ALGO TRADING

Moteurs de backtest Python, cinq stratégies, une réponse exacte

Sept moteurs, cinq stratégies : un croisement de moyennes, une cassure avec stop et objectif, une paire couverte, une rotation sur 20 actifs et des ordres limites. Chaque résultat est vérifié contre un simulateur de référence avant le moindre chronométrage.

– POURQUOI CETTE ÉTUDE

Le moteur fait partie de chaque résultat de backtest

La plupart des comparatifs chronomètrent un croisement de moyennes mobiles, ce qui dit peu des stratégies réellement utilisées : stops et objectifs, paire couverte, portefeuille rééquilibré sur vingt actifs, ordres limites posés sous le marché. Et un moteur rapide qui répond à une question légèrement différente n'est pas plus rapide sur le même travail.

Cette étude écrit donc cinq stratégies jusqu'au dernier cas limite, vérifie chaque moteur contre un simulateur construit à partir de ce seul texte, et ne les chronomètre qu'ensuite, dans des processus neufs, sur un CPU 10 cœurs. Tous les chiffres viennent d'une seule campagne, réalisée le 17/11/2026.

– LES STRATÉGIES

Une simple, quatre réalistes

Frais de 10 points de base par exécution, capital de 1 000 000 USD, barres d'une minute avec de vrais écarts d'ouverture.

Une simple, quatre réalistes
StratégieRègleCe qu'elle met à l'épreuveDonnées
S1Croisement de moyennesAcheteur de 100 unités tant que SMA(20) > SMA(100), à plat sinonLa référence que tout moteur sait exécuter500 000 barres
S2Cassure avec stop et objectifAchat de 100 unités sur une clôture au-dessus du plus haut des 50 barres ; stop à −1 %, objectif à +2 %Sorties intrabar sur le plus haut et le plus bas, écarts à travers un niveau, réentrée sur la barre de sortie500 000 barres
S3Arbitrage statistique sur pairePrendre l'écart logarithmique de deux actifs à |z| > 2 sur 500 barres, sortir à |z| < 0,5Deux actifs, achat et vente à découvert, jambes de montant fixe2 × 250 000 barres
S4Momentum transversalChaque jour, détenir les 5 meilleurs des 20 actifs sur 5 jours, 50 000 USD chacunUn portefeuille de 20 actifs, trésorerie partagée, rééquilibrage20 × 50 000 barres
S5Retour à la moyenne par ordres limitesPlacer un achat limite 0,2 % sous chaque clôture, valable une barre ; une fois exécuté, sortir à +0,2 % ou sur un stop à −0,4 %Ordres limites en attente, écarts à travers une limite, stop et objectif dans la même barre100 000 barres

– MÉTHODE

Comment la mesure a été construite

La justesse d'abord, la vitesse ensuite, avec les mêmes règles pour chaque moteur.

01

Une référence sans moteur dedans

Un court simulateur écrit à partir de la seule spécification, chaque cas limite tranché : un écart à travers un stop, un stop et un objectif dans la même barre, une réentrée sur la barre de sortie. Chaque moteur est comparé à lui, jamais à un autre moteur.

02

Chaque moteur au mieux

Chaque stratégie est écrite comme l'écrirait pour la vitesse un utilisateur expert du moteur : ses propres indicateurs, ses chemins vectorisés ou compilés, ses API de lot, sa configuration normale. Quand un moteur ne sait pas exprimer une règle, la case le dit au lieu de faire semblant.

03

10 cœurs épinglés

Un CPU 10 cœurs. Chaque mesure tourne dans un processus neuf épinglé sur les mêmes 10 cœurs, avec les pools de threads plafonnés à 10 : aucun moteur n'hérite des imports ou des caches d'un autre.

04

Statistiques

Trois tours dans un ordre tiré au hasard, le premier appel de chaque processus mis de côté comme démarrage à froid, des médianes plutôt que des moyennes, et des intervalles à 95 % par bootstrap hiérarchique (processus, puis répétitions).

– RÉSULTATS

Temps et concordance, moteur par stratégie

Temps médian d'un backtest, des données chargées dans le moteur jusqu'à l'équité finale relue. La justesse de chaque moteur est dans la section suivante.

