Outils gratuits

Laboratoire de surajustement

Ce laboratoire construit une série de cours qui n’a, par construction, aucun avantage ; il essaie de nombreux réglages de croisement de moyennes mobiles sur les 70 % initiaux de la série et conserve le meilleur. Il applique ensuite ce même réglage aux 30 % restants, que la recherche n’a jamais vus. Plus il essaie de réglages, plus le meilleur résultat in-sample paraît bon, et moins ce résultat renseigne sur quoi que ce soit en dehors de l’échantillon.

Réglages testésTirés au hasard parmi 878 paires rapide/lente (rapide 2–50, lente 10–200).

GraineFixe à la fois la série et les réglages tirés.

La série simulée.

Données SIMULÉES : une marche aléatoire indexée à partir de 100, dont le rendement de chaque barre est tiré avec une moyenne nulle. Aucun instrument réel n’est affiché.

Meilleur réglage in-sample—

Son rendement in-sample—

Même réglage hors échantillon—

Médiane in-sample, tous testés—

Médiane out-of-sample, tous testés—

Rendements in-sample de chaque réglage testé.

Meilleur rendement in-sample à mesure que davantage de réglages sont testés.

Past performance — actual or hypothetical — is not indicative of future results.

These results are based on simulated or hypothetical performance results that have certain inherent limitations. Unlike the results shown in an actual performance record, these results do not represent actual trading. Also, because these trades have not actually been executed, these results may have under- or over-compensated for the impact, if any, of certain market factors, such as lack of liquidity. Simulated or hypothetical trading programs in general are also subject to the fact that they are designed with the benefit of hindsight. No representation is being made that any account will or is likely to achieve profits or losses similar to those shown.

Read our full Disclaimers, including risk and hypothetical performance

Fonctionnement

La série compte 1 500 barres. Chaque barre multiplie le cours précédent par un plus un rendement aléatoire tiré d’une loi normale de moyenne nulle, si bien qu’aucune règle ne peut avoir d’avantage, sauf par hasard. Les 1 050 premières barres forment la partie in-sample ; les 450 dernières sont out-of-sample.

Chaque réglage est une paire de moyennes mobiles simples. À chaque clôture, il reste investi lorsque la moyenne rapide est au-dessus de la lente et sort du marché sinon ; tant qu’il est investi, il gagne le rendement de la barre suivante. Il ne prend jamais de position vendeuse, et il n’y a aucun coût. Chaque réglage est évalué à partir de la barre 200, dès que la moyenne la plus longue existe.

Pourquoi le meilleur résultat in-sample augmente

Le rendement in-sample de chaque réglage relève en partie de la chance. Choisir le plus grand parmi de nombreux tirages revient à choisir le plus chanceux, et le plus grand de 500 tirages est presque toujours plus grand que le plus grand de 10. C’est pourquoi la courbe monte à mesure que davantage de réglages sont testés, tandis que le résultat out-of-sample du gagnant reste dispersé autour du même point que celui de tous les autres.

Pourquoi existent les tests out-of-sample et walk-forward

Tester sur des données que la recherche n’a jamais touchées est la vérification la plus simple contre cet effet. Le walk-forward la répète : choisir des réglages sur une fenêtre, les tester sur la suivante, avancer les deux, et ne juger que les fenêtres de test mises bout à bout. Aucun des deux ne prouve qu’une règle fonctionne ; ils montrent quelle part d’un résultat in-sample a survécu au contact de données sur lesquelles il n’a pas été ajusté. Les outils de backtesting d’Analess sont conçus autour des contrôles out-of-sample, walk-forward et Monte Carlo ; la page des fonctionnalités les décrit et la feuille de route indique leur calendrier.