Catégorie
Performance
Niveau
Intermédiaire
Utilisé pour
BacktestingConception de stratégieÉvaluation d'EA

Surajustement

Le surajustement consiste à régler les paramètres d'un EA si précisément sur des données historiques que la stratégie brille en backtest et déçoit sur des données inédites, parce qu'elle exploite le bruit plutôt que de vrais schémas de marché.

aussi : overfitting, surajustement de courbe, biais d'exploration de données

Mis à jour · Révisé

En termes simples

Régler les règles jusqu'à ce qu'elles collent au passé de si près qu'elles en ont appris les accidents plutôt que les schémas. Le backtest s'améliore pendant que la stratégie se dégrade, et rien dans le rapport ne distingue les deux.

Pourquoi c'est important

Le surajustement est le mode de défaillance qui produit de belles preuves, et c'est pour cela qu'il survit à un examen qu'une mauvaise stratégie ne passerait pas. Chaque passe d'optimisation améliore le résultat affiché, qu'elle améliore ou non la stratégie ; un processus qui ne regarde que le résultat affiché ne peut donc pas faire la différence.

  • Il explique la déception la plus courante avec un EA : backtest excellent, compte réel médiocre ou perdant, et aucun bug à trouver. Rien n'a cassé — le réglage mesurait l'échantillon.
  • Il empire à mesure qu'on travaille davantage. Plus de paramètres, plus de passes d'optimisation et plus de stratégies candidates augmentent tous la probabilité que la gagnante ait gagné en épousant le bruit.
  • Il ne se détecte pas depuis la course gagnante. La seule preuve qui sépare un vrai avantage d'un avantage ajusté est la performance sur des données que le réglage n'a jamais vues, et il faut les réserver avant de commencer à régler.

S'en servir pour valider une stratégie

Où on l'utilise

  • Juger si le backtest publié d'un EA est la preuve d'un avantage ou la preuve d'un réglage.
  • Décider combien de paramètres une stratégie a le droit d'avoir avant même d'être optimisée.
  • Interpréter l'écart entre résultats dans l'échantillon et hors échantillon dans une course walk-forward.
  • Expliquer pourquoi une stratégie en tête d'un tableau d'optimisation se dégrade dès sa mise en service.

À quoi ressemble un résultat fiable

  • La fenêtre affichée contient des données restées intactes pendant le choix des paramètres.
  • La stratégie a peu de paramètres, et chacun correspond à quelque chose qu'un trader pourrait expliquer sans se référer au backtest.
  • Les valeurs de paramètres voisines se comportent de façon similaire. Un avantage qui ne survit qu'à un seul réglage est une propriété de l'échantillon.
  • Les règles fonctionnent, avec les mêmes réglages, sur des instruments et des périodes sur lesquels elles n'ont pas été sélectionnées.
  • Le nombre de stratégies essayées avant celle-ci est connu, car on s'attend à ce que la gagnante d'une large recherche paraisse bonne par hasard.

Signaux d'alerte

  • Des paramètres d'une précision invraisemblable — une moyenne à 37 périodes, un stop à 23,7 pips — là où une valeur ronde ferait presque aussi bien si l'avantage était réel.
  • Un taux de réussite supérieur à 90 % ou un Sharpe supérieur à 3 sur un backtest pluriannuel sans historique forward.
  • Des résultats montrés uniquement sur l'unique instrument et l'unique fenêtre sur lesquels les paramètres ont été sélectionnés.
  • Une surface de performance avec un pic isolé et aigu plutôt qu'un large plateau.
  • Aucune mention du nombre de variantes testées avant celle qui est publiée.