Temps médian d'un backtest, par stratégie (échelle logarithmique commune)

S1 · Croisement de moyennes

10 ms0,1 s1 s10 smanifoldbtmanifoldbt, S1: 9,6 ms (intervalle à 95 % 9,4 ms – 9,7 ms)9,6 msraptorbtraptorbt, S1: 39 ms (intervalle à 95 % 39 ms – 40 ms)39 msvectorbtvectorbt, S1: 937 ms (intervalle à 95 % 926 ms – 949 ms)937 msbacktesting.pybacktesting.py, S1: 1,42 s (intervalle à 95 % 1,42 s – 1,44 s)1,42 sbtbt, S1: 5,22 s (intervalle à 95 % 5,20 s – 5,26 s)5,22 sbacktraderbacktrader, S1: 19,0 s (intervalle à 95 % 18,9 s – 19,1 s)19,0 sNautilusTraderNautilusTrader, S1: 25,0 s (intervalle à 95 % 24,8 s – 26,1 s)25,0 s

S2 · Cassure avec stop et objectif

10 ms0,1 s1 s10 smanifoldbtmanifoldbt, S2: 19 ms (intervalle à 95 % 19 ms – 19 ms)19 msraptorbtraptorbt, S2: 205 ms (intervalle à 95 % 204 ms – 206 ms)205 msvectorbtvectorbt, S2: 717 ms (intervalle à 95 % 697 ms – 723 ms)717 msbacktesting.pybacktesting.py, S2: 1,37 s (intervalle à 95 % 1,36 s – 1,38 s)1,37 sbtnon exprimablebacktraderbacktrader, S2: 20,7 s (intervalle à 95 % 20,1 s – 20,8 s)20,7 sNautilusTraderNautilusTrader, S2: 12,3 s (intervalle à 95 % 12,2 s – 13,0 s)12,3 s

S3 · Arbitrage statistique sur paire

10 ms0,1 s1 s10 smanifoldbtmanifoldbt, S3: 52 ms (intervalle à 95 % 52 ms – 53 ms)52 msraptorbtraptorbt, S3: 3,82 s (intervalle à 95 % 3,80 s – 3,90 s)3,82 svectorbtvectorbt, S3: 489 ms (intervalle à 95 % 485 ms – 492 ms)489 msbacktesting.pynon exprimablebtbt, S3: 2,91 s (intervalle à 95 % 2,89 s – 2,93 s)2,91 sbacktraderbacktrader, S3: 20,4 s (intervalle à 95 % 19,5 s – 20,5 s)20,4 sNautilusTraderNautilusTrader, S3: 24,6 s (intervalle à 95 % 24,5 s – 25,4 s)24,6 s

S4 · Momentum transversal

10 ms0,1 s1 s10 smanifoldbtmanifoldbt, S4: 58 ms (intervalle à 95 % 57 ms – 59 ms)58 msraptorbtraptorbt, S4: 489 ms (intervalle à 95 % 484 ms – 511 ms)489 msvectorbtvectorbt, S4: 192 ms (intervalle à 95 % 189 ms – 194 ms)192 msbacktesting.pynon exprimablebtbt, S4: 1,11 s (intervalle à 95 % 1,09 s – 1,12 s)1,11 sbacktraderbacktrader, S4: 28,6 s (intervalle à 95 % 28,2 s – 28,9 s)28,6 sNautilusTraderNautilusTrader, S4: 14,4 s (intervalle à 95 % 14,4 s – 14,5 s)14,4 s

