Python do backtestowania strategii forex — stos, cykl, pułapki

Strategy Tester w MT5 wystarcza dopóki strategia mieści się w jego logice — proste reguły wejścia, jeden instrument, brak obróbki danych makro. Gdy zaczynasz robić coś bardziej autorskiego, MT5 robi się ciasny, a okazuje się, że społeczność systematyczna od lat trzyma swoje testy w Pythonie. Powód jest prosty: pełna kontrola nad regułami, biblioteki statystyczne klasy naukowej, dowolne źródła danych w jednym skrypcie i pętla badawcza, w której między pomysłem a krzywą kapitału mija kilkanaście minut.

Dlaczego ludzie odchodzą od Strategy Testera

Strategy Tester radzi sobie z optymalizacją jednego eksperta na jednej parze i jednym okresie — i tam się kończy. Próby wpięcia danych spoza brokera, łączenia kilku par w jeden sygnał czy policzenia Sharpe'a obok rozkładu drawdownu wymagają ręcznego klejenia plików w Excelu. Python zamyka to w jednym skrypcie: dane z brokera idą do `pandas`, dane makro dokładasz tym samym `merge`, a metryki ryzyka liczy biblioteka pisana przez akademików. Tło o automatyzacji rzemiosła leży w artykule o pierwszych krokach w handlu algorytmicznym; jeśli wahasz się między ekosystemem MetaQuotes a Pythonem, kontekst daje porównanie botów MQL5 i Pythona.

Stos narzędzi — co składa się na typowy projekt

Praktyczny stos jest krótki. Do danych służą `pandas` i `numpy` — pierwszy odpowiada za szeregi czasowe i resampling z M1 na H1, drugi za szybką arytmetykę wektorową, na której opierają się indykatory. Silnikiem backtestu jest zwykle `backtrader` autorstwa Daniela Rodrigueza, ułożony jako klasy Strategy i Cerebro w stylu event-driven, albo `vectorbt` Olega Polakowa, gdy zależy ci na przebadaniu setek wariantów parametrów w kilkadziesiąt sekund. Wykresy rysują `matplotlib` i `plotly` — pierwszy do raportów statycznych, drugi do interaktywnego przeglądania transakcji. Dane pobierasz przez `yfinance` dla zamknięć dziennych, `ccxt` dla rynku krypto oraz oficjalny pakiet `MetaTrader5`, gdy chcesz pracować na realnych notowaniach brokera. Cały stos jest darmowy i open-source.

Praca w cyklu badawczym — od reguły do walidacji

Cykl projektu rozpada się na cztery kroki, które warto trzymać oddzielnie. Najpierw spisujesz reguły wejścia i wyjścia po polsku — jeśli nie potrafisz powiedzieć „kupuję, gdy nachylenie EMA-50 jest dodatnie, a zamknięcie przebija dwudziestodniowe maksimum", nie ma sensu pisać kodu. Drugi krok to przepisanie reguł na wyrażenia wektorowe w `pandas`: warunki na całej kolumnie naraz, bez pętli po świecach — dzięki temu test dziesięciu lat H1 mieści się w sekundach. Trzeci krok to uruchomienie silnika na pełnej historii z prowizją, poślizgiem, stopem i take profitem — efektem jest krzywa kapitału z listą transakcji. Czwarty — i właśnie tu początkujący odpuszczają — to walidacja poza próbą: rezerwujesz ostatnie dwa lata, optymalizujesz parametry tylko na wcześniejszym okresie, a werdykt czytasz z out-of-sample. Mechanika kroczącego okna leży w artykule o walk-forward analysis, a ramy doboru danych i metryk — w poradniku, jak backtestować strategie.

Czego Python sam z siebie nie zrobi

Świeży użytkownik wnioskuje z dokumentacji `backtradera`, że biblioteka liczy wszystko za niego. Nie liczy. Domyślny silnik nie zna spreadu twojego brokera, nie wie, że na newsach kwotowania rozjeżdżają się o pięć pipsów, a prowizja ECN to siedem dolarów od lota i wchodzi po obu stronach transakcji. Musisz to wpisać ręcznie — `commission`, `slippage_perc`, własny model spreadu zależnego od godziny. Druga pułapka to jakość danych: darmowe szeregi z `yfinance` mają luki weekendowe i pojedyncze braki minut, a tick data z Dukascopy bywa niekompletna dla par egzotycznych. Trzeci grzech to przyzwyczajenie do gładkich krzywych — backtest in-sample z pięcioma optymalizowanymi parametrami niemal zawsze obieca 200 procent rocznie, dopóki nie odetniesz mu zmiennej i nie spojrzysz, jak krzywa wygląda poza próbą. Realistyczny test pokazuje zwykle 30–50 procent mniej, niż obiecywała wersja naiwna.

