Backtesting et Forward Testing : l’importance de la corrélation

Les traders désireux d’essayer une idée de trading sur un marché réel commettent souvent l’erreur de se fier entièrement aux résultats du backtesting pour déterminer si le système sera rentable. Bien que le backtesting puisse fournir aux traders 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 avancés fournissent une confirmation supplémentaire de l’efficacité d’un système et peuvent montrer les vraies couleurs d’un système avant que de l’argent réel ne soit en jeu. Une bonne corrélation entre les résultats des tests rétrospectifs, hors échantillon et des tests de performance avancés est essentielle pour déterminer la viabilité d’un système de trading.

Les bases du backtesting

Le backtesting fait référence à l’application d’un système de trading à des données historiques pour vérifier comment un système aurait fonctionné au cours de la période spécifiée. De nombreuses plateformes de trading d’aujourd’hui prennent en charge le backtesting. Les traders peuvent tester des idées en quelques frappes et avoir un aperçu de l’efficacité d’une idée sans risquer de fonds sur un compte de trading. Le backtesting peut évaluer des idées simples, telles que les performances d’un croisement de moyenne mobile sur des données historiques, ou des systèmes plus complexes avec une variété d’entrées et de déclencheurs.

Tant qu’une idée peut être quantifiée, elle peut être backtestée. Certains commerçants et investisseurs peuvent rechercher l’expertise d’un programmeur qualifié pour développer l’idée sous une forme testable. En règle générale, cela implique un programmeur qui code 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 commerçant de « modifier » le système.

Un exemple de ceci serait dans le système de croisement de moyenne mobile simple noté ci-dessus : le commerçant serait en mesure d’entrer (ou de modifier) ​​les longueurs des deux moyennes mobiles utilisées dans le système. Le trader pourrait effectuer un backtest pour déterminer quelles longueurs de moyennes mobiles auraient le mieux fonctionné sur les données historiques.

Études 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 meilleure. Une optimisation multivariable peut faire le calcul pour deux ou plusieurs variables afin de déterminer quelles combinaisons auraient obtenu le meilleur résultat.

Par exemple, les traders peuvent indiquer au programme les intrants qu’ils souhaitent ajouter à leur stratégie ; ceux-ci seraient ensuite optimisés à leurs poids idéaux compte tenu des données historiques testées.

Le backtesting peut être passionnant dans la mesure où un système non rentable peut souvent être transformé par magie en une machine à gagner 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 n’ont une belle apparence que sur papier.

L’ajustement de courbe est l’utilisation d’analyses d’optimisation pour créer le plus grand nombre de transactions gagnantes au meilleur profit sur les données historiques utilisées au cours de la période de test. Bien qu’il semble impressionnant dans les résultats de backtesting, l’ajustement de courbe conduit à des systèmes peu fiables car les résultats sont essentiellement conçus sur mesure pour ces données et cette période particulières.

Le backtesting et l’optimisation offrent 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 aux données historiques qui n’ont pas été utilisées lors de la phase initiale de backtesting.

Données dans l’échantillon et données hors échantillon

Lorsque vous testez une idée sur des données historiques, il est avantageux 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 de l’échantillon. L’ensemble de données qui a été réservé est appelé données hors échantillon. Cette configuration est une partie importante du processus d’évaluation car elle fournit un moyen 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 aucunement 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, c’est-à-dire dans le trading réel.

Avant de lancer un backtesting ou une optimisation, les traders peuvent réserver un pourcentage des données historiques à réserver pour les tests hors échantillon. Une méthode consiste à diviser les données historiques en trois tiers et à en séparer un tiers pour une utilisation dans les tests hors échantillon. Seules les données de l’échantillon doivent être utilisées pour les tests initiaux et toute optimisation.

La figure ci-dessous montre une chronologie dans laquelle 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 ci-dessous représente les données hors échantillon au début du test, les procédures typiques auraient la partie hors échantillon précédant immédiatement la performance à terme.

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 (une fonctionnalité fournie par la plupart des plateformes de trading). 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 le trading en direct.

La figure ci-dessous illustre deux systèmes différents qui ont été testés et optimisés sur les données de l’échantillon, puis appliqués aux données hors de l’échantillon. Le graphique de gauche montre un système qui était clairement adapté à la courbe pour bien fonctionner sur les données de l’échantillon et a complètement échoué sur les données hors de l’échantillon. Le graphique de droite montre un système qui s’est bien comporté sur les données dans et hors de l’échantillon.

Une fois qu’un système commercial a été développé en utilisant les 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 dans l’échantillon et hors de l’échantillon.

S’il y a peu de corrélation entre les tests dans l’échantillon et hors échantillon, comme le graphique de gauche dans la figure ci-dessus, il est probable que le système a été sur-optimisé et ne fonctionnera pas bien dans le trading en direct. S’il existe une forte corrélation entre les performances, comme le montre le graphique de droite, la prochaine phase d’évaluation implique un type supplémentaire de test hors échantillon appelé test de performance avancé.

Principes de base des tests de performance avancés

Les tests de performance à terme, également connus sous le nom de trading papier, fournissent aux traders un autre ensemble de données hors 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 réel. On l’appelle aussi trading papier puisque toutes les transactions sont exécutées sur papier uniquement ; c’est-à-dire que les entrées et les sorties de transactions sont documentées avec tout profit ou perte pour le système, mais aucune transaction réelle n’est exécutée.

Un aspect important des tests de performance avancés est de suivre exactement la logique du système ; sinon, il devient difficile, voire impossible, d’évaluer avec précision cette étape du processus. Les traders doivent être honnêtes à propos de toute entrée et sortie de transaction et éviter les comportements tels que les transactions sélectives ou ne pas inclure une transaction sur papier en expliquant que « je n’aurais jamais pris cette transaction ». Si l’échange s’était produit selon la logique du système, il devrait être documenté et évalué.

De nombreux courtiers proposent 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 davantage le système.

La figure ci-dessus montre également les résultats des tests de performance avancés sur deux systèmes. Encore une fois, le système représenté dans le graphique de gauche ne réussit pas bien au-delà des tests initiaux sur les données de l’échantillon. Cependant, le système illustré dans le graphique de droite continue de bien fonctionner à 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 échantillon et à terme est prêt à être mis en œuvre sur un marché réel.

La ligne de fond

Le 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 et hors échantillon peut fournir aux traders un moyen pratique et efficace d’évaluer une idée et un système de trading. Étant donné que la plupart des commerçants utilisent des techniques d’optimisation dans le backtesting, il est important d’évaluer ensuite le système sur des données propres pour déterminer sa viabilité.

La poursuite des tests hors échantillon avec des tests de performance avancés fournit une autre couche de sécurité avant de mettre un système sur le marché en risquant de l’argent réel. Des résultats positifs et une bonne corrélation entre le backtesting dans l’échantillon et hors échantillon et les tests de performance à terme augmentent la probabilité qu’un système fonctionne bien dans le trading réel.