Créer sa propre stratégie de trading, c’est jeter un pont entre le pur pari et un business systématique. L’utilisation des données historiques (le backtesting) permet de commettre toutes les erreurs possibles sur le papier avant de confier son capital réel à un algorithme.
Dans cet article, nous allons décortiquer le processus, de la recherche d'une idée jusqu'au crash-test de la stratégie avec une stack techno moderne.
1. Les fondations : de l’idée à l’algorithme
Toute stratégie commence par une hypothèse. C’est une affirmation claire sur le comportement du marché. Par exemple : « Si le prix d’un actif chute de 5 % en une heure avec un volume anormal, il y a de fortes chances qu’un rebond technique survienne à court terme. »
Quelques types de stratégies pour débuter :
- Mean Reversion (Retour à la moyenne) : On parie sur le fait que si le prix s'éloigne trop de sa moyenne, il finira par y revenir.
- Trend Following (Suivi de tendance) : On entre en position quand la direction du mouvement est confirmée (croisement de moyennes mobiles, cassure de niveaux clés).
- Arbitrage : On exploite les écarts de prix pour un même actif sur différentes plateformes.
- Arbitrage Statistique : On cherche des corrélations entre différents actifs.
2. Collecte des données historiques
La pertinence de votre test dépend directement de la qualité des données injectées.
« Garbage in, garbage out » (si vous entrez des déchets, vous sortirez des déchets).
Où dénicher ces données ?
- API d’échanges : Binance, Coinbase ou Bybit donnent accès aux historiques de bougies (OHLCV).
- Services spécialisés : Yahoo Finance (actions), CoinMetrics (crypto), Glassnode (données on-chain).
- Datasets prêts à l'emploi : Kaggle ou des dépôts spécifiques sur GitHub.
Tableau : Types de données et applications
| Type de donnée | Description | Usage idéal |
|---|---|---|
| OHLCV | Open, High, Low, Close, Volume | Analyse technique classique, swing trading. |
| Orderbook (L2) | Carnet d’ordres, ordres limites | Scalping, HFT, analyse de la liquidité. |
| Tick Data | Chaque transaction individuelle | Backtest ultra-précis, arbitrage. |
| Alternative Data | Réseaux sociaux, news, rapports financiers | Analyse de sentiment, approche fondamentale. |
3. La boîte à outils pour tester
Pour les débutants, les plateformes visuelles feront l'affaire ; pour les pros, on passe par le code.
- TradingView (Pine Script) : La méthode la plus rapide pour visualiser une idée. Le testeur de stratégie intégré affiche les gains/pertes directement sur le graphique.
- Python (Librairies) :
- Pandas : Pour manipuler les données comme un chef.
- Backtrader ou VectorBT : Des moteurs puissants pour le backtesting.
- ccxt : Pour se connecter à des centaines d'échanges crypto.
Exemple de code Python simple (VectorBT)
Ce code vérifie le croisement de deux moyennes mobiles :
import vectorbt as vbt
import pandas as pd
# On télécharge les données
data = vbt.YFData.download('BTC-USD', start='2023-01-01')
close = data.get('Close')
# Définition de la stratégie : la MA rapide (10) croise la lente (50) par le haut
fast_ma = vbt.MA.run(close, 10)
slow_ma = vbt.MA.run(close, 50)
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)
# Lancement du backtest
pf = vbt.Portfolio.from_signals(close, entries, exits, init_cash=1000)
print(pf.total_return())4. Métriques de performance
Ne regardez pas seulement le « Total Profit ». Un énorme profit peut cacher un risque de perte totale du capital.
- Drawdown (Perte maximale) : La baisse la plus importante du solde entre un sommet et un creux local. Si vous avez un drawdown de 50 %, il vous faudra 100 % de profit juste pour revenir à zéro.
- Ratio de Sharpe : Il indique si la rentabilité vaut le risque pris. Un score au-dessus de 1.0 est généralement considéré comme bon.
- Win Rate : Pourcentage de trades gagnants. Attention : une stratégie avec un Win Rate de 30 % peut être super rentable si ses gains sont beaucoup plus élevés que ses pertes (Risk/Reward).
- Profit Factor : Rapport entre les profits bruts et les pertes brutes.
5. Les pièges (les détails qui tuent)
C’est ici que la plupart des débutants « crament » leur premier compte réel après des tests pourtant réussis.
Look-ahead Bias (Biais d’anticipation)
Votre algorithme utilise par erreur des données du futur. Par exemple, calculer le prix moyen de la journée et décider d’acheter le matin sur la base de ce prix. Dans la vraie vie, le matin, vous ne savez pas quel sera le prix du soir.
Survivorship Bias (Biais du survivant)
Tester une stratégie uniquement sur les actions ou coins qui sont au top aujourd'hui. Vous oubliez les centaines de projets qui ont fait faillite et disparu des listes. Il faut tester sur l'ensemble des actifs qui existaient au moment T.