Przykład hipotetyczny — projekt na EUR/USD

Załóżmy strategię na otwarciu sesji londyńskiej dla EUR/USD na M15. Reguła brzmi: kup, gdy kurs przebija maksimum z pięciu świec po godzinie 9.00 czasu warszawskiego, sprzedaj na przełamaniu minimum; stop loss 1,5-krotność ATR z dwudziestu okresów, take profit dwukrotność stopu. Dane na lata 2018–2024 ściągasz przez pakiet `MetaTrader5`, ładujesz do `pandas` i resamplujesz na M15. Backtester z prowizją sześciu dolarów od lota, spreadem 0,8 pipsa poza newsami oraz losowym pipsem poślizgu daje skuteczność 51 procent, profit factor 1,28, maksymalny drawdown 14 procent i Sharpe 0,9. Po podziale na cztery lata in-sample i dwa lata out-of-sample średnia OOS spada o około jedną trzecią — co zostawia decyzję wdrożeniową na poziomie rozsądnym, choć nie spektakularnym. Wszystkie liczby są wyłącznie ilustracyjne i pokazują kształt wyniku, nie obietnicę.

„Python has become a powerful programming language and ecosystem for the financial industry — for everything from analyzing financial data to algorithmic trading to risk management." — Yves Hilpisch, Python for Finance: Mastering Data-Driven Finance, O'Reilly, 2018

Zastrzeżenia, które należą do każdego raportu

Po zamknięciu backtestu warto dopisać do raportu krótką ramkę z czterema zastrzeżeniami. Pierwsze: jaki spread przyjąłeś i czy uwzględniłeś jego rozszerzenie wokół danych makro — różnica między stałym 0,8 a realnym 2,5 pipsa na NFP to często cała marża strategii. Drugie: czy dane są wolne od look-ahead bias, to znaczy czy nie liczysz wskaźnika z zamknięcia bieżącej świecy, którego w realnym czasie jeszcze nie znasz. Trzecie: ile parametrów optymalizowałeś jednocześnie — pięć to próg, powyżej którego nawet walk-forward nie ratuje. Czwarte: czy wynik utrzymał się na out-of-sample, czy tylko na pełnej historii. Bez tych zdań raport jest marketingiem, nie audytem. Szerszy kontekst metodyki znajdziesz w sekcji demo, backtesting i forward testing na MyBank.pl.

Co zrobić jutro

1. Zainstaluj Pythona w wersji 3.11 lub nowszej z bibliotekami `pandas`, `numpy`, `backtrader`, `matplotlib` oraz oficjalnym pakietem `MetaTrader5` — wszystko jednym poleceniem `pip install` — a następnie ściągnij dwa lata danych H1 dla pary, którą faktycznie handlujesz, i zapisz je w pliku CSV, żeby mieć stałe źródło dla kolejnych iteracji bez ponownych pobrań.
2. Spisz po polsku reguły strategii, którą znasz najlepiej — jedno zdanie na warunek wejścia, jedno na wyjście, jedno na stop loss i jedno na take profit — i dopiero potem przepisz je na wektorowe wyrażenia w `pandas` tak, żeby cały test mieścił się w trzydziestu liniach kodu, bez pętli po świecach i bez kombinowania z optymalizacją parametrów na tym etapie.
3. Uruchom backtest z prowizją realną dla twojego brokera, stałym spreadem i losowym poślizgiem jednego pipsa, a następnie porównaj wynik z wersją bez kosztów; różnica między krzywymi mówi ci, ile domniemanej przewagi to artefakt założenia o cenie środkowej — jeśli koszty zjadają więcej niż połowę zysku, strategia jest zbyt cienka na rachunek live.
4. Podziel historię na cztery lata in-sample i rok out-of-sample, zoptymalizuj nie więcej niż dwa parametry wyłącznie na in-sample, zamroź najlepszy zestaw i raz uruchom test na out-of-sample; jeżeli skuteczność spada o więcej niż jedną trzecią, masz curve-fitting i trzeba uprościć logikę, a nie szukać kolejnej optymalizacji.
5. Załóż prosty notes — choćby plik Markdown w tym samym repozytorium — w którym po każdym backteście zapisujesz cztery zdania: jaki spread, czy uwzględniłeś look-ahead, ile parametrów optymalizowałeś i czy wynik out-of-sample utrzymał się powyżej połowy in-sample; bez tego dziennika po trzech miesiącach nie będziesz pamiętać, który raport był uczciwy, a który po cichu naciągnięty.