Web Lukes
📄

【保存版】バックテスト結果の正しい見方｜8つの評価指標を徹底解説

公開日: 2025/12/21
#バックテスト#EA#評価指標#リスク管理

バックテスト、勝率だけ見てない？

「勝率70%！これは勝てるEAだ！」

...ちょっと待ってください。

バックテスト結果を勝率と総利益だけで評価していませんか？それ、かなり危険です。

この記事では、プロトレーダーやクオンツが使う8つの評価指標を解説します。これを知ると、バックテストの見方が180度変わります。

参考: バックテストの評価指標｜あいさき

1. 期待利得（Expected Value）

定義

Code
期待利得 = 総損益 ÷ 取引回数

1回のトレードで平均いくら稼げるかを示す最も基本的な指標。

見方

  • プラスなら利益が出るシステム
  • スプレッドやスリッページを引いた後で計算すること
  • 取引回数が少ないと信頼性が低い

例

Code
総利益: 100万円
取引回数: 500回
期待利得: 100万 ÷ 500 = 2,000円/回

注意: 期待利得がプラスでも、ドローダウンで退場する可能性はある。

2. プロフィットファクター（PF）

定義

Code
PF = 総利益 ÷ 総損失

利益と損失の比率を示す。最もポピュラーな指標。

見方

PF評価
1.0未満負けシステム
1.0〜1.3微妙
1.3〜2.0良好
2.0以上優秀（過剰最適化の可能性も）

計算例

Python
# Pythonでの計算
wins = trades[trades['pips'] > 0]['pips'].sum()
losses = abs(trades[trades['pips'] < 0]['pips'].sum())
pf = wins / losses if losses > 0 else float('inf')

注意: PFが高すぎる（3.0以上）場合は過剰最適化を疑え。

3. 悲観的リターンレシオ（PRR）

定義

Code
PRR = (勝ちトレード数 - √勝ちトレード数) × 平均利益
    ÷ (負けトレード数 + √負けトレード数) × 平均損失

PFをサンプルサイズで補正した指標。取引回数が少ないほど厳しく評価される。

なぜ重要か

  • PFは取引回数を考慮しない
  • 10回のバックテストと1000回のバックテストを同じPFで比較するのは危険
  • PRRは「たまたま」の可能性を織り込む

見方

PRR評価
1.0未満信頼性低い
1.0〜1.5要検証
1.5以上信頼性あり
Python
import numpy as np


def calc_prr(trades):
    wins = trades[trades['pips'] > 0]
    losses = trades[trades['pips'] < 0]


    n_wins = len(wins)
    n_losses = len(losses)
    avg_win = wins['pips'].mean() if n_wins > 0 else 0
    avg_loss = abs(losses['pips'].mean()) if n_losses > 0 else 0


    numerator = (n_wins - np.sqrt(n_wins)) * avg_win
    denominator = (n_losses + np.sqrt(n_losses)) * avg_loss


    return numerator / denominator if denominator > 0 else 0

4. GHPR（Geometric Holding Period Return）

定義

Code
GHPR = (最終資産 / 初期資産) ^ (1/取引回数)

複利運用での1トレードあたり平均成長率。

なぜ重要か

  • 単純な期待利得は「足し算」の世界
  • 実際の運用は「掛け算」（複利）の世界
  • 大きな損失があると復帰が困難

見方

  • GHPR > 1.0 なら資産は増加傾向
  • GHPR < 1.0 なら資産は減少傾向
  • 1.001でも長期では大きな差になる
Python
def calc_ghpr(trades, initial_capital=1000000):
    capital = initial_capital
    for pips in trades['pips']:
        # 1pips = 1000円として計算
        capital += pips * 1000


    n_trades = len(trades)
    ghpr = (capital / initial_capital) ** (1 / n_trades)
    return ghpr

5. 最大ドローダウン（Max Drawdown）

定義

Code
最大DD = 最高資産額からの最大下落幅

過去の最悪の資産減少を示す。

重要な注意点

「単一バックテストの最大DDはほぼ無意味」

なぜか？

  • 過去に起きた「たまたま」の最悪値にすぎない
  • 将来はもっと大きなDDが起きる可能性がある
  • モンテカルロシミュレーションで複数回検証すべき

見方

  • 最大DDの2〜3倍は覚悟すべき
  • 資金の50%以上のDDは精神的に耐えられない
  • DDから回復するには時間がかかる
Python
def calc_max_drawdown(trades, initial_capital=1000000):
    capital = initial_capital
    peak = initial_capital
    max_dd = 0


