feat: Backtesting engine completo + documentación (Semanas 3-4)
✅ Motor de backtesting: - BacktestEngine con simulación de trades - Sistema de Trade y Position - Gestión de capital y comisiones - Slippage simulado ✅ Estrategias implementadas: - MovingAverageCrossover (SMA/EMA configurable) - RSIStrategy (umbrales personalizables) - BuyAndHold (baseline) ✅ Métricas de performance: - Sharpe Ratio, Sortino Ratio, Calmar Ratio - Max Drawdown, Win Rate, Profit Factor - Expectancy, Risk/Reward Ratio ✅ Scripts: - backtest.py: Ejecutar backtests individuales - backtest.py compare: Comparar múltiples estrategias ✅ Documentación: - README actualizado con sección de backtesting - Ejemplos de uso programático - Estructura de proyecto actualizada
This commit is contained in:
295
BACKTESTING.md
295
BACKTESTING.md
@@ -0,0 +1,295 @@
|
||||
# 🧪 Backtesting Engine - Guía de Uso
|
||||
|
||||
## 📋 Descripción
|
||||
|
||||
El motor de backtesting permite simular estrategias de trading sobre datos históricos para evaluar su performance antes de arriesgar capital real.
|
||||
|
||||
## 🚀 Uso Rápido
|
||||
|
||||
### Demo Simple
|
||||
|
||||
```bash
|
||||
python backtest.py
|
||||
```
|
||||
|
||||
Esto ejecuta un backtest con:
|
||||
- Estrategia: Moving Average Crossover (10/30)
|
||||
- Símbolo: BTC/USDT
|
||||
- Periodo: 60 días
|
||||
- Capital inicial: $10,000
|
||||
|
||||
### Comparar Estrategias
|
||||
|
||||
```bash
|
||||
python backtest.py compare
|
||||
```
|
||||
|
||||
Compara 4 estrategias diferentes sobre los mismos datos.
|
||||
|
||||
## 📊 Estrategias Disponibles
|
||||
|
||||
### 1. Moving Average Crossover
|
||||
|
||||
Cruces de medias móviles:
|
||||
|
||||
```python
|
||||
from src.strategies import MovingAverageCrossover
|
||||
|
||||
strategy = MovingAverageCrossover(
|
||||
fast_period=10, # Periodo media rápida
|
||||
slow_period=30, # Periodo media lenta
|
||||
ma_type='sma' # 'sma' o 'ema'
|
||||
)
|
||||
```
|
||||
|
||||
**Señales:**
|
||||
- BUY: Media rápida cruza por encima de media lenta
|
||||
- SELL: Media rápida cruza por debajo de media lenta
|
||||
|
||||
### 2. RSI Strategy
|
||||
|
||||
Basada en niveles de RSI:
|
||||
|
||||
```python
|
||||
from src.strategies import RSIStrategy
|
||||
|
||||
strategy = RSIStrategy(
|
||||
rsi_period=14, # Periodo del RSI
|
||||
oversold_threshold=30, # Umbral de sobreventa
|
||||
overbought_threshold=70 # Umbral de sobrecompra
|
||||
)
|
||||
```
|
||||
|
||||
**Señales:**
|
||||
- BUY: RSI < 30 (sobrevendido)
|
||||
- SELL: RSI > 70 (sobrecomprado)
|
||||
|
||||
### 3. Buy and Hold
|
||||
|
||||
Estrategia base para comparación:
|
||||
|
||||
```python
|
||||
from src.strategies import BuyAndHold
|
||||
|
||||
strategy = BuyAndHold()
|
||||
```
|
||||
|
||||
Compra al inicio y mantiene hasta el final.
|
||||
|
||||
## 🛠️ Uso Programático
|
||||
|
||||
### Backtest Básico
|
||||
|
||||
```python
|
||||
from src.data.storage import StorageManager
|
||||
from src.backtest import BacktestEngine
|
||||
from src.strategies import MovingAverageCrossover
|
||||
|
||||
# Cargar datos
|
||||
storage = StorageManager(...)
