Les traders désireux d'essayer une idée de trading sur un marché en direct font souvent l'erreur de se fier entièrement aux résultats des backtestings pour déterminer si le système sera rentable. Bien que le backtesting puisse fournir aux commerçants des informations précieuses, il est souvent trompeur et ne constitue qu'une partie du processus d'évaluation. Les tests hors-échantillon et les tests de performance à terme fournissent une confirmation supplémentaire de l'efficacité d'un système et peuvent montrer les vraies couleurs d'un système, avant que l'argent réel ne soit en jeu. Une bonne corrélation entre les résultats des tests de backtesting, hors-échantillon et forward performance est essentielle pour déterminer la viabilité d'un système de trading. (Nous offrons quelques conseils sur ce processus qui peuvent vous aider à affiner vos stratégies de trading actuelles Pour en savoir plus, lisez Backtesting: Interprétation du passé .)

AD:

Bases de backtesting Backtesting fait référence à l'application d'un système de trading à des données historiques pour vérifier comment un système aurait fonctionné pendant la période spécifiée. La plupart des plates-formes de trading actuelles prennent en charge le backtesting. Les traders peuvent tester leurs idées en quelques clics et avoir un aperçu de l'efficacité d'une idée sans risquer des fonds dans un compte de trading. Le backtesting peut évaluer des idées simples, telles que la façon dont un croisement de moyennes mobiles se produirait sur des données historiques, ou des systèmes plus complexes avec une variété d'entrées et de déclencheurs.

AD:

Tant qu'une idée peut être quantifiée, elle peut être antidatée. Certains commerçants et investisseurs peuvent demander l'expertise d'un programmeur qualifié pour développer l'idée dans une forme testable. Typiquement, cela implique un programmeur codant l'idée dans le langage propriétaire hébergé par la plateforme de trading. Le programmeur peut incorporer des variables d'entrée définies par l'utilisateur qui permettent au trader de "modifier" le système. Un exemple de ceci serait dans le simple système de croisement de moyenne mobile noté ci-dessus: le commerçant serait en mesure d'entrer (ou changer) les longueurs des deux moyennes mobiles utilisées dans le système. Le trader pourrait effectuer un backtest pour déterminer quelles longueurs de moyennes mobiles auraient été les meilleures sur les données historiques. (Obtenez plus d'informations sur le Tutoriel de négociation électronique .)

AD:

Etudes d'optimisation
De nombreuses plateformes de trading permettent également des études d'optimisation. Cela implique d'entrer une plage pour l'entrée spécifiée et de laisser l'ordinateur «faire le calcul» pour déterminer quelle entrée aurait été la plus performante. Une optimisation multi-variable peut faire le calcul pour deux ou plusieurs variables combinées pour déterminer quels niveaux ensemble auraient atteint le meilleur résultat. Par exemple, les commerçants peuvent indiquer au programme les intrants qu'ils aimeraient ajouter à leur stratégie; ceux-ci seraient ensuite optimisés à leur poids idéal compte tenu des données historiques testées.

Le backtesting peut être excitant dans la mesure où un système non rentable peut souvent être transformé magiquement en une machine à faire de l'argent avec quelques optimisations. Malheureusement, peaufiner un système pour atteindre le plus haut niveau de rentabilité passée conduit souvent à un système qui fonctionnera mal dans le commerce réel. Cette sur-optimisation crée des systèmes qui semblent bons sur papier seulement.

L'ajustement de courbe est l'utilisation de l'analyse d'optimisation pour créer le plus grand nombre de transactions gagnantes au meilleur profit sur les données historiques utilisées pendant la période de test. Bien que cela semble impressionnant dans les résultats du backtesting, l'ajustement de la courbe conduit à des systèmes peu fiables car les résultats sont essentiellement conçus sur mesure pour ces données et cette période de temps.

Le backtesting et l'optimisation apportent de nombreux avantages à un trader, mais ce n'est qu'une partie du processus lors de l'évaluation d'un système de trading potentiel. La prochaine étape d'un trader consiste à appliquer le système à des données historiques qui n'ont pas été utilisées dans la phase initiale de backtesting. (La moyenne mobile est facile à calculer et, une fois tracée sur un graphique, est un puissant outil visuel de repérage des tendances.Pour plus d'informations, lisez Les moyennes mobiles simples font ressortir les tendances .)

Échantillon ou données hors échantillon Lorsque vous testez une idée sur des données historiques, il est utile de réserver une période de données historiques à des fins de test. Les données historiques initiales sur lesquelles l'idée est testée et optimisée sont appelées données dans l'échantillon. L'ensemble de données réservé est connu sous le nom de données hors échantillon. Cette configuration est une partie importante du processus d'évaluation car elle permet de tester l'idée sur des données qui n'ont pas été un composant dans le modèle d'optimisation. En conséquence, l'idée n'aura pas été influencée par les données hors échantillon et les traders seront en mesure de déterminer dans quelle mesure le système pourrait fonctionner sur de nouvelles données; je. e. dans le commerce réel.