S5 · Retour à la moyenne par ordres limites

10 ms0,1 s1 s10 smanifoldbtmanifoldbt, S5: 12 ms (intervalle à 95 % 12 ms – 12 ms)12 msraptorbtraptorbt, S5: 945 ms (intervalle à 95 % 941 ms – 948 ms)945 msvectorbtnon exprimablebacktesting.pybacktesting.py, S5: 629 ms (intervalle à 95 % 624 ms – 634 ms)629 msbtnon exprimablebacktraderbacktrader, S5: 8,93 s (intervalle à 95 % 8,56 s – 9,26 s)8,93 sNautilusTraderNautilusTrader, S5: 17,7 s (intervalle à 95 % 17,7 s – 18,4 s)17,7 s
Une forme de point par stratégie, la même dans chaque figure. Même ordre des moteurs dans les cinq panneaux, du plus rapide au plus lent sur S1. Survolez une barre pour son intervalle à 95 % ; le tableau complet est plus bas.
Écart au moteur le plus rapide, stratégie par stratégie
  • S1 · Croisement de moyennes
  • S2 · Cassure avec stop et objectif
  • S3 · Arbitrage statistique sur paire
  • S4 · Momentum transversal
  • S5 · Retour à la moyenne par ordres limites
1×10×100×1 000×manifoldbtmanifoldbt, S1: 1,0× (9,6 ms, intervalle à 95 % 9,4 ms – 9,7 ms)manifoldbt, S2: 1,0× (19 ms, intervalle à 95 % 19 ms – 19 ms)manifoldbt, S3: 1,0× (52 ms, intervalle à 95 % 52 ms – 53 ms)manifoldbt, S4: 1,0× (58 ms, intervalle à 95 % 57 ms – 59 ms)manifoldbt, S5: 1,0× (12 ms, intervalle à 95 % 12 ms – 12 ms)le plus rapide sur les cinq stratégiesraptorbtraptorbt, S1: 4,1× (39 ms, intervalle à 95 % 39 ms – 40 ms)raptorbt, S2: 11× (205 ms, intervalle à 95 % 204 ms – 206 ms)raptorbt, S3: 73× (3,82 s, intervalle à 95 % 3,80 s – 3,90 s)raptorbt, S4: 8,4× (489 ms, intervalle à 95 % 484 ms – 511 ms)raptorbt, S5: 79× (945 ms, intervalle à 95 % 941 ms – 948 ms)vectorbtvectorbt, S1: 98× (937 ms, intervalle à 95 % 926 ms – 949 ms)vectorbt, S2: 38× (717 ms, intervalle à 95 % 697 ms – 723 ms)vectorbt, S3: 9,4× (489 ms, intervalle à 95 % 485 ms – 492 ms)vectorbt, S4: 3,3× (192 ms, intervalle à 95 % 189 ms – 194 ms)backtesting.pybacktesting.py, S1: 148× (1,42 s, intervalle à 95 % 1,42 s – 1,44 s)backtesting.py, S2: 73× (1,37 s, intervalle à 95 % 1,36 s – 1,38 s)backtesting.py, S5: 52× (629 ms, intervalle à 95 % 624 ms – 634 ms)btbt, S1: 544× (5,22 s, intervalle à 95 % 5,20 s – 5,26 s)bt, S3: 56× (2,91 s, intervalle à 95 % 2,89 s – 2,93 s)bt, S4: 19× (1,11 s, intervalle à 95 % 1,09 s – 1,12 s)backtraderbacktrader, S1: 1 974× (19,0 s, intervalle à 95 % 18,9 s – 19,1 s)backtrader, S2: 1 112× (20,7 s, intervalle à 95 % 20,1 s – 20,8 s)backtrader, S3: 391× (20,4 s, intervalle à 95 % 19,5 s – 20,5 s)backtrader, S4: 489× (28,6 s, intervalle à 95 % 28,2 s – 28,9 s)backtrader, S5: 744× (8,93 s, intervalle à 95 % 8,56 s – 9,26 s)NautilusTraderNautilusTrader, S1: 2 600× (25,0 s, intervalle à 95 % 24,8 s – 26,1 s)NautilusTrader, S2: 659× (12,3 s, intervalle à 95 % 12,2 s – 13,0 s)NautilusTrader, S3: 471× (24,6 s, intervalle à 95 % 24,5 s – 25,4 s)NautilusTrader, S4: 247× (14,4 s, intervalle à 95 % 14,4 s – 14,5 s)NautilusTrader, S5: 1 477× (17,7 s, intervalle à 95 % 17,7 s – 18,4 s)
Chaque point est un moteur sur une stratégie, rapporté au meilleur temps de cette stratégie (1× = le plus rapide). Le trait relie les cinq stratégies d'un même moteur : plus il est long, plus le classement du moteur dépend de ce qu'on lui demande.