Backtest et trading réel

  • Le compte réel est le premier test véritablement hors échantillon, et c'est pourquoi la chute apparaît immédiatement plutôt que progressivement.
  • Une stratégie ajustée se dégrade en général vers le seuil de rentabilité moins les coûts plutôt que vers une perte spectaculaire, ce qui la rend facile à expliquer comme une mauvaise passe.
  • La taille de l'écart entre l'échantillon et le réel est la mesure. Une baisse modérée est normale pour toute stratégie ; une traversée du seuil de rentabilité est la signature.
  • Réoptimiser après la chute restaure le backtest et répète le cycle : c'est le piège que le processus lui-même fabrique.

Méthode de validation recommandée

  1. 1Réservez une fenêtre hors échantillon avant de toucher au moindre paramètre, et regardez-la une seule fois, à la fin.
  2. 2Préférez peu de paramètres au sens défendable à beaucoup de paramètres aux meilleurs résultats.
  3. 3Examinez le voisinage, pas le pic : prenez le centre d'un large plateau plutôt que le sommet d'une pointe.
  4. 4Retestez les réglages finis sur d'autres instruments et d'autres périodes sans les ajuster.
  5. 5Utilisez l'analyse walk-forward quand la stratégie a réellement besoin d'être réajustée au fil du temps, afin que le réajustement fasse partie de ce qui est testé.

Exemple

Un optimiseur renvoie les dix meilleurs jeux de paramètres d'une stratégie. La ligne du haut est celle qui est publiée ; c'est la forme du tableau autour d'elle qui dit vraiment si l'avantage est réel.

Meilleur réglage dans l'échantillon (période 37)
PF 2,41
Réglages voisins (périodes 35–39)
PF 0,94–1,06
Un seul pas détruit le résultat — le pic est une pointe, pas un plateau.
Même réglage, fenêtre hors échantillon intacte
PF 0,88

Un vrai avantage se dégrade doucement quand les paramètres s'éloignent de l'optimum. Un avantage ajusté tombe d'une falaise, et la falaise est visible avant d'avoir dépensé la moindre donnée hors échantillon.

Calcul 2,41 dans l'échantillon → 0,88 hors échantillon, tandis que les voisins restent au seuil de rentabilité

Résultat Le 2,41 était une propriété de la fenêtre, pas des règles

Comment l'interpréter

Le surajustement se diagnostique à partir du processus qui a produit le résultat, pas du résultat. Demandez ce qui a été réglé, sur quoi, et ce qui a été mis de côté.

Plage Ce que cela signifie
Une seule fenêtre, tous les paramètres optimisés, rien de réservé Le rapport n'a aucune valeur probante sur l'avenir. Il décrit à quel point les règles peuvent être pliées à un échantillon.
Fenêtre hors échantillon affichée mais réutilisée après chaque ajustement La réserve est dépensée. Dès que ses résultats reviennent nourrir le réglage, elle est elle aussi dans l'échantillon.
Une unique fenêtre hors échantillon intacte, regardée une fois Le standard minimal. Interprétez l'écart plutôt que le niveau.
Walk-forward avec large plateau de paramètres et vérifications sur plusieurs instruments La meilleure preuve disponible avant le déploiement en réel, parce que le réajustement lui-même a été testé.
  • Comptez les stratégies essayées, pas seulement les paramètres. Tester deux cents idées et publier la meilleure est une recherche dont on attend que la gagnante paraisse bonne par chance.
  • Arrondissez les paramètres publiés et relancez. Si le résultat survit pour l'essentiel, la précision était cosmétique ; s'il s'effondre, la précision était l'avantage.
  • Jugez la surface des paramètres plutôt que le pic. C'est la largeur qui se transfère à des données inédites.

Les fiches mt5depot indiquent leur fenêtre de données, leur modèle de testeur et leur nombre de trades, de sorte qu'un lecteur peut poser les questions ci-dessus au lieu de croire la courbe sur parole.

Erreurs fréquentes

Réutiliser la fenêtre hors échantillon

Chaque fois qu'un résultat de la fenêtre réservée guide un nouvel ajustement, cette fenêtre rejoint les données d'entraînement. Après quelques tours il ne reste plus rien hors échantillon, et le processus paraît plus rigoureux tout en prouvant moins.