    for pips in trades['pips']:
        capital += pips * 1000
        peak = max(peak, capital)
        dd = (peak - capital) / peak * 100
        max_dd = max(max_dd, dd)


    return max_dd  # パーセント

6. リカバリファクター（Recovery Factor）

定義

Code
リカバリファクター = 純利益 ÷ 最大ドローダウン

DDからの回復力を示す。

見方

RF評価
1未満回復困難
1〜3普通
3〜5良好
5以上優秀

なぜ重要か

  • 利益が大きくてもDDが大きければ危険
  • 「100万円稼いで50万円のDD」より「50万円稼いで10万円のDD」の方が健全
Python
def calc_recovery_factor(trades, initial_capital=1000000):
    total_profit = trades['pips'].sum() * 1000
    max_dd = calc_max_drawdown(trades, initial_capital)
    max_dd_amount = initial_capital * max_dd / 100


    return total_profit / max_dd_amount if max_dd_amount > 0 else 0

7. シャープレシオ（Sharpe Ratio）

定義

Code
シャープレシオ = 平均リターン ÷ リターンの標準偏差

リスク（バラつき）あたりのリターンを示す。

なぜ重要か

  • 同じ利益でも、安定して稼ぐのと乱高下して稼ぐのは違う
  • 損益のバラツキ = リスクという考え方
  • 機関投資家が重視する指標

見方

シャープレシオ評価
0.5未満低い
0.5〜1.0普通
1.0〜2.0良好
2.0以上優秀
Python
def calc_sharpe_ratio(trades):
    returns = trades['pips']
    return returns.mean() / returns.std() if returns.std() > 0 else 0

8. ソルティノレシオ（Sortino Ratio）

定義

Code
ソルティノレシオ = 平均リターン ÷ 下方偏差

シャープレシオの改良版。損失方向のリスクのみを考慮。

なぜ重要か

  • 上方向のバラつき（大勝ち）はリスクではない
  • 下方向のバラつき（大負け）だけがリスク
  • より実践的なリスク評価

見方

  • シャープレシオより高くなるのが普通
  • 極端に低い場合は大負けトレードがある証拠
Python
def calc_sortino_ratio(trades):
    returns = trades['pips']
    negative_returns = returns[returns < 0]
    downside_std = negative_returns.std() if len(negative_returns) > 0 else 0


    return returns.mean() / downside_std if downside_std > 0 else 0

実践：指標を使った評価例

先日検証した指標後遅延エントリー戦略を8指標で評価してみましょう。

NFP逆張り（15分遅延→240分決済）

指標値評価
期待利得+10.3pips○
勝率61.9%○
PF1.42○
PRR1.18△（取引回数少ない）
シャープレシオ0.31△
取引回数21回△（要追加検証）

結論: 期待利得とPFは良好だが、取引回数が少なすぎて信頼性に欠ける。

まとめ：バックテスト評価チェックリスト

最低限見るべき指標

  1. 期待利得 > 0（スプレッド込み）
  2. PF > 1.3
  3. 最大DD < 許容範囲
  4. 取引回数 > 100回（できれば500回以上）

より深く評価する指標

  1. PRR > 1.0（サンプルサイズ補正）
  2. リカバリファクター > 3
  3. シャープレシオ > 0.5
  4. ソルティノレシオ > シャープレシオ

注意点

  • 単一指標だけで判断しない
  • 過剰最適化に注意（PF > 3.0は疑え）
  • モンテカルロシミュレーションで堅牢性を確認
  • フォワードテストで最終確認

Pythonで一括計算

Python
import pandas as pd
import numpy as np


def evaluate_backtest(trades, initial_capital=1000000):
    """
    バックテスト結果を8指標で評価
    trades: 'pips'カラムを持つDataFrame
    """
    results = {}


    # 基本統計
    results['取引回数'] = len(trades)
    results['勝率'] = (trades['pips'] > 0).mean() * 100
    results['期待利得'] = trades['pips'].mean()


    # PF
    wins = trades[trades['pips'] > 0]['pips'].sum()
    losses = abs(trades[trades['pips'] < 0]['pips'].sum())
    results['PF'] = wins / losses if losses > 0 else float('inf')


    # PRR
    n_wins = len(trades[trades['pips'] > 0])
    n_losses = len(trades[trades['pips'] < 0])
    avg_win = trades[trades['pips'] > 0]['pips'].mean() if n_wins > 0 else 0
    avg_loss = abs(trades[trades['pips'] < 0]['pips'].mean()) if n_losses > 0 else 0


    num = (n_wins - np.sqrt(n_wins)) * avg_win
    den = (n_losses + np.sqrt(n_losses)) * avg_loss
    results['PRR'] = num / den if den > 0 else 0


