Stratégie de trading par hypothèse : la méthode anti-overfitting

La plupart des stratégies surapprises ne naissent pas d'une mauvaise statistique appliquée à la fin, mais d'un mauvais point de départ : on a demandé aux données de proposer une idée. Tester des milliers de combinaisons d'indicateurs jusqu'à trouver celle qui fonctionne garantit de trouver quelque chose — et garantit presque autant que ce quelque chose soit du bruit. L'alternative consiste à inverser l'ordre : formuler d'abord une hypothèse sur le fonctionnement du marché, puis utiliser les données uniquement pour tenter de la réfuter.

Deux façons de chercher une stratégie

L'exploration n'est pas illégitime en soi, mais elle exige des corrections statistiques sévères pour le nombre d'essais (data snooping et ratio de Sharpe) et des volumes de données que peu de marchés offrent.

Photo : Jonathan Borba (Pexels)

Étape 1 : identifier la source du rendement

Toute stratégie rentable prend de l'argent à quelqu'un, ou se fait payer pour un service. Avant de coder, répondez par écrit à trois questions :

1. Pourquoi ce rendement existe-t-il ?
2. Qui est de l'autre côté, et pourquoi accepte-t-il de perdre ou de payer ?
3. Pourquoi l'effet n'a-t-il pas déjà été éliminé par la concurrence ?

Les quatre sources crédibles

Si aucune ligne de ce tableau ne s'applique à votre idée, l'hypothèse la plus probable est que le backtest a trouvé du bruit.

Étape 2 : formuler une prédiction réfutable

Une bonne hypothèse ne dit pas seulement « la stratégie gagne ». Elle prédit où, quand et comment elle doit gagner, ce qui permet de la mettre en défaut.

Exemple pour une hypothèse de sous-réaction aux nouvelles :

• l'effet devrait être plus fort sur les titres peu suivis par les analystes ;
• il devrait s'atténuer après la diffusion de l'information à grande échelle ;
• il devrait apparaître sur plusieurs marchés, puisque le biais est humain et non local.

Chaque prédiction secondaire est un test supplémentaire gratuit : si l'effet est plus fort sur les grandes capitalisations très suivies, le mécanisme avancé est probablement faux, même si la stratégie est rentable.

Étape 3 : fixer le protocole avant le premier test

C'est l'équivalent du pré-enregistrement en recherche scientifique. Consignez, daté et figé :

• l'univers d'actifs et la période de test ;
• les règles exactes d'entrée, de sortie et de taille de position ;
• les valeurs des paramètres, choisies par convention ou par la théorie ;
• les métriques de succès et les seuils d'abandon (par exemple : Sharpe hors échantillon < 0,3 ou drawdown > 30 %) ;
• le nombre maximal de révisions autorisées.

Ce document protège contre la tentation la plus humaine du métier : ajuster les critères de succès après avoir vu le résultat.

Photo : Kindel Media (Pexels)

Étape 4 : tester pour réfuter

Le backtest est ensuite mené comme un contrôle, pas comme une recherche. Appliquez la méthode complète du backtesting : données point-in-time, décalage des signaux, coûts réalistes. Puis vérifiez chaque prédiction secondaire de l'étape 2, et pas seulement la courbe de capital.

Étape 5 : limiter et comptabiliser les révisions

Une révision n'est pas interdite, mais chacune coûte. Si le premier test échoue et que vous modifiez la règle, vous avez consommé une partie de l'information contenue dans les données. Notez chaque version dans un journal, avec sa justification économique. Une révision motivée par le mécanisme (« l'effet devrait porter sur les petites capitalisations ») vaut beaucoup mieux qu'une révision motivée par la courbe (« en retirant 2018, ça marche »).

Au-delà de deux ou trois révisions, la démarche redevient de l'exploration déguisée, et les corrections pour tests multiples s'imposent à nouveau.

Étape 6 : valider là où l'idée n'a jamais été regardée

L'hypothèse la plus solide est celle qui fonctionne sur des données qui n'ont joué aucun rôle dans sa conception :

• d'autres marchés : un biais comportemental doit se retrouver sur plusieurs places boursières ;
• d'autres périodes, notamment antérieures à celle de conception ;
• en temps réel, par paper trading, là où aucune tricherie involontaire n'est possible.

La validation walk-forward complète ce dispositif lorsque la stratégie comporte des paramètres à recalibrer.

Photo : Vlada Karpovich (Pexels)

Pourquoi cette méthode résiste mieux au surapprentissage

Le surapprentissage croît avec le nombre de choix faits en regardant les données. La recherche par hypothèse agit directement sur ce levier : peu d'essais, des paramètres fixés à l'avance (combien de paramètres pour une stratégie), et des prédictions multiples qui rendent une coïncidence beaucoup moins probable. Elle ne rend pas les stratégies plus rentables sur le papier ; elle réduit l'écart entre le papier et le réel, ce qui est la seule rentabilité qui compte.

Elle a aussi un avantage pratique souvent sous-estimé : quand une stratégie fondée sur un mécanisme compris traverse un mauvais passage, vous pouvez vérifier si le mécanisme est toujours à l'œuvre. Avec une combinaison d'indicateurs trouvée par exploration, un drawdown ne vous laisse qu'une question sans réponse : le backtest était-il vrai ? Pour faire contrôler la robustesse de vos résultats, utilisez l'analyseur TrueVerdikt.