Combien de paramètres pour une stratégie de trading ?

Chaque paramètre ajouté à une stratégie améliore presque toujours son backtest. C'est précisément le problème : un modèle suffisamment souple finit par décrire le bruit du passé avec une précision parfaite, et ne dit plus rien du futur. La question utile n'est donc pas « ce paramètre améliore-t-il le résultat ? » mais « ai-je assez de données pour justifier ce paramètre ? ».

Ce qui compte vraiment comme un paramètre

Le décompte naïf se limite aux chiffres optimisés : longueur de moyenne mobile, seuil d'entrée, niveau de stop. Le vrai nombre de degrés de liberté est beaucoup plus élevé.

Si vous avez essayé cinq indicateurs avant de retenir le RSI, ce choix a consommé autant d'information qu'un paramètre optimisé sur cinq valeurs. Le backtest final n'en garde aucune trace, mais les données, elles, ont été utilisées.

Photo : Hendrik B (Pexels)

La règle des transactions par paramètre

Une heuristique largement utilisée en pratique : au moins 10 à 20 transactions indépendantes par paramètre libre. Ce n'est pas un théorème, mais elle traduit une réalité statistique : estimer un paramètre à partir de trop peu d'observations revient à ajuster une courbe sur quelques points.

Attention aux transactions qui ne sont pas indépendantes

Dix positions ouvertes le même jour sur dix actions très corrélées ne font pas dix observations, mais à peine plus d'une. De même, une stratégie qui reste investie des mois et se renforce par petites entrées ne produit pas autant d'informations que son nombre d'ordres le suggère. Comptez les décisions indépendantes, pas les lignes du journal d'exécution.

La longueur minimale de backtest

Bailey, Borwein, López de Prado et Zhu (2014) ont formalisé une idée voisine : plus vous testez de configurations, plus l'historique doit être long pour que le meilleur résultat ne soit pas un simple effet du hasard. Si N configurations indépendantes sans aucun pouvoir prédictif sont testées, le Sharpe annualisé maximal attendu vaut environ E[max] / √années, où E[max] ne dépend que de N.

Lecture : avec 5 ans de données, tester seulement 45 variantes suffit pour qu'un Sharpe de 1 apparaisse en moyenne sans le moindre avantage réel. Une optimisation en grille sur trois paramètres à dix valeurs chacun, soit 1 000 combinaisons, exige plus de dix ans d'historique juste pour atteindre ce seuil — et les combinaisons voisines étant corrélées, le nombre effectif est plus faible, sans jamais tomber à 1.

Pour corriger un Sharpe observé du nombre d'essais, voir data snooping et ratio de Sharpe.

Chercher un plateau, pas un pic

Le test le plus parlant ne demande aucune formule : tracez la performance en fonction de chaque paire de paramètres sous forme de carte de chaleur.

Ce que vous voulez voir

Une large zone homogène de résultats corrects, où déplacer un paramètre de 10 à 20 % change peu le Sharpe. Cela suggère un phénomène réel, que la stratégie capte quelle que soit la valeur exacte.

Ce qui doit alerter

Un point isolé brillant, entouré de résultats médiocres ou négatifs. Cette configuration n'a pas trouvé un effet de marché : elle a trouvé la combinaison qui épouse le mieux un historique particulier.

Une bonne pratique consiste d'ailleurs à retenir le centre du plateau plutôt que son maximum : vous sacrifiez un peu de performance simulée pour gagner beaucoup de robustesse.

Photo : Alex Moliski (Pexels)

Réduire les degrés de liberté

1. Fixer des valeurs par convention plutôt que par optimisation : 20 jours (un mois de bourse), 252 jours (un an). Un paramètre fixé a priori ne consomme pas de données.
2. Utiliser le même paramètre partout : une seule longueur pour tous les actifs, plutôt qu'une valeur optimisée par marché.
3. Combiner plutôt que choisir : moyenner plusieurs horizons (1, 3, 6 et 12 mois) au lieu de sélectionner le meilleur.
4. Supprimer les filtres qui n'améliorent le résultat que de quelques pourcents : ils ajoutent plus de risque de surapprentissage que de valeur.
5. Tenir un journal des essais pour connaître N honnêtement.

Photo : EVG Kowalievska (Pexels)

Checklist avant de valider une stratégie

La simplicité n'est pas une préférence esthétique en trading quantitatif : c'est une contrainte imposée par la quantité limitée d'information que contient l'historique des marchés. Pour comprendre les autres causes d'échec, lisez les 8 erreurs de backtesting et l'overfitting en machine learning appliqué au trading, ou faites analyser vos résultats par l'outil TrueVerdikt.