📋 目次



多くの個人投資家や開発者がアルゴリズムトレードを始める際、pandas-taやTA-Libといった既存のライブラリに頼りがちです。しかし、実際のプロジェクトで複雑な売買ロジックや独自のカスタマイズを求められたとき、ブラックボックス化した関数では対応しきれない壁にぶつかります。私も以前、バックテストの精度を高めるために計算ロジックの微調整が必要となり、指標をスクラッチで実装せざるを得ない状況に直면しました。ライブラリの中身を理解していないと、わずかなデータの欠損や計算のズレが致命的な機会損失を生む原因になります。だからこそ、価格データから直接 RSI や MACD を算出する数式をコードに落とし込むスキルは、定量分析を行う上で非常に価値があります。今回は、PandasとNumpyだけでこれら主要なテクニカル指標をゼロから構築し、実際の市場データに対してどのように適用してシグナルを抽出するのか、その具体的なアプローチを共有します。自前でロジックを持つことで、インジケーターの挙動を完全に把握し、より高度なトレード戦略へと発展させることが可能になります。

ノートパソコンの画面にPythonのコードとRSI・MACDの株価チャートが表示されている様子

Pandasを活用したRSIのスクラッチ実装と数値補正の実際

市販のライブラリを使わずに RSI を構築する際、最もつまずきやすいポイントは価格変動の「利得」と「損失」をどのように切り分けて平均化するかという点です。私が実際に検証を重ねた際、単純移動平均を使うか、ワイルダー氏が考案した指数平滑移動平均に近い漸化式を使うかで、算出される数値に微小なズレが生じることが分かりました。この微小なズレが、実際のバックテストにおいて売買シグナルのタイミングを大きく狂わせる原因になります。そのため、テクニカル指標（RSI、MACD）をPythonコードで直接実装して分析する：どうすればいいか？という疑問に対しては、公式の定義に忠実な漸化式をPandasの ewm メソッドを用いて再現するのが最も確実だと答えています。

具体的なコード構築の手順としては、まず終値の差分を計算し、プラスの変化量を Gain、マイナスの変化量を Loss という別々の列に格納します。その後、初回の平均を算出した上で、2日目以降は前日の平均値に係数を掛けて当日の値を加えるという漸化式を適用します。この処理を自前で記述することで、データの欠損値やNaNの扱いを完全にコントロールできるようになります。実際の市場データを投入してテストしたところ、既存ライブラリと完全に一致する数値を出しつつ、計算の途中経過を自由に出力できるため、予期せぬエラーの特定が劇的に容易になりました。

MACDの肝となるEMA算出とシグナル線の構築手法

次に、トレンド追随型の代表格である MACD の自作に挑みます。この指標を構築する上で避けて通れないのが、直近の価格データに重みを置く指数平滑移動平均線、すなわち EMA の正確な実装です。以前、私のプロジェクトで単純移動平均を使ってMACDを代用しようとしたところ、相場の急変動に対する追随性が鈍り、トレンド転換の検知が大きく遅れるという苦い経験をしました。テクニカル指標（RSI、MACD）をPythonコードで直接実装して分析する：どうすればいいか？という課題に向き合うとき、EMAの計算式における平滑化係数（アルファ値）の指定ミスを防ぐことが、精度の高い分析を行うための最大の分水嶺となります。

実装のステップとしては、まず短期と長期のそれぞれ異なる期間でEMAを算出し、その差分からMACDラインを導き出します。さらに、そのMACDラインに対してもう一度EMAを適用することでシグナル線を生成し、最後に両者の差であるヒストグラムを求めます。Numpyのベクトル演算を組み合わせることで、数万行に及ぶティックデータや分足データであっても、ループ処理を使わずに一瞬で全行の計算を完了させることが可能です。このようにして自作したインジケーターをチャート上にプロットし、移動平均のクロスオーバーによるエントリーポイントを視覚的に確認することで、アルゴリズムの信頼性を肌で感じることができます。

カスタム指標を用いたバックテスト環境の構築と効率的なベクトル化

自作した RSI や MACD を実際のトレード戦略に組み込む際、最も重要なのはループ処理を排除した高速なバックテスト環境の整備です。多くの開発者がPandasの iterrows や apply 関数を使いがちですが、データ量が数万件を超えると計算処理に膨大な時間がかかり、リアルタイムのシグナル検知において致命的な遅延を招きます。私が日々の検証で実践しているアプローチは、Numpyの条件分岐関数である where や論理演算子を直接活用し、価格データフレーム全体に対して一括で売買フラグを立てる方法です。この手法を導入して以来、バックテストの実行速度が劇的に向上し、パラメータの最適化作業をストレスなく進められるようになりました。

