Um backtest mínimo de cruzamento de médias móveis

Vamos transformar a ideia do cruzamento de SMAs em um backtest vetorizado pequeno e autocontido usando só pandas e NumPy. Isto mostra a lógica; um framework real adiciona tratamento de ordens e relatórios apropriados.

A estratégia

Fique comprado quando a média móvel rápida está acima da lenta; fique de fora caso contrário. Uma posição apenas comprada, tudo ou nada.

import numpy as np
import pandas as pd

def backtest_sma(df, fast=20, slow=50, cost_bps=2):
    px = df["close"]
    sma_fast = px.rolling(fast).mean()
    sma_slow = px.rolling(slow).mean()

    # Signal: 1 when fast above slow, else 0
    signal = (sma_fast > sma_slow).astype(int)

    # CRITICAL: trade on the NEXT bar to avoid look-ahead
    position = signal.shift(1).fillna(0)

    # Costs charged when the position changes
    trades = position.diff().abs().fillna(0)
    cost = trades * (cost_bps / 10000.0)

    ret = px.pct_change().fillna(0)
    strat_ret = position * ret - cost
    equity = (1 + strat_ret).cumprod()
    return equity, strat_ret

A linha mais importante de todas

position = signal.shift(1).fillna(0)

O shift(1) é tudo. O sinal é calculado a partir do fechamento de uma barra, mas você não pode agir sobre ele até a barra seguinte abrir. Sem esse shift você está operando com informação que ainda não tinha — viés de look-ahead instantâneo e um backtest que parece mágico e não vale nada.

Lendo o resultado

equity, r = backtest_sma(df)
sharpe = np.sqrt(252) * r.mean() / r.std()
print("final equity:", round(equity.iloc[-1], 3))
print("approx Sharpe:", round(sharpe, 2))

Ressalvas honestas

Isto omite slippage além do custo fixo, assume que você sempre executa no fechamento, ignora dimensionamento de posição e venda a descoberto, e usa um único instrumento e período. É um esqueleto didático. Qualquer curva de capital que ele produza é hipotética — trate-a como ponto de partida para os testes rigorosos do resto desta trilha, não como um resultado em que confiar.