L'écart dépend de la stratégie. Sur le croisement, le moteur le plus rapide et le plus lent sont à 2 600× l'un de l'autre ; sur la rotation de 20 actifs, les moteurs vectorisés se rapprochent, vectorbt à 3,3× du meilleur temps, parce que vingt colonnes en une passe de tableaux lui coûtent peu.

raptorbt montre ce que coûte le chemin d'appel. Avec son runner sur tableaux, il est à 4,1× du meilleur temps sur le croisement. Sur la paire il tombe à 73×, parce que sa seule façon de traiter deux jambes est sa session pas à pas, appelée depuis Python à chaque barre, et les ordres limites de S5 passent par cette même session : 79×, derrière la simple boucle Python de backtesting.py à 52×.

vectorbt paie environ 3,68 s de compilation Numba au premier appel de chaque processus. manifoldbt et raptorbt n'ont rien à compiler, et leur premier appel reste à quelques dizaines de millisecondes des suivants.

Voir les chiffres en tableau
Temps et concordance, moteur par stratégie
MoteurS1 · Croisement de moyennesS2 · Cassure avec stop et objectifS3 · Arbitrage statistique sur paireS4 · Momentum transversalS5 · Retour à la moyenne par ordres limites
manifoldbt0.35.1 · Cœur Rust, DSL d'expressions déclaratif9,6 ms ✓1×19 ms ✓†1×52 ms ✓1×58 ms ✓1×12 ms ✓†1×
raptorbt0.13.4 · Cœur Rust, runners sur tableaux et session pas à pas39 ms ✓4,1×205 ms ✓†11×3,82 s ✓73×489 ms ≠8,4×945 ms ✓†79×
vectorbt1.2.1 · NumPy/Numba, tableaux vectorisés937 ms ✓98×717 ms ≠38×489 ms ✓9,4×192 ms ✓3,3×non exprimable
backtesting.py0.6.6 · Boucle événementielle Python sur des tableaux NumPy1,42 s ✓148×1,37 s ✓73×non exprimablenon exprimable629 ms ✓52×
bt1.4.1 · Arbre d'algos Python sur pandas5,22 s ✓544×non exprimable2,91 s ✓56×1,11 s ✓19×non exprimable
backtrader1.9.78.123 · Boucle événementielle Python, objets « lines »19,0 s ✓1 974×20,7 s ✓1 112×20,4 s ✓391×28,6 s ✓489×8,93 s ✓744×
NautilusTrader1.231.0 · Cœur Rust/Cython, événementiel25,0 s ¢2 600×12,3 s ✓†659×24,6 s ¢471×14,4 s ¢247×17,7 s ✓†1 477×
  • ✓exact au millionième de dollar, mêmes exécutions
  • ✓†exact selon sa propre convention pour un niveau que la barre ouvre au-delà, confirmé par rejeu
  • ¢mêmes exécutions, montants arrondis au centime
  • ≠diffère, cause plus bas
  • non exprimablene s'exprime pas nativement

– OÙ ILS DIVERGENT

Chaque écart, ramené à sa règle

Chaque désaccord a été suivi jusqu'à la barre et à la règle qui le cause, puis confirmé en rejouant la référence avec cette seule règle modifiée.

