return [%]']:.2f}%") print(f"📊 Годовая доходность: {stats['Return (Ann.) [%]']:.2f}%") print(f"📈 Коэффициент Шарпа: {stats['Sharpe Ratio']:.2f}") print(f"📉 Максимальная просадка: {stats['Max. Drawdown [%]']:.2f}%") print(f"🔄 Количество сделок: {stats['# Trades']}") print(f"✅ Процент выигрышных сделок: {stats['Win Rate [%]']:.2f}%") print(f"💪 Лучшая сделка: +{stats['Best Trade [%]']:.2f}%") print(f"🙁 Худшая сделка: {stats['Worst Trade [%]']:.2f}%") print(f"⏱️ Средняя продолжительность сделки: {stats['Avg. Trade Duration']}") # Построение графика print("\n📊 Построение графика результатов...") try: bt.plot() print("✅ График успешно построен!") except ValueError as e: print(f"❌ Ошибка при построении графика: {e}") print(f"\n{'='*50}") print(f"🏁 Бэктест для {ticker} завершен") print(f"{'='*50}\n") return stats
Основные метрики оценки
Для оценки стратегии используются ключевые метрики:
Общая доходность (%) — показывает, сколько стратегия заработала за весь период тестирования.
Годовая доходность (%) — усреднённый годовой прирост капитала.
Коэффициент Шарпа — измеряет соотношение доходности к риску.
Максимальная просадка (%) — определяет максимальную потерю капитала.
Процент выигрышных сделок.
Средняя продолжительность сделки.
Эти показатели позволяют оценить эффективность стратегии и принять решение о её использовании в реальной торговле.
Результаты тестирования на акциях Московской биржи
Как положительные, так и отрицательные. Примеры в html файлах на GitHub'е.
СПБ Биржа (тикер SPBE):
Результаты бэктеста: Стратегия: SPBE_2020-03-03_2025-03-02_LongOnlyPMAMultiTimeframeATRTrailingStop Период тестирования: с 2021-11-19 00:00:00 по 2025-03-01 00:00:00 Начальный капитал: 100,000 руб. Конечный капитал: 349138.97 руб. Общая доходность: 249.14% Годовая доходность: 47.34% Коэффициент Шарпа: 0.80 Максимальная просадка: -27.41% Количество сделок: 11 Процент выигрышных сделок: 54.55% Лучшая сделка: +36.56% Худшая сделка: -8.31% Средняя продолжительность сделки: 25 days 00:00:00
Новатэк ао (тикер NVTK):
Результаты бэктеста: Стратегия: NVTK_2020-03-03_2025-03-02_LongOnlyPMAMultiTimeframeATRTrailingStop Период тестирования: с 2020-03-03 00:00:00 по 2025-03-01 00:00:00 Начальный капитал: 100,000 руб. Конечный капитал: 94443.56 руб. Общая доходность: -5.56% Годовая доходность: -1.15% Коэффициент Шарпа: -0.07 Максимальная просадка: -38.70% Количество сделок: 22 Процент выигрышных сделок: 27.27% Лучшая сделка: +18.55% Худшая сделка: -10.78% Средняя продолжительность сделки: 23 days 00:00:00
Проблема учета смены лидеров по объему
Мой код отдельно тестирует каждую акцию из топ-20 на момент отбора (на сегодня). Однако он не учитывает смену лидеров по объему и не позволяет работать с единой корзиной акций, где позиции могут удерживаться даже после выпадения бумаги из топ-20. Это важно, потому что иначе стратегия теряет контекст уже открытых сделок.
Решение - создание скользящего портфеля, учитывающего смену лидеров - это стратегия, при которой состав портфеля регулярно пересматривается и обновляется на основе новых данных.
Следующие шаги
Фиксированный список топ-акций по объему устаревает. Использование динамического реестра позволит оперативно учитывать смену лидеров, корректируя состав активных позиций в стратегии.
Библиотека ta-lib мне не очень понравилась из-за сложностей с установкой - проще переписать индикатор вручную в будущем.
Получится ли реализовать это через backtesting.py? Скорее всего вряд ли.
Скорее всего придётся вернутся к Backtrader.
Заключение
Тестирование стратегии на акциях Мосбиржи показало её стабильную эффективность при использовании индикатора PMA на дневных свечах.
Python доказал свою ценность в алгоритмической торговле, обеспечивая гибкость и автоматизацию. Однако backtesting.py имеет ограничения.
Автор: Михаил Шардин
🔗 Моя онлайн-визитка
📢 Telegram «Умный Дом Инвестора»
11 марта 2025 г.