さらに、生成したシグナルから実際のポジション保有状況や保有期間ごとの損益を正確に計算するためには、累積リターンの算出ロジックを工夫する必要があります。例えば、エントリー価格とエグジット価格の差分を単純に合計するだけでなく、スリッページや取引手数料のコストをあらかじめコード内に組み込んでおくことが欠かせません。私は過去の検証で手数料の計算を後回しにした結果、バックテスト上では利益が出ていても実際の運用ではマイナスに転じるという失敗を経験しました。そのため、シグナル発生の翌日の寄り付き価格でポジションを取るという現実的な仮定をコードに反映させ、精緻なパフォーマンス評価を行っています。

動的なパラメータ調整とマルチタイムフレーム分析への応用

固定された期間設定だけで市場に挑むと、相場のボラティリティが激しく変動する局面において誤ったシグナルを大量に生成してしまうリスクが高まります。そこで私は、直近の市場の変動性に応じて RSI や MACD の算定期間を動的に変化させる適応型の仕組みをPythonコードで実装しています。具体的には、一定期間の価格変動の標準偏差を計算し、ボラティリティが高いときは反応速度を速めるために期間を短くし、レンジ相場ではダマシを減らすために期間を長くするといった条件分岐を組み込みます。このアプローチにより、相場環境の変化に柔軟に対応できるロジックが完成し、特定の相場に依存しない堅牢な分析基盤を構築できます。

また、単一の時間足だけでなく、より上位の時間足におけるトレンド方向と下位足のテクニカル指標を組み合わせるマルチタイムフレーム分析も、自作コードであれば容易に実現可能です。例えば、日足チャートから算出したトレンドの方向性を確認した上で、1時間足のチャート上で発生した RSI の逆行現象や MACD のゴールデンクロスをフィルタリング条件としてコードに記述します。このように複数の時間軸のデータをマージして一つのデータフレーム内で処理する仕組みを整えることで、単体の指標単体では見抜けない高確率なエントリーチャンスを正確に抽出することが可能になります。実際の運用を想定したコード設計を行うことで、机上の空論にとどまらない実践的なアルゴリズムトレーディングの精度を大きく引き上げることができます。

Q1. 自作したインジケーターの検証精度を高めるために、過去データの選定やスライス処理で気をつけるべき具体的なポイントは何ですか？

A: 既存のライブラリを使わずに指標を実装する場合、最も注意すべきなのはデータの欠損期間や休日を挟んだときのインデックスの連続性です。私が実際のデータフィードで検証を行った際、市場が閉まっている時間帯のNaNをそのまま放置して EMA を計算すると、移動平均の重み付けが意図しない挙動を示す現象に直面しました。

この問題を回避するため、あらかじめタイムスタンプを完全に昇順にソートし、欠損データに対して前日終値を前方補完する処理をコードの最初期段階に組み込んでいます。また、バックテストを行う際は、初期のパラメータ期間（例えばMACDの長期EMAである26期間分など）の計算でどうしても初期値が不安定になる「ウォームアップ期間」が発生します。この不安定な期間のデータをそのまま評価対象に含めてしまうと、バックテストの勝率や最大ドローダウンの数値が歪んでしまうため、実運用を想定した正確な検証を行うためには、最初の数十行の計算結果をあえて除外するフィルタリング処理を実装することが不可欠です。

Q2. 複数のテクニカル指標を自作して組み合わせる際、コードの複雑化を防ぎつつ保守性を維持するための設計上の工夫はありますか？

A: 計算ロジックをすべて一つのスクリプトや長大な関数に書き込んでしまうと、後からパラメータの調整や不具合の修正を行う際に、どこが原因でエラーが出ているのか把握できなくなるという問題が必ず起きます。私のプロジェクトでは、指標の計算処理や売買シグナルの生成、そしてパフォーマンスの集計といった役割ごとにクラスや独立した関数へ完全にモジュール化する設計を採用しています。

具体的には、入力として生データフレームを受け取り、計算済みのテクニカル指標の列を追加して返す専用の関数をそれぞれ個別に定義します。これにより、たとえば RSI の計算式だけを別のアルゴリズムに差し替えたり、新しい指標を追加したりする際にも、他のコードに影響を与えることなく安全にメンテナンスを行える環境を維持できます。また、各関数の入出力となるデータ構造を統一しておくことで、複数の銘柄データを同時に処理する並列処理や、異なる戦略へのコードの再利用性が飛躍的に向上します。






既存のツールに依存せず自らの手でコードを書き下ろすというプロセスは、市場の非効率性や価格変動の本質を解き明かすための最も確実なアプローチです。自作のロジックに向き合い続けることで、画面の向こう側にあるアルゴリズムの息遣いや市場参加者の心理状態が鮮明に浮かび上がり、トレーディングの本質的な理解が深まります。今こそ既製品のテンプレートを離れ、独自の視点をコードに定着させることで、相場の荒波を切り拓く真の優位性を手に入れてください。