StrateloGuide pratique
Pourquoi un backtest peut être sur-optimisé
Identifier le sur-ajustement d’un backtest, limiter les essais de paramètres et mieux séparer sélection et validation.
Le sur-ajustement apparaît lorsque les règles ou paramètres capturent les particularités du passé plutôt qu’un comportement susceptible de se répéter. Tester de nombreuses variantes puis conserver la meilleure augmente mécaniquement le risque de sélectionner une coïncidence.
Signaux d’alerte
- un paramètre précis fonctionne alors que les valeurs voisines échouent ;
- la majorité de la performance provient de quelques opérations ;
- la stratégie se dégrade fortement dès que les coûts augmentent ;
- le résultat disparaît sur une autre période ou un autre actif comparable.
Séparer recherche et validation
Une partie des données sert à formuler ou régler l’hypothèse. Une autre partie, non utilisée pendant cette phase, sert à la tester. Réutiliser plusieurs fois la période de validation finit toutefois par la transformer en période d’optimisation implicite.
Préférer des zones stables
Un plateau de paramètres raisonnables est plus rassurant qu’un pic isolé. Décaler légèrement la période, le seuil ou le coût ne devrait pas inverser complètement le diagnostic.
Documenter le nombre d’essais
Conservez la trace des variantes rejetées. La meilleure courbe n’a pas la même signification après trois essais qu’après trois mille. Les travaux sur la probabilité de sur-ajustement des backtests montrent précisément l’importance de la sélection multiple.
Exemple de protocole
Tester une zone plutôt qu’un seuil magique
Pour une règle fondée sur le RSI, ne comparez pas uniquement le seuil 29 au seuil 30. Définissez avant l’analyse une petite plage cohérente, par exemple plusieurs seuils espacés entre 25 et 35, et observez si le diagnostic général reste similaire. Répétez ensuite le test sur des fenêtres temporelles distinctes sans choisir les dates après avoir vu les résultats.
Si un seul seuil produit une courbe exceptionnelle tandis que toutes les valeurs voisines échouent, le signal ressemble davantage à un pic d’optimisation qu’à une zone stable. À l’inverse, des résultats modestes mais cohérents sur plusieurs seuils et plusieurs périodes sont plus faciles à expliquer — sans pour autant prouver une performance future.
Organiser recherche et validation
- Écrire l’hypothèse et les paramètres à tester.
- Réserver une partie des données à la validation.
- Noter chaque variante essayée, y compris les échecs.
- Choisir une conclusion avant d’ouvrir une nouvelle fenêtre.
- Passer ensuite au suivi virtuel sur de nouvelles données.
Ce que les stress tests doivent changer
Augmenter les frais, doubler une hypothèse de slippage ou réduire la taille de position ne sert pas à prédire un scénario exact. Ces variations révèlent la dépendance du résultat à une exécution idéale. Si le verdict change immédiatement, le rapport doit le présenter comme une fragilité plutôt que masquer le scénario défavorable.