Avant de procéder à un backtesting ou à une optimisation, les traders peuvent mettre de côté un pourcentage des données historiques à réserver aux tests hors échantillon. Une méthode consiste à diviser les données historiques en tiers et à séparer un tiers pour les tests hors échantillon. Seules les données de l'échantillon doivent être utilisées pour le test initial et toute optimisation. La figure 1 montre une ligne temporelle où un tiers des données historiques est réservé aux tests hors échantillon, et les deux tiers sont utilisés pour les tests dans l'échantillon. Bien que la figure 1 illustre les données hors échantillon au début du test, les procédures typiques ont la partie hors échantillon qui précède immédiatement la performance à terme.

Figure 1: Une ligne temporelle représentant la longueur relative des données dans l'échantillon et hors échantillon utilisées dans le processus de backtesting.

Une fois qu'un système de négociation a été développé en utilisant des données de l'échantillon, il est prêt à être appliqué aux données hors échantillon. Les traders peuvent évaluer et comparer les résultats de performance entre les données de l'échantillon et de l'échantillon.

La corrélation fait référence aux similitudes entre les performances et les tendances globales des deux ensembles de données.Les métriques de corrélation peuvent être utilisées pour évaluer les rapports de performance de stratégie créés pendant la période de test (fonctionnalité que la plupart des plateformes de trading fournissent). Plus la corrélation entre les deux est forte, meilleure est la probabilité qu'un système fonctionne bien dans les tests de performance à terme et les transactions en direct. La figure 2 illustre deux systèmes différents qui ont été testés et optimisés sur des données dans l'échantillon, puis appliqués à des données hors échantillon. Le graphique de gauche montre un système parfaitement adapté aux données de l'échantillon et qui a complètement échoué sur les données hors échantillon. Le graphique à droite montre un système qui fonctionne bien sur les données à l'intérieur et à l'extérieur de l'échantillon.

Figure 2: Deux courbes d'équité. Les données commerciales avant chaque flèche jaune représentent les tests dans l'échantillon. Les métiers générés entre les flèches jaunes et rouges indiquent des tests hors échantillon. Les trades après les flèches rouges proviennent des phases de tests de performance avancés.

S'il y a peu de corrélation entre les tests dans l'échantillon et hors échantillon, comme dans le graphique de gauche de la figure 2, il est probable que le système a été trop optimisé et ne fonctionnera pas bien dans le commerce en direct. S'il y a une forte corrélation dans la performance, comme le montre le bon diagramme de la figure 2, la prochaine phase d'évaluation implique un type supplémentaire de tests hors échantillon connu sous le nom de test de performance à terme. (Pour plus d'informations sur les prévisions, reportez-vous à Prévisions financières: la méthode bayésienne .)

Principes de base des tests de performance avant Les tests de performance à terme offrent également aux traders un autre des données d'échantillon sur lesquelles évaluer un système. Les tests de performance à terme sont une simulation du trading réel et impliquent de suivre la logique du système sur un marché en direct. On l'appelle aussi le négoce de papier puisque toutes les transactions sont exécutées sur papier seulement; c'est-à-dire, les entrées et sorties commerciales sont documentées avec tout profit ou perte pour le système, mais aucune transaction réelle n'est exécutée. Un aspect important du test de performance directe est de suivre exactement la logique du système; sinon, il devient difficile, voire impossible, d'évaluer avec précision cette étape du processus. Les traders devraient être honnêtes à propos des entrées et des sorties commerciales et éviter les comportements tels que les opérations de sélection de cerises ou ne pas inclure une transaction sur papier rationalisant que "je n'aurais jamais pris ce commerce". Si le commerce se serait produit selon la logique du système, il devrait être documenté et évalué.

De nombreux courtiers offrent un compte de trading simulé où les transactions peuvent être placées et les profits et pertes correspondants calculés. L'utilisation d'un compte de trading simulé peut créer une atmosphère semi-réaliste sur laquelle pratiquer le trading et évaluer plus avant le système.

La figure 2 montre également les résultats des tests de performance directe sur deux systèmes. Encore une fois, le système représenté dans le graphique de gauche ne parvient pas à faire bien au-delà des tests initiaux sur les données de l'échantillon. Cependant, le système présenté dans le bon diagramme continue de bien fonctionner pendant toutes les phases, y compris les tests de performance avancés.Un système qui montre des résultats positifs avec une bonne corrélation entre les tests de performance dans l'échantillon, hors de l'échantillon et à terme est prêt à être mis en œuvre sur un marché en direct.

The Bottom Line Backtesting est un outil précieux disponible sur la plupart des plateformes de trading. La division des données historiques en plusieurs ensembles pour fournir des tests dans l'échantillon et hors échantillon peut fournir aux traders un moyen pratique et efficace d'évaluer une idée et un système de négociation. Puisque la plupart des commerçants emploient des techniques d'optimisation dans le backtesting, il est important d'évaluer ensuite le système sur des données propres pour déterminer sa viabilité. Poursuivre les tests hors échantillon avec des tests de performance à terme fournit une autre couche de sécurité avant de mettre un système sur le marché risquant de générer de l'argent réel. Des résultats positifs et une bonne corrélation entre les tests de backtesting dans l'échantillon et hors échantillon et les tests de performance à terme augmentent la probabilité qu'un système fonctionne bien dans le commerce réel. (Pour un aperçu complet de l'analyse technique, voir Analyse technique: Introduction .)