Concordance avec la référence, moteur par stratégie
MoteurS1 · Croisement de moyennesS2 · Cassure avec stop et objectifS3 · Arbitrage statistique sur paireS4 · Momentum transversalS5 · Retour à la moyenne par ordres limites
manifoldbtexactexact selon sa conventionexactexactexact selon sa convention
raptorbtexactexact selon sa conventionexactécart316 $exact selon sa convention
vectorbtexactécart1 416 $exactexactnon exprimable
backtesting.pyexactexactnon exprimablenon exprimableexact
btexactnon exprimableexactexactnon exprimable
backtraderexactexactexactexactexact
NautilusTraderau centime0,21 $exact selon sa conventionau centime0,50 $au centime0,05 $exact selon sa convention
Montant de l'écart d'équité finale sur un capital d'un million de dollars. Survolez une case pour l'écart exact et le nombre d'exécutions face à la référence.
manifoldbt, raptorbt, NautilusTrader (S2, S5) : où s'exécute un niveau franchi par un écart
Quand une barre ouvre au-delà d'un niveau en attente, un objectif au-dessus du marché ou un achat limite en dessous, la référence exécute à l'ouverture : le meilleur prix, celui qu'obtient un vrai ordre limite en attente chez un courtier, et ce que font backtrader et backtesting.py. raptorbt et NautilusTrader exécutent au niveau sur chaque barre de ce type. manifoldbt 0.35.1 exécute au niveau quand la barre revient le traiter, à l'ouverture sinon. Aucun de ces choix n'est un bug ; exécuter au niveau renonce à un peu de gain et n'en invente jamais. Sur S2, la règle touche l'objectif de 17 trades sur 1 344 pour raptorbt (73 $) et de 16 pour manifoldbt (71 $). Sur S5, elle touche 17 entrées limites et 40 objectifs sur 1 799 trades pour raptorbt (457 $), 17 entrées et 36 objectifs pour manifoldbt (441 $). Rejouée avec la règle de chaque moteur, la référence retombe sur l'équité de ce moteur, au centime près pour manifoldbt et raptorbt, dans la limite de son arrondi au centime pour NautilusTrader.
vectorbt (S2)
Un seul ordre par barre : après une sortie par stop ou par objectif sur une barre, il ne peut pas reprendre position sur cette même barre, ce que la spécification permet. 82 exécutions de moins et 1 416 $.
raptorbt (S4)
Une position par instrument : il refuse tout achat sur un actif déjà détenu, un rééquilibrage ne peut donc pas renforcer une position. 46 ordres refusés, 316 $.
NautilusTrader
Les montants du compte sont tenus au centime : sur S1, S3 et S4, son équité n'est jamais exacte au millionième, et jamais fausse de plus de 0,50 $ ici. Sur S2 et S5, chaque prix de barre n'offre qu'un quart du volume de la barre, et chaque ordre s'exécute en deux fois.
backtesting.py
Il appelle la stratégie pour la première fois une barre après que ses indicateurs sont prêts : un signal déjà vrai sur la première barre valide est manqué. Invisible à ces tailles, l'effet apparaît dans le balayage : 27 combinaisons sur 64 diffèrent, jusqu'à 24 $.
backtrader
Un ordre décidé sur la dernière barre n'est jamais exécuté, puisqu'il le serait pendant une barre suivante qui n'existe pas. 3 des 64 combinaisons du balayage tradent sur leur dernière barre et perdent le frais de cette exécution, 9,00 $.
Non exprimable
backtesting.py traite un instrument par backtest : ni paire (S3) ni portefeuille (S4). bt transige à un seul prix par barre, sans types d'ordres : ni stop ni objectif intrabar (S2), ni ordre limite (S5). vectorbt en version libre n'a pas non plus de type d'ordre limite (S5).

– BALAYAGE DE PARAMÈTRES

64 combinaisons sur 10 cœurs

S1 avec des fenêtres rapides de 5 à 40 et lentes de 50 à 250 sur 100 000 barres, chaque combinaison vérifiée contre la référence. Chaque moteur a deux chances, son propre mécanisme de balayage et un pool générique de 10 processus, et garde le plus rapide.

Balayage de 64 combinaisons sur 100 000 barres, 10 cœurs (échelle logarithmique)
  • chemin propre
  • pool générique
10 ms0,1 s1 s10 smanifoldbtmanifoldbt, chemin propre: 5,2 ms, 64/645,2 msmanifoldbt, pool générique: 49 ms, 64/6449 msraptorbtraptorbt, chemin propre: 98 ms, 64/6498 msraptorbt, pool générique: 84 ms, 64/6484 msvectorbtvectorbt, chemin propre: 1,18 s, 64/641,18 svectorbt, pool générique: 1,72 s, 64/641,72 sbacktesting.pybacktesting.py, chemin propre: 4,74 s, 37/644,74 sbacktesting.py, pool générique: 2,79 s, 37/642,79 sbtchemin propre: –bt, pool générique: 10,5 s, 64/6410,5 sbacktraderbacktrader, chemin propre: 22,8 s, 61/6422,8 sbacktrader, pool générique: 37,3 s, 61/6437,3 sNautilusTraderchemin propre: –NautilusTrader, pool générique: 33,7 s, 0/6433,7 s
Chemin propre du moteur et pool générique de 10 processus, côte à côte. Un tiret : le moteur n'a pas de mécanisme de balayage.