Slippage et commissions (Glissement de prix)
En théorie, vous avez acheté à 100 $. Sur le marché réel, votre ordre a été exécuté à 100,5 $ à cause du manque de liquidité, et l'échange a pris 0,1 % de commission. Sur 1 000 trades, ce petit décalage transforme une stratégie gagnante en gouffre financier.
6. Méthodes de test avancées : Le crash-test
Une fois que votre backtest initial affiche une courbe de profit bien « sexy », il est temps de passer aux choses sérieuses. Un simple passage sur l'historique ne suffit pas, car le marché est un vrai caméléon : il change tout le temps.
Walk-Forward Analysis (WFA)
C’est une méthode de test « glissant ». On découpe les données en blocs bien distincts :
- In-Sample (Apprentissage) : Vous optimisez les paramètres de votre stratégie (par exemple, en cherchant la meilleure longueur de MA).
- Out-of-Sample (Test) : Vous testez ces paramètres sur la tranche de données suivante, celle que l'algorithme n'a pas encore « vue ».
Ensuite, on décale la fenêtre vers l'avant. Si la stratégie tient la route sur tous ces segments « invisibles », c'est qu'elle est vraiment robuste.
Simulation de Monte-Carlo
On mélange l'ordre de vos trades de manière aléatoire des milliers de fois.
- Le but : Savoir quelle est la probabilité qu'une série de pertes consécutives (le fameux Drawdown) crame votre compte.
Si sur 10 000 simulations, vous finissez à sec dans 500 cas, la stratégie est une bombe à retardement, même si son rendement moyen semble canon.
7. Optimisation et « Overfitting » (Le sur-ajustement)
Le piège le plus mortel pour un chercheur, c’est l’Overfitting. C’est le moment où vous avez tellement peaufiné les réglages que l’algorithme a fini par « apprendre par cœur » le passé, mais se vautre complètement face à de nouvelles données.
Comment éviter de tomber dans le panneau :
- Moins de paramètres : Plus vous rajoutez d'indicateurs et de conditions « si/alors » dans votre code, plus vous risquez de trader sur du bruit de marché.
- Stabilité des paramètres : Si votre stratégie tourne avec une période d'indicateur à 20, mais devient catastrophique à 19 ou 21, c’est un château de cartes. Le résultat doit varier en douceur quand on bouge un peu les réglages.
- Justification logique : Chaque paramètre doit avoir une raison économique. « Parce que ça rapportait plus de thunes sur l'historique » est une très mauvaise excuse.
8. Concepts pointus : MEV et JIT Liquidity dans le backtesting
Si vous bossez dans la DeFi (Uniswap v3/v4), les méthodes de backtesting classiques peuvent vous mentir à cause des spécificités de la blockchain.
- LVR (Loss Versus Rebalancing) : C’est la métrique de référence pour les fournisseurs de liquidité. Elle compare les revenus des frais avec la perte subie quand les mecs de l'arbitrage vous piquent votre liquidité à des prix avantageux pour eux (et nuls pour vous).
- JIT (Just-In-Time) Liquidity : Une stratégie où la liquidité est injectée dans un pool juste une milliseconde avant un gros swap, puis retirée direct après. Impossible à capter avec des bougies classiques (OHLCV) — il vous faut des données événementielles (Event-driven data).
9. Checklist pratique : Du code à la bourse
| Étape | Action | Outil |
|---|---|---|
| 1. Hypothèse | Définition des conditions d'entrée/sortie et du stop-loss. | Bloc-notes / Obsidian |
| 2. Collecte | Récupération de l'historique (bougies ou ticks). | API (Binance/CCXT), Python |
| 3. Backtest | Premier passage de la stratégie sur le passé. | Backtrader, Pine Script |
| 4. Optimisation | Prise en compte des frais (0.1%+) et du slippage. | Paramètres du code |
| 5. Validation | Walk-Forward et Monte-Carlo. | Python (scipy, numpy) |
| 6. Paper Trading | Trading avec argent fictif en temps réel. | TradingView / Compte Démo |
| 7. Scaling | Lancement sur un petit capital réel. | Clés API (Read/Write) |
10. Exemple de code : Gérer les commissions et le slippage
Dans un test pro, il est vital de « pénaliser » sa stratégie. Voici à quoi ça ressemble schématiquement :
# Pseudo-code pour la gestion des frais
commission = 0.001 # 0.1% par trade
slippage = 0.0005 # 0.05% de glissement de prix
def execute_trade(price, size, side):
if side == 'buy':
effective_price = price * (1 + slippage)
cost = size * effective_price * (1 + commission)
elif side == 'sell':
effective_price = price * (1 - slippage)
revenue = size * effective_price * (1 - commission)
return effective_price, cost_or_revenue
La Règle d’Or : Si, après avoir ajouté des frais et un slippage réalistes, votre stratégie passe de rentable à perdante — ne cherchez pas à la « bidouiller ». Changez d'idée. Le marché ne pardonne pas quand on ignore les coûts.
