※本記事にはアフィリエイト広告(プロモーション)が含まれています。

自作ボットでエントリー条件を作るとき、TradingViewの指標をそのまま使いたくても、Pythonのコードに落とし込む必要があります。ライブラリに頼ると「結局中で何を計算しているのか分からない」まま使うことになりがちです。この記事では、代表的なテクニカル指標をpandasだけで計算する方法を、仕組みの説明とあわせて紹介します。

準備: OHLCVデータをDataFrameにする

計算の元になるのはローソク足データです。ccxtで取得し、pandasのDataFrameに変換します。ccxtの基本的な使い方はPython+ccxt入門、メソッドの早見表はccxtの使い方まとめを参照してください。

import ccxt
import pandas as pd

exchange = ccxt.mexc()
ohlcv = exchange.fetch_ohlcv('BTC/USDT', timeframe='1h', limit=300)

df = pd.DataFrame(ohlcv, columns=['ts', 'open', 'high', 'low', 'close', 'volume'])
df['ts'] = pd.to_datetime(df['ts'], unit='ms')
df = df.set_index('ts')

以降の指標は、この df の close(終値)・high(高値)・low(安値)列を使って計算していきます。

移動平均(SMA・EMA)

もっとも基本的な指標です。単純移動平均(SMA)は指定期間の終値の平均、指数移動平均(EMA)は直近の値により大きな重みを置いた平均です。

# SMA: 単純移動平均
df['sma_20'] = df['close'].rolling(window=20).mean()

# EMA: 指数移動平均(直近の値ほど重視する)
df['ema_20'] = df['close'].ewm(span=20, adjust=False).mean()

rolling は「直近N本の窓」を作ってから統計量を計算する仕組みで、SMA以外に標準偏差や最大値・最小値を出すときにも使えます。後述のボリンジャーバンドやATRでも登場します。

RSI(相対力指数)

一定期間の値上がり幅と値下がり幅の比率から、買われすぎ・売られすぎを判断する指標です。一般に70以上で買われすぎ、30以下で売られすぎとされますが、これはあくまで目安であり、トレンドが強い相場では機能しにくいことに注意してください。

def calc_rsi(close: pd.Series, period: int = 14) -> pd.Series:
    delta = close.diff()
    gain = delta.clip(lower=0)
    loss = -delta.clip(upper=0)

    avg_gain = gain.ewm(alpha=1 / period, min_periods=period, adjust=False).mean()
    avg_loss = loss.ewm(alpha=1 / period, min_periods=period, adjust=False).mean()

    rs = avg_gain / avg_loss
    return 100 - (100 / (1 + rs))

df['rsi_14'] = calc_rsi(df['close'], 14)

RSIの計算方法には複数の流儀があり、平均の取り方(単純移動平均を使うか、指数移動平均を使うか)によって値がわずかに変わります。TradingViewなど他ツールの数値と厳密に一致しないことがあっても、計算式の違いによるもので、どちらかが間違っているわけではありません。

ATR(平均真の値幅)

値動きの大きさ(ボラティリティ)を測る指標です。損切り幅やポジションサイズを、値幅に応じて動的に決めたいときによく使われます。資金管理全般についてはボットの資金管理術で詳しく解説しています。

def calc_atr(df: pd.DataFrame, period: int = 14) -> pd.Series:
    high_low = df['high'] - df['low']
    high_close = (df['high'] - df['close'].shift()).abs()
    low_close = (df['low'] - df['close'].shift()).abs()

    true_range = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1)
    return true_range.ewm(alpha=1 / period, min_periods=period, adjust=False).mean()

df['atr_14'] = calc_atr(df, 14)

「真の値幅(True Range)」は単純な高値-安値ではなく、前の足からのギャップも考慮する点がポイントです。窓を開けて急騰・急落した場合にも、その分の値幅がきちんと反映されます。

ボリンジャーバンド

移動平均を中心に、価格のばらつき(標準偏差)から上下のバンドを引く指標です。バンドの内外どちらに価格があるかより、バンドの幅自体がボラティリティの目安になるという使い方もよくされます。

window = 20
n_std = 2

df['bb_mid'] = df['close'].rolling(window).mean()
std = df['close'].rolling(window).std()

df['bb_upper'] = df['bb_mid'] + n_std * std
df['bb_lower'] = df['bb_mid'] - n_std * std

バンド幅が急に縮む「スクイーズ」の後は、その後の値動きが大きくなりやすいと一般に言われています。ただし、これも経験則であり、必ずそうなるという保証はありません。

指標を使う上で注意したいこと

1. 未来のデータを混ぜない(ルックアヘッドバイアス)

rolling や ewm はその時点までのデータしか使わないため基本的に安全ですが、自分で特徴量を作り込むときに「その足の高値・安値を含めた指標」をエントリー判定に使ってしまうと、実運用では手に入らない情報を使ったことになります。バックテストでは好成績でも実運用で再現しない典型パターンなので、バックテストで学んだ3つの罠もあわせて確認しておくと安心です。

2. パラメータの最適化をしすぎない

期間を14にするか21にするか、といった調整で過去データへの当てはまりが良くなっても、それが未来の相場でも機能するとは限りません。特定の期間だけ都合よく成績が良いパラメータは、たまたま過去に合っただけの可能性を疑いましょう。

3. 指標は「答え」ではなく「材料」

RSIが30を切ったから即買い、のような単一指標だけの判断はダマシに遭いやすいです。複数の指標を組み合わせたり、値動きそのものと照らし合わせたりして使うのが一般的です。指標を機械学習の特徴量として使う方法はLightGBM入門で紹介しています。

ライブラリを使う選択肢

毎回自分で実装する必要はなく、pandas-ta や ta といったライブラリを使えば同じ指標を数行で計算できます。ただし中身の計算式を知らずに使うと、値が想定と違ったときに原因を切り分けられません。まずは自分で実装して仕組みを理解し、実運用ではライブラリに切り替える、という進め方をおすすめします。

# pandas-ta を使う例(pip install pandas-ta)
import pandas_ta as ta

df['rsi_14_lib'] = ta.rsi(df['close'], length=14)
df['atr_14_lib'] = ta.atr(df['high'], df['low'], df['close'], length=14)

まとめ

• 移動平均(SMA/EMA)は rolling / ewm で数行で計算できる
• RSIは値上がり幅・値下がり幅の比率、ATRはギャップも含めた値幅、ボリンジャーバンドは標準偏差から算出する
• ライブラリごとに計算式の細部が違うため、数値のズレは異常ではない
• ルックアヘッドバイアスとパラメータの過剰最適化には注意する
• 指標は単体で判断材料にするより、複数組み合わせたり値動きと照らし合わせて使うのが一般的

計算した指標を使ってエントリーロジックを組んだら、必ずバックテストの落とし穴(バックテストで学んだ3つの罠)を踏まえた上で検証し、成績の見方はボットの成績指標の読み方を参考にしてください。