Prendre un Sharpe élevé ou un taux de réussite élevé comme preuve contre le surajustement

Ce sont précisément les chiffres que l'ajustement gonfle. Un Sharpe supérieur à 3 dans l'échantillon sur un EA grand public est plus probablement un symptôme qu'une garantie.

Croire que peu de paramètres rendent une stratégie sûre

Le nombre de paramètres est une voie ; la sélection de stratégies en est une autre. Choisir la meilleure de deux cents stratégies simples sur la même fenêtre épouse l'échantillon tout aussi efficacement que de régler une seule stratégie compliquée.

Réoptimiser quand la performance réelle déçoit

Cela restaure le backtest et répète l'échec, car le nouvel ajustement sort du même processus que l'ancien. La première question à trancher est de savoir si l'avantage initial a jamais été hors échantillon.

En détail

Ce que quatorze backtests publiés peuvent trancher, et ce qu’ils ne peuvent pas

Sur les 14 EA publiés iciValeur
Facteur de profit dans l’échantillon1,27–1,52
Fiches avec un facteur de profit sous 1,000
Avec un bloc hors échantillon publié11
Rendement hors échantillon−0,57 % à +3,01 %
Blocs hors échantillon en perte2
Courses vérifiées sur un compte en argent réel0

Lisez la dernière ligne avant la première. Un backtest glissant tourne toujours sur une histoire que quelqu’un aurait pu consulter : rien de ce qui précède n’est donc hors échantillon au sens qui tranche quoi que ce soit — et trois EA ont annoncé une date de début de réserve sans publier le moindre résultat depuis, ce à quoi ressemble le biais de publication vu de l’intérieur.

Le point faible est la taille, pas le signe. L’enregistrement médian dans l’échantillon est ici de 362 trades clôturés ; le bloc réservé médian en compte 21. Une course aussi courte ne peut pas séparer un avantage d’un trimestre calme, et c’est pourquoi les petits négatifs (−0,57 %, −0,47 %) ne portent pas plus de verdict que les positifs.

Le menu déroulant Forward du Testeur de stratégies (No, 1/2, 1/3, 1/4, Custom) découpe l’intervalle pour vous. Il ne peut pas vous empêcher de relire la moitié avant après chaque passe d’optimisation, et c’est cette relecture qui la dépense. Réglez Forward sur Custom avec la date à laquelle vous avez cessé de regarder — le 2026-04-01 pour dix des blocs ci-dessus — et la réserve ne vaut que ce qui tombe dedans : 142 trades pour Cairn, 40 pour le suivant, des nombres à un chiffre pour deux d’entre eux.

Questions fréquentes

Comment savoir si un EA est surajusté avant de l'acheter ?
Regardez le processus plutôt que la courbe. Demandez si une fenêtre a été mise de côté pendant le choix des paramètres, si les réglages sont ronds ou invraisemblablement précis, si les valeurs voisines se comportent de façon similaire, et si les règles ont déjà été testées sur un instrument sur lequel elles n'ont pas été sélectionnées. Une question restée sans réponse est ici déjà la réponse.
Moins de paramètres empêchent-ils le surajustement ?
Cela aide sans l'empêcher. Sélectionner la stratégie la plus performante parmi de nombreuses candidates sur les mêmes données épouse ces données même si chaque candidate est simple ; le nombre d'idées essayées compte donc autant que le nombre de réglages de chacune.
L'optimisation est-elle toujours mauvaise ?
Non — une stratégie doit bien recevoir des réglages, et les choisir à partir de l'historique est raisonnable. Ce qui sépare l'optimisation du surajustement, c'est de savoir si quelque chose a été réservé pour vérifier ce choix, et si le réglage retenu se situe sur un large plateau plutôt que sur une pointe.