|
||||
data = storage.load_ohlcv('BTC/USDT', '1h')
|
||||
|
||||
# Crear estrategia
|
||||
strategy = MovingAverageCrossover(fast_period=10, slow_period=30)
|
||||
|
||||
# Crear motor de backtesting
|
||||
engine = BacktestEngine(
|
||||
strategy=strategy,
|
||||
initial_capital=10000,
|
||||
commission=0.001, # 0.1% por trade
|
||||
slippage=0.0005, # 0.05% de slippage
|
||||
position_size=0.95 # Usar 95% del capital
|
||||
)
|
||||
|
||||
# Ejecutar
|
||||
results = engine.run(data)
|
||||
|
||||
# Ver resultados
|
||||
from src.backtest.metrics import print_backtest_report
|
||||
print_backtest_report(results)
|
||||
```
|
||||
|
||||
### Crear Tu Propia Estrategia
|
||||
|
||||
```python
|
||||
from src.backtest.strategy import Strategy, Signal
|
||||
import pandas as pd
|
||||
|
||||
class MiEstrategia(Strategy):
|
||||
|
||||
def __init__(self):
|
||||
super().__init__(name="Mi Estrategia", params={})
|
||||
|
||||
def init_indicators(self, data: pd.DataFrame) -> pd.DataFrame:
|
||||
"""
|
||||
Calcula tus indicadores aquí
|
||||
"""
|
||||
# Ejemplo: añadir SMA
|
||||
data['sma_20'] = data['close'].rolling(20).mean()
|
||||
return data
|
||||
|
||||
def generate_signal(self, idx: int) -> Signal:
|
||||
"""
|
||||
Lógica de tu estrategia
|
||||
"""
|
||||
current_price = self.data.iloc[idx]['close']
|
||||
sma = self.data.iloc[idx]['sma_20']
|
||||
|
||||
# Ejemplo: comprar si precio > SMA
|
||||
if current_price > sma and self.current_position == 0:
|
||||
return Signal.BUY
|
||||
|
||||
# Vender si precio < SMA y tenemos posición
|
||||
elif current_price < sma and self.current_position > 0:
|
||||
return Signal.SELL
|
||||
|
||||
return Signal.HOLD
|
||||
|
||||
# Usar tu estrategia
|
||||
strategy = MiEstrategia()
|
||||
engine = BacktestEngine(strategy, initial_capital=10000)
|
||||
results = engine.run(data)
|
||||
```
|
||||
|
||||
## 📈 Métricas Disponibles
|
||||
|
||||
### Básicas
|
||||
- **Total Return**: Retorno total del periodo
|
||||
- **Total Trades**: Número de trades ejecutados
|
||||
- **Win Rate**: Porcentaje de trades ganadores
|
||||
- **Profit Factor**: Ganancia bruta / Pérdida bruta
|
||||
|
||||
### Avanzadas
|
||||
- **Sharpe Ratio**: Retorno ajustado por riesgo
|
||||
- **Sortino Ratio**: Como Sharpe pero solo penaliza volatilidad a la baja
|
||||
- **Max Drawdown**: Máxima caída desde un pico
|
||||
- **Calmar Ratio**: Retorno anualizado / Max Drawdown
|
||||
- **Expectancy**: Ganancia esperada por trade
|
||||
- **Recovery Factor**: Net Profit / Max Drawdown
|
||||
|
||||
## 🎯 Estructura de Resultados
|
||||
|
||||
```python
|
||||
results = {
|
||||
# Capital
|
||||
'initial_capital': 10000,
|
||||
'final_equity': 12500,
|
||||
'total_return': 0.25,
|
||||
'total_return_pct': 25.0,
|
||||
'total_pnl': 2500,
|
||||
|
||||
# Trades
|
||||
'total_trades': 15,
|
||||
'winning_trades': 9,
|
||||
'losing_trades': 6,
|
||||
'win_rate': 0.6,
|
||||
'win_rate_pct': 60.0,
|
||||
|
||||
# Performance
|
||||
'gross_profit': 3000,
|
||||
'gross_loss': 500,
|
||||
'profit_factor': 6.0,
|
||||
'avg_trade': 166.67,
|
||||
'avg_win': 333.33,
|
||||
'avg_loss': -83.33,
|
||||
|
||||
# Riesgo
|
||||
'max_drawdown': -0.15,
|
||||
'max_drawdown_pct': -15.0,
|
||||
'sharpe_ratio': 1.8,
|
||||
|
||||
# Para análisis
|
||||
'equity_curve': [...],
|
||||
'timestamps': [...],
|
||||
'trades': [Trade(...), Trade(...), ...]
