Le MIPT a présenté un système pour lequel la vérification des stratégies de trading de cryptomonnaies ne repose pas sur un historique de prix idéalisé, mais sur des conditions de modélisation proches du trading réel. La conception prend en compte les frais, le dérapage, la liquidité, le coût de financement des contrats perpétuels et d’autres facteurs qui peuvent rendre faible une stratégie rentable sur papier une fois lancée.
“Fermé l'affaire minimum de +40%…”
« Maintenant, nous travaillons avec plus de 1 300 $ par mois. »
« Il s'avère que l'on retire systématiquement 500 à 600 $ »
Carte de développement
- Développeur : Institut de physique et de technologie de Moscou (MIPT).
- Date de première du système : 30 juillet 2026.
- Industrie : services financiers, investissements et audit.
- Technologies : Exploration de données.
Le système est un outil d’exploration de données conçu pour une évaluation plus rigoureuse des stratégies de crypto-monnaie. Sa tâche est de montrer comment l'algorithme se comporterait non pas dans des conditions de laboratoire, mais dans un environnement où la transaction s'effectue avec des coûts, des retards et des restrictions de marché.
Qu’est-ce que le backtesting et pourquoi est-il nécessaire ?
Le backtesting consiste à tester une stratégie de trading sur des données historiques. En termes simples, l'algorithme semble parcourir à nouveau la partie précédente du marché : il reçoit les prix, ouvre et clôture les transactions selon des règles données, puis montre quel aurait pu être le résultat.
Un tel contrôle est nécessaire pour évaluer à l'avance la logique de la stratégie : si elle a généré des bénéfices, combien de capitaux ont coulé, combien de périodes non rentables se sont produites et si l'idée peut résister aux différentes phases du marché. Le backtesting est particulièrement important pour un robot de trading : il permet de trouver les faiblesses avant de le lancer avec de l'argent réel.
Comment backtester une stratégie ou un robot
Généralement, le contrôle est basé sur un algorithme clair :
- Préparez des données historiques : prix, volumes, commissions et autres paramètres de marché.
- Mettre en place des règles de stratégie : conditions d'entrée et de sortie, taille des positions et limites de risque.
- Offrir des conditions de trading réelles : commissions, slippage, liquidité et coûts de financement pour les contrats perpétuels.
- Exécutez le test pour que l'algorithme n'utilise pas de données du futur.
- Analysez les résultats à travers des rapports, des graphiques et des tableaux de transactions.
MetaTrader, TradingView, Amibroker et des plateformes similaires sont souvent utilisées pour le backtesting. Si vous avez besoin de votre propre système de test, celui-ci est généralement écrit en Python, C++ ou R.
Optimiser un robot de trading revient à rechercher et comparer des paramètres : par exemple, la période de l'indicateur, les règles de sortie ou la taille de la position. Mais choisir uniquement l'option avec la rentabilité maximale est dangereux – il est important d'examiner la stabilité du résultat dans différentes parties du marché.
Il existe des méthodes de vérification supplémentaires. Le Forward testing lance une stratégie sur de nouvelles données après ajustement afin de les tester en dehors de la zone historique sur laquelle les paramètres ont été sélectionnés. Les tests visuels montrent les transactions directement sur le graphique, étape par étape, ce qui permet de voir plus facilement où l'algorithme entre, sort et fait des erreurs.
Mesures, facteurs et erreurs de backtest courantes
Le résultat d’un backtest n’est pas seulement évalué en termes de profit. Habituellement, ils examinent plusieurs indicateurs à la fois :
- Rentabilité : montre combien la stratégie a gagné au cours de la période sélectionnée.
- Drawdown maximum : montre de combien le capital a diminué du sommet au creux.
- Ratio de Sharpe : aide à mesurer les rendements ajustés au risque.
- Volatilité : montre à quel point les résultats de la stratégie ont changé.
- Ratio récompense/risque : vous aide à comprendre si le gain potentiel vaut la perte potentielle.
Le succès du test dépend surtout de la qualité des données, de la prise en compte des commissions, de la liquidité, du glissement, de la modélisation réaliste, de la durée de la période de test et du risque de surajustement.
Les erreurs les plus courantes consistent à utiliser des données futures, à se recycler pour une partie réussie de l'historique, à ignorer les coûts de négociation et à une période de vérification trop courte. C’est à cause de telles erreurs qu’une stratégie peut paraître solide sur le graphique, mais perdre rapidement de son efficacité après son lancement.
Qu’est-ce que les scientifiques du MIPT ont vérifié exactement ?
L'étude s'est concentrée sur les stratégies de dynamique, l'une des approches populaires en matière de trading algorithmique. Leur idée est simple : si le prix d’un actif évolue déjà dans une certaine direction, il peut poursuivre ce mouvement pendant un certain temps. Sur les marchés financiers traditionnels, de telles approches sont utilisées depuis longtemps, mais dans le cas des crypto-monnaies, elles sont souvent testées de manière trop simpliste.
Il existe différents types de stratégies sur le marché des cryptomonnaies :
- Momentum : un pari sur la poursuite d’un mouvement de prix déjà amorcé.
- Arbitrage : recherche de différences de prix entre plateformes ou instruments.
- Scalping : transactions fréquentes à court terme avec un petit objectif de profit.
- Stratégies de tendance : travaillez dans le sens du mouvement principal du marché.
