Construindo Backtesting de Estratégias de Trading em Python
Com Python, podemos implementar backtests de forma flexível, analisando ações, ETFs, criptomoedas ou qualquer ativo com histórico de preços.
1. Por que o Backtesting é Importante
Validação da estratégia: saber se a abordagem funciona em condições históricas.
Medição de risco: identificar drawdowns, volatilidade e perda máxima.
Aprimoramento contínuo: ajustar parâmetros como médias móveis ou stop-loss.
Evitar vieses: reduzir decisões emocionais e testar objetivamente regras de trading.
2. Preparando o Ambiente
Instale as bibliotecas necessárias:
pip install pandas numpy matplotlib yfinance
pandas → manipulação de dados.
numpy → cálculos matemáticos.
matplotlib → visualização de gráficos.
yfinance → download de dados históricos.
3. Coletando Dados Históricos
Vamos usar ações brasileiras (PETR4) como exemplo.
import yfinance as yf
import pandas as pd
dados = yf.download("PETR4.SA", start="2022-01-01", end="2023-12-31")
dados = dados[["Open", "High", "Low", "Close", "Volume"]]
print(dados.head())
4. Definindo uma Estratégia de Trading
Vamos usar uma estratégia clássica de cruzamento de médias móveis:
Média Móvel Curta (MM20) → rápido sinal de tendência.
Média Móvel Longa (MM50) → confirmação da tendência.
Regra de Compra: MM20 cruza acima da MM50.
Regra de Venda: MM20 cruza abaixo da MM50.
dados["MM20"] = dados["Close"].rolling(window=20).mean()
dados["MM50"] = dados["Close"].rolling(window=50).mean()
5. Gerando Sinais de Compra e Venda
dados["Sinal"] = 0
dados.loc[dados["MM20"] > dados["MM50"], "Sinal"] = 1 # Comprar
dados.loc[dados["MM20"] < dados["MM50"], "Sinal"] = -1 # Vender
print(dados[["Close", "MM20", "MM50", "Sinal"]].tail(10))
📌 Sinal 1 = posição comprada, -1 = posição vendida, 0 = neutro.
6. Calculando Retornos da Estratégia
dados["Retorno_Diario"] = dados["Close"].pct_change()
dados["Retorno_Estrategia"] = dados["Retorno_Diario"] * dados["Sinal"].shift(1)
# Acumulado
dados["Retorno_Acumulado"] = (1 + dados["Retorno_Estrategia"]).cumprod()
dados["Benchmark"] = (1 + dados["Retorno_Diario"]).cumprod()
7. Visualizando Resultados
import matplotlib.pyplot as plt
plt.figure(figsize=(12,6))
plt.plot(dados["Retorno_Acumulado"], label="Estratégia MM20x50")
plt.plot(dados["Benchmark"], label="Benchmark (Buy & Hold)")
plt.title("Backtesting - Retorno Acumulado")
plt.xlabel("Data")
plt.ylabel("Retorno")
plt.legend()
plt.show()
📌 Esse gráfico permite comparar a performance da estratégia versus apenas comprar e manter o ativo.
8. Métricas de Performance
Além do retorno, é importante calcular métricas de risco:
# Retorno total
retorno_total = dados["Retorno_Acumulado"].iloc[-1] - 1
# Volatilidade anualizada
vol = dados["Retorno_Estrategia"].std() * (252**0.5)
# Drawdown máximo
dados["Roll_Max"] = dados["Retorno_Acumulado"].cummax()
dados["Drawdown"] = dados["Roll_Max"] - dados["Retorno_Acumulado"]
drawdown_max = dados["Drawdown"].max()
print("Retorno total:", round(retorno_total*100,2), "%")
print("Volatilidade anualizada:", round(vol*100,2), "%")
print("Drawdown máximo:", round(drawdown_max*100,2), "%")
📌 Com isso, sabemos não apenas quanto a estratégia poderia render, mas quão arriscada ela seria.
9. Estratégias Mais Complexas
Com Python, podemos expandir o backtesting para:
Médias móveis múltiplas (MM10, MM20, MM50).
Indicadores técnicos (RSI, MACD, Bandas de Bollinger).
Stop-loss e Take-profit automatizados.
Portfólios multiativos e alocação dinâmica.
Simulações Monte Carlo para estimar cenários futuros de performance.
Exemplo de stop-loss simples:
stop_loss = 0.05 # 5%
dados["Retorno_Estrategia_Stop"] = dados["Retorno_Estrategia"].apply(
lambda x: -stop_loss if x < -stop_loss else x
)
10. Boas Práticas em Backtesting
Evitar Lookahead Bias: não usar informações futuras para decisões passadas.
Separar dados: treino e teste, evitando overfitting.
Simular custos e slippage: corretagens, spreads e atrasos impactam resultados reais.
Testar diferentes parâmetros: otimização de médias móveis, stop-loss, etc.
Usar frameworks profissionais:
backtrader,zipline,btpara backtests mais avançados e robustos.
11. Conclusão
O backtesting em Python permite simular estratégias de trading de forma sistemática e confiável.
Começamos com uma estratégia simples de cruzamento de médias móveis.
Calculamos retornos diários, acumulados e métricas de risco.
Visualizamos performance e comparamos com buy & hold.
Python oferece ferramentas para expandir o backtesting, incorporando indicadores avançados, portfólios múltiplos e gestão de risco automatizada.
Backtesting bem feito é fundamental para validar ideias de trading antes de investir capital real, aumentando a chance de sucesso e reduzindo perdas inesperadas.
Comentários
Postar um comentário