Les chemins propres : run_sweep_lite de manifoldbt (threads Rust, métriques seules, sans journal des ordres), batch_single_backtest de raptorbt, la diffusion par colonnes de vectorbt (un seul thread en version libre), optstrategy de backtrader et optimize de backtesting.py avec un pool de processus. bt et NautilusTrader n'en ont pas. L'optimiseur de backtrader bat le pool parce qu'il charge les données une fois ; celui de backtesting.py perd contre lui parce que chaque appel démarre un nouveau pool.

Voir les chiffres en tableau
64 combinaisons sur 10 cœurs
MoteurChemin proprePool génériqueMeilleurCombinaisons exactes
manifoldbt5,2 ms49 mschemin propre64 / 64
raptorbt98 ms84 mspool64 / 64
vectorbt1,18 s1,72 schemin propre64 / 64
backtesting.py4,74 s2,79 spool37 / 64
btaucun10,5 spool64 / 64
backtrader22,8 s37,3 schemin propre61 / 64
NautilusTraderaucun33,7 spool0 / 64

– LIMITES

Ce que cette étude ne dit pas

À garder en tête en lisant les chiffres.

  • Cinq stratégies sur des barres. Un moteur événementiel comme NautilusTrader est fait pour les carnets d'ordres, la latence et le comportement d'une place de marché, que des stratégies sur barres utilisent à peine. Une stratégie de market making a aussi été spécifiée puis retirée : quatre des sept moteurs ne savent pas exprimer, sur des barres, des cotations en attente avec exécutions partielles et funding.
  • Des données synthétiques, avec un écart d'ouverture à chaque barre et un plus grand toutes les 1 440 barres, mais sans barre manquante, sans coupure de séance ni fuseau horaire. Des données réelles ajoutent tout cela, et avec eux d'autres occasions de diverger pour les moteurs.
  • Une seule machine, partagée, avec d'autres applications ouvertes. Les trois processus d'un même moteur concordent à quelques pour cent près, et une machine dédiée donnerait d'autres valeurs absolues. Une première campagne, le 17/11/2026, a mesuré les moteurs Python jusqu'à deux fois plus lents, parce que la gestion d'énergie de Windows bridait les processus ; elle a été écartée, et la campagne présentée ici a tourné avec ce bridage désactivé.
  • Les versions évoluent. Chaque chiffre appartient aux versions indiquées dans le tableau des résultats, mesurées le 17/11/2026. vectorbt est le paquet libre, pas vectorbt PRO. Le runner sur tableaux de raptorbt ne sait pas dimensionner en quantité fixe : les 100 unités de S1 s'y écrivent comme un lot de 100.

– POUR UN TRACK RECORD

Un backtest reste une simulation

Même avec chaque règle écrite noir sur blanc, les moteurs n'ont pas tous affiché le même chiffre. Les écarts venaient de choix que personne ne pense à préciser : où s'exécute un objectif ou une limite franchis par un écart, si une barre de sortie peut réentrer, si un rééquilibrage peut renforcer une position. Un chiffre de backtest emporte son moteur avec lui.

Un compte réel n'a aucun de ces degrés de liberté. Les ordres ont été exécutés chez le courtier, aux prix qu'il rapporte, ce qui en fait la moitié de la comparaison que chacun peut vérifier sans choisir de moteur.

Références de méthode : A. Georges, D. Buytaert et L. Eeckhout, Statistically rigorous Java performance evaluation, OOPSLA 2007. T. Kalibera et R. Jones, Rigorous benchmarking in reasonable time, ISMM 2013. T. Hoefler et R. Belli, Scientific benchmarking of parallel computing systems, SC15.

FAQ

Questions fréquentes

LE CÔTÉ RÉEL

Prouvez la moitié qu'aucun moteur ne change

Connectez votre plateforme ou votre courtier. AuditZK construit un track record vérifié à partir des données de la plateforme elle-même, sans voir votre stratégie.