- Stratégies de contre-tendance : une tentative de gagner de l'argent grâce à un repli contre le mouvement actuel.
- Tenue de marché : passer des ordres d'achat et de vente pour gagner de l'argent sur le spread.
Le principal problème de ces tests est leur séparation de la réalité. La cotation sur le graphique historique montre le prix, mais ne révèle pas toutes les conditions de la transaction : quelle était la liquidité, quel était le coût d'exécution, quel a été le dérapage et comment les cycles du marché ont changé. Pour cette raison, la stratégie peut paraître solide sur la base des données passées, mais après son lancement, elle perd rapidement sa rentabilité attendue.
L'équipe du département Blockchain du MIPT a décidé de vérifier la stabilité des stratégies de dynamique avec une approche plus réaliste. Pour ce faire, le travail a été découpé en plusieurs étapes pratiques :
- Création d'un système de tests.
- Collecte de données horaires sur le marché spot.
- Collecte de données horaires sur les contrats à terme perpétuels sur 8 ans.
Comment fonctionne le système de test
Le développement simule le fonctionnement d'une stratégie de trading étape par étape comme si elle était lancée en temps réel. A chaque étape, le système vérifie plusieurs conditions :
- L’algorithme reçoit uniquement les données de marché qui pourraient être disponibles au moment où la décision a été prise.
- Le résultat de la transaction est calculé en tenant compte des commissions.
- Le glissement est ajouté au calcul.
- La liquidité disponible est prise en compte.
- Pour les contrats à durée indéterminée, le coût du financement est pris en compte.
Après avoir calculé une période de temps, l'algorithme passe à la suivante et répète la procédure sur les données mises à jour. Cette approche permet d'éviter une erreur courante : utiliser des informations du futur. En conséquence, le test ne montre pas des rendements abstraits sur l'historique, mais une image plus plausible du comportement de la stratégie dans le trading.
Le système reproduit la stratégie étape par étape : il utilise uniquement les données disponibles à ce moment-là, prend en compte les coûts réels de trading et passe ensuite à la période suivante. Cette méthode permet d'évaluer comment une stratégie pourrait se comporter dans des conditions réelles de marché », a expliqué Maxim Egorov, diplômé du département Blockchain du MIPT.
Pour un marché où les traders testent souvent des idées dans MetaTrader, écrivent leurs propres modèles en Python ou transfèrent des algorithmes à forte charge vers C++, la logique d'entrée et de sortie d'une position n'est pas la seule à être importante. La qualité du contrôle repose sur trois choses :
- Comptabilisation des coûts résultant de l'exécution des transactions.
- Tenez compte des contraintes d’exécution, y compris la liquidité et le dérapage.
- Comparer le score final avec les performances de la stratégie dans un trading réel.
Résultats : la rentabilité n'était pas le principal avantage
Les résultats obtenus ont ensuite été vérifiés à l'aide de méthodes statistiques. Cela était nécessaire pour séparer un effet stable d'une coïncidence aléatoire de paramètres avec une partie réussie du marché. Un tel contrôle a montré que de nombreuses stratégies qui semblent bonnes lors des tests standards perdent sensiblement leur efficacité après avoir pris en compte les conditions commerciales réelles.
La principale conclusion n’est pas que les stratégies dynamiques génèrent le profit maximum. Un avantage plus important était leur capacité à limiter les pertes pendant les périodes de forte baisse des marchés. Face à la réalité, c’est la protection du capital en cas de krach qui est apparue au premier plan.
132 options stratégiques ont été exécutées dans le système. L'étude a montré qu'on ne peut pas se fier uniquement à une seule option, qui a fait ses preuves dans les données historiques. Après ajustement pour tenir compte de la sélection aléatoire, son résultat n'était plus statistiquement différent de la chance. Dans le même temps, l’effet de dynamique lui-même n’a pas disparu.
Si vous évaluez la stratégie non pas en fonction d'un scénario le plus réussi, mais en moyenne et créez un portefeuille de plusieurs options, elle maintient une rentabilité durable. Dans le même temps, sa principale propriété est de réduire les prélèvements en période de crise. Selon les calculs du MIPT, le prélèvement maximum a été réduit de plus de 2 fois : de 67 % à 29 %.
Pourquoi le marché de la cryptographie a-t-il besoin d’une telle vérification ?
Les auteurs du développement estiment que le système peut devenir la base pour évaluer et créer de nouveaux produits d'investissement sur le marché des crypto-monnaies. Son intérêt réside dans le fait que le produit peut être testé à l'avance dans des conditions proches de la négociation réelle et comprendre dans quelle mesure il est capable de protéger le capital lors de fortes récessions.
Un tel système peut servir de base à l’évaluation de nouveaux produits d’investissement pour le marché des cryptomonnaies. Il permet de voir à l'avance comment la stratégie traverse des périodes de forte baisse et dans quelle mesure le risque reste contrôlable. Dans le contexte de la formation d'un cadre réglementaire pour les actifs financiers numériques en Russie, ces instruments pourraient devenir particulièrement demandés, a noté Maxim Egorov.
La prochaine étape, les scientifiques du MIPT prévoient de tester d'autres classes de stratégies de trading. Ils souhaitent également étendre l’étude à de nouveaux types d’actifs cryptographiques afin d’évaluer dans quelle mesure des tests réalistes modifient la perception du risque et de la rentabilité dans différents segments de marché.
Voir l’article original en russe
