Robustesse
Le sur-ajustement (overfitting) : quand le backtest ment
7 min de lecture · par l’équipe GetBacktest
Le sur-ajustement (overfitting, ou sur-optimisation) est le mensonge le plus séduisant du backtest : à force d'ajouter des règles et d'ajuster des paramètres, on finit par obtenir une courbe d'équité quasi parfaite… sur le passé. Le problème, c'est que cette perfection décrit du bruit, pas un mécanisme — et le bruit ne se répète pas.
Qu'est-ce que le sur-ajustement
Sur-ajuster, c'est modeler une stratégie si étroitement sur un historique précis qu'elle en capture les accidents plutôt que la logique. Chaque paramètre finement réglé, chaque filtre ajouté « parce que ça améliore la courbe » rapproche du sur-ajustement.
Une analogie : apprendre par cœur les réponses d'un examen passé donne 20/20 à cet examen précis, mais 0 dès que les questions changent. Un marché futur pose toujours de nouvelles questions.
Les signes qui doivent alerter
Trop de paramètres, une courbe d'équité anormalement lisse, des règles très spécifiques (« n'entrer que le mardi entre 10h et 11h »), une performance qui dépend d'une poignée de trades, ou qui s'effondre au moindre changement de réglage.
Autre signal : plus vous avez testé de variantes pour trouver « la bonne », plus la probabilité d'un faux positif est élevée. Chercher longtemps finit toujours par exhiber une combinaison qui brille par hasard.
Pourquoi ça ne survit pas
Un edge réel repose sur un déséquilibre récurrent du marché. Un artefact de sur-ajustement repose sur des coïncidences passées, qui n'ont aucune raison de se reproduire.
En réel, la stratégie sur-ajustée fait exactement l'inverse de sa promesse : elle sous-performe, souvent dès les premières semaines, laissant le trader perplexe devant l'écart avec son « backtest parfait ».
Comment s'en prémunir
Privilégiez la simplicité (peu de paramètres, une logique explicable), validez systématiquement hors échantillon (walk-forward), et méfiez-vous de toute règle ajoutée uniquement pour embellir la courbe.
Enfin, corrigez pour le nombre d'essais : le Sharpe déflaté (DSR) pénalise justement le fait d'avoir testé beaucoup de variantes. Ensemble, OOS + DSR + Monte-Carlo forment le meilleur rempart contre l'auto-illusion.
Ne le croyez pas — prouvez-le
Backtestez ce concept sur données réelles, tick par tick, et obtenez un verdict de robustesse. 7 jours de Pro offerts, sans carte.
Commencer gratuitementQuestions fréquentes
Overfitting, en français ?
Sur-ajustement ou sur-optimisation : régler une stratégie si étroitement sur le passé qu'elle échoue sur des données nouvelles.
Comment détecter le sur-ajustement ?
Comparez in-sample et out-of-sample (walk-forward) : un grand écart trahit le sur-ajustement. Méfiez-vous aussi des courbes trop lisses et des stratégies à nombreux paramètres.
Combien de paramètres est-ce trop ?
Il n'y a pas de seuil magique, mais chaque paramètre supplémentaire augmente le risque. Une règle : si vous ne pouvez pas expliquer POURQUOI un paramètre a un sens de marché, supprimez-le.
À lire ensuite