    # 最大DD
    capital = initial_capital
    peak = initial_capital
    max_dd = 0
    for pips in trades['pips']:
        capital += pips * 1000
        peak = max(peak, capital)
        dd = (peak - capital) / peak * 100
        max_dd = max(max_dd, dd)
    results['最大DD%'] = max_dd


    # リカバリファクター
    total_profit = trades['pips'].sum() * 1000
    max_dd_amount = initial_capital * max_dd / 100
    results['RF'] = total_profit / max_dd_amount if max_dd_amount > 0 else 0


    # シャープレシオ
    results['シャープ'] = trades['pips'].mean() / trades['pips'].std() if trades['pips'].std() > 0 else 0


    # ソルティノレシオ
    neg = trades[trades['pips'] < 0]['pips']
    down_std = neg.std() if len(neg) > 0 else 0
    results['ソルティノ'] = trades['pips'].mean() / down_std if down_std > 0 else 0


    return results


# 使用例
# results = evaluate_backtest(trades_df)
# for k, v in results.items():
#     print(f"{k}: {v:.2f}")

参考文献:

質問・リクエストがあればコメントください！ 次回はモンテカルロシミュレーションの実装も解説予定です 📊

🎁おすすめツール・サービス

FX自動売買VPSなら50%OFF

キャンペーンで月1,790円〜。MT4/MT5プリインストール済み、自動復旧機能付き。14日間無料お試し。

シンクラウドデスクトップ for FX
ゴトー日EAを探しているならソースコード付

4年で資金4.7倍のバックテスト実績。ソースコード付きで自由にカスタマイズ可能。

ゴトー日EA Ultimate版（3,980円）

※上記リンクにはプロモーション（広告）が含まれています

🔮
MEMBERSHIP

量子相場謀略｜ホソノP

ブログでは書けない本音のトレード戦略とEA開発の裏側を公開。 データに基づいた検証で、再現性のある手法だけをお届けします。

✓EAソースコード公開
✓バックテスト生データ共有
✓リアルタイム相場分析
✓メンバー限定記事
メンバーシップに参加する※ noteアカウントで簡単登録
ポストする@hosono_p をフォロー

📚あわせて読みたい

📄

😱 バックテストで勝てるEAがリアルで負ける7つの理由｜カーブフィッティングの罠

なぜバックテストで年利100%のEAがリアル運用で負けるのか？カーブフィッティング、スプレッド、スリッページなど7つの原因と対策を解説。

fx2026/1/9
📄

💀 ナンピン・マーチンゲールで口座を溶かした話｜なぜ「必勝法」は必敗法なのか

ナンピン・マーチンゲールは本当に勝てるのか？実際に100万円を溶かした体験談と、数学的になぜ破綻するかを解説。「いつか戻る」の罠に注意。

fx2026/1/9
📄

😭「OANDA APIで自動売買したい！」→ 調べたら全然メリットなかった話【MT4/MT5最強説】

Pythonでカッコよく自動売買...のはずが、コスト高い・バックテストできない・サポート英語のみの三重苦。同じOANDAでもMT5なら半額のスプレッドで自動売買できるのに、なぜAPIを選ぶ？冷静に比較してみました。

fx2026/1/5
📄

😤「複利で資金増えたのにDD耐えられず停止」←これ俺だ。ゴトー日EA複利vs単利を本気で検証した話

ゴトー日EAで複利運用したら精神的に耐えられずEA停止してしまった実体験から、複利と単利どちらを採用すべきか2年間152トレードのデータで徹底検証。DD金額の真実が明らかに。

fx2024/12/19
📄

😲 Pythonで30通貨ペア×1万通りを全探索！スプレッド拡大を考慮したら結果が激変した話

FXアノマリー自動探索装置で保有期間1〜10時間を検証。最初は『朝6時ショート最強！』と思ったら、スプレッド拡大を考慮したら全部消えた...本当に使える戦略はゴールドのロングだった

fx2026/1/20
📄

🤣 EA開発者あるある50連発｜自動売買プログラマーなら絶対共感する失敗と絶望の日々

MT4/MT5のEA開発者なら「わかる…」と頷く50のあるある。バックテスト詐欺、コンパイルエラー地獄、リアルで動かない悲劇。笑いながら学ぶEA開発の現実。

fx2026/1/9