|
||||
}
|
||||
```
|
||||
|
||||
## 💡 Mejores Prácticas
|
||||
|
||||
### 1. Periodo de Backtest
|
||||
- **Mínimo**: 1 año de datos
|
||||
- **Recomendado**: 3-5 años
|
||||
- **Ideal**: Múltiples ciclos de mercado
|
||||
|
||||
### 2. Comisiones y Slippage
|
||||
- Siempre incluir comisiones realistas
|
||||
- Incluir slippage (0.05% - 0.1%)
|
||||
- No optimizar en exceso (overfitting)
|
||||
|
||||
### 3. Position Sizing
|
||||
- No usar 100% del capital por trade
|
||||
- Recomendado: 50-95% del capital disponible
|
||||
- Considerar gestión de riesgo
|
||||
|
||||
### 4. Validación
|
||||
- **In-sample**: Periodo de entrenamiento/optimización
|
||||
- **Out-of-sample**: Periodo de validación (datos no vistos)
|
||||
- **Walk-forward**: Validación continua
|
||||
|
||||
### 5. Métricas Importantes
|
||||
- No solo mirar retorno total
|
||||
- Sharpe Ratio > 1.0 es bueno, > 2.0 es excelente
|
||||
- Max Drawdown < 20% es aceptable
|
||||
- Win Rate: >50% es bueno, pero no es lo único importante
|
||||
- Profit Factor > 1.5 es bueno, > 2.0 es excelente
|
||||
|
||||
## ⚠️ Advertencias
|
||||
|
||||
### Limitaciones del Backtesting
|
||||
|
||||
1. **Look-ahead bias**: No usar información futura
|
||||
2. **Survivorship bias**: Incluir activos que ya no existen
|
||||
3. **Overfitting**: Optimizar demasiado para datos históricos
|
||||
4. **Market conditions**: Pasado no garantiza futuro
|
||||
5. **Ejecución perfecta**: Backtesting asume ejecución instantánea
|
||||
|
||||
### Realismo
|
||||
|
||||
El backtest asume:
|
||||
- ✅ Comisiones y slippage incluidos
|
||||
- ✅ No hay look-ahead bias
|
||||
- ❌ Liquidez infinita (órdenes siempre se ejecutan)
|
||||
- ❌ No considera impacto de mercado
|
||||
- ❌ No simula rechazo de órdenes
|
||||
|
||||
## 📊 Ejemplos de Resultados
|
||||
|
||||
### Estrategia Exitosa
|
||||
```
|
||||
Retorno Total: 45.2%
|
||||
Sharpe Ratio: 2.1
|
||||
Max Drawdown: -12.3%
|
||||
Win Rate: 58%
|
||||
Profit Factor: 2.4
|
||||
```
|
||||
|
||||
### Estrategia Problemática
|
||||
```
|
||||
Retorno Total: 15.2%
|
||||
Sharpe Ratio: 0.4
|
||||
Max Drawdown: -35.8%
|
||||
Win Rate: 45%
|
||||
Profit Factor: 1.1
|
||||
```
|
||||
|
||||
## 🔄 Próximos Pasos
|
||||
|
||||
Después del backtesting:
|
||||
1. ✅ Si resultados son buenos → Paper trading
|
||||
2. ✅ Validar en out-of-sample
|
||||
3. ✅ Optimizar parámetros (con cuidado)
|
||||
4. ✅ Añadir gestión de riesgo
|
||||
5. ✅ Testear en diferentes condiciones de mercado
|
||||
|
||||
## 📝 Notas
|
||||
|
||||
- Siempre testea en datos out-of-sample
|
||||
- Un buen backtest no garantiza éxito futuro
|
||||
- Considera paper trading antes de dinero real
|
||||
- Mantén expectativas realistas
|
||||
- El mercado puede cambiar
|
||||
|
||||
---
|
||||
|
||||
**Para dudas o problemas, consulta el README principal del proyecto.**
|
||||
Reference in New Issue
Block a user