Analyse de l'efficacité des blocs adaptatifs sur les marchés GBPUSD, EURJPY et NQ

Ces derniers mois, nous avons introduit de nouveaux blocs de comparaison, Crosses Above/Below Adaptive et IsGreater/IsLower Adaptive, sur notre serveur de base de code. Ces blocs de comparaison avancés dans les stratégies de trading évaluent la performance historique de signaux spécifiques avant de confirmer leur validité. Contrairement aux blocs traditionnels qui n'analysent que les conditions actuelles du marché, les blocs adaptatifs examinent les données passées pour vérifier la fiabilité statistique d'un signal.

L'objectif de cette recherche est de vérifier si la génération de stratégies à l'aide de blocs adaptatifs donne de meilleurs résultats que les blocs traditionnels non adaptatifs. Dans le cadre de l'expérience, nous avons conçu une méthode qui nous permet de comparer des milliers de stratégies et d'effectuer une analyse statistique de leurs performances.

Méthodologie de l'expérience :

  • Nous avons créé 20 règles symétriques personnalisées pour chaque type de bloc comparatif. (80 au total) 
  • Quatre tâches de construction ont été préparées, chacune générant des stratégies basées sur des conditions différentes :
    • Croix au-dessus/au-dessous de la base
    • Croisements au-dessus/au-dessous Adaptatif
    • Base supérieure/inférieure
    • IsGreater/IsLower Adaptatif

Des stratégies seront élaborées au hasard sans utiliser l'optimisation génétique, avec un seul filtre nécessitant un minimum de deux transactions par mois.

Hypothèse : Les stratégies utilisant des blocs adaptatifs devraient afficher de meilleures performances, avec des valeurs moyennes plus élevées dans la base de données (bénéfice net, facteur de profit, drawdown, stabilité et nombre de transactions) par rapport aux stratégies utilisant des blocs non adaptatifs.

Marchés et paramètres testés :

  • Marchés : GBPUSD, EURJPY, NQ
  • Plateforme : MT4
  • Période d'essai : 1er janvier 2010 - 31 décembre 2024
  • Types de systèmes : Intraday (clôture des positions à la fin de la session américaine) et Intraweekly (clôture des positions au plus tard le vendredi).

Les résultats de cette expérience permettront de mieux comprendre l'efficacité des blocs adaptatifs et leur contribution à la génération automatique de stratégies de trading.

Vous pouvez télécharger les blocs/conditions personnalisés ici.

 

Dans l'image ci-dessus, vous pouvez voir les résultats de l'analyse des blocs adaptatifs comparés aux blocs normaux sur 120 000 transactions.

Interprétation des résultats :

Meilleure performance des blocs adaptatifs :

  • Les blocs adaptatifs affichent généralement un bénéfice moyen plus élevé (pertes moindres).
  • Le facteur de profit est systématiquement plus élevé avec les blocs adaptatifs, ce qui indique une meilleure efficacité de la stratégie.

Réduction de l'étirement :

  • Les blocs adaptatifs ont un drawdown moyen plus faible, ce qui suggère une meilleure gestion du risque.

Stabilité :

  • Les blocs adaptatifs présentent une plus grande stabilité (moins de valeurs de stabilité négatives).

Nombre de transactions :

  • Les blocs adaptatifs génèrent moins de transactions (NoT moyen), ce qui indique des signaux plus prudents et probablement mieux filtrés.

 

 

Résumé :

  • Les blocs adaptatifs sont toujours plus performants sur la quasi-totalité des paramètres et des marchés testés.
  • Des améliorations significatives dans une réduction des pertes, un facteur de profit plus élevé et une meilleure stabilité.
  • Les blocs adaptatifs génèrent moins de métiersce qui indique un filtrage plus strict des signaux et une exposition réduite au marché.

 

Conclusion :

Les blocs adaptatifs s'avèrent plus efficaces dans la gestion des risques et permettent d'obtenir de meilleurs résultats que les blocs traditionnels. Par conséquent, nous continuerons à améliorer ces blocs adaptatifs dans les mois à venir afin de démontrer si leur performance est meilleure que celle des blocs traditionnels.

clonex / Ivan Hudec

Ivan Hudec — “ Clonex ” sur le forum

Je suis trader depuis 15 ans et je développe des stratégies avec StrategyQuant X depuis 2014. Aujourd’hui, je me consacre à trois activités : je développe et teste en conditions réelles des stratégies automatisées, j’enrichis la plateforme SQX elle-même avec des indicateurs personnalisés, des extraits de code et des outils Python dédiés à l’apprentissage automatique et à la recherche quantitative, et j’aide d’autres traders à atteindre leurs objectifs plus rapidement — sans qu’ils aient à commettre les mêmes erreurs coûteuses que celles que j’ai commises au fil des années.
La plupart des stratégies de trading au détail semblent très prometteuses lors des backtests, mais s'effondrent en conditions réelles. Mon travail va à l'encontre de cette tendance : je développe des stratégies honnêtes, validées et suffisamment robustes pour qu'on puisse leur confier de l'argent réel. Je décris ce processus — avec ses bons et ses mauvais côtés, ainsi que le surajustement dont personne ne parle — sur mon site, algotrading.space.
Si vous souhaitez approfondir vos connaissances en matière de validation, de développement SQX sur mesure ou de création d'un véritable avantage concurrentiel grâce aux données et au code, c'est là que je partage toutes ces informations.  www.algotrading.space

2 Commentaires
Le plus ancien
Le plus récent Le plus populaire
Tanay Roy
19. 1. 2025 6:41 am

Quelles sont les chances qu'il produise de meilleurs résultats en sélectionnant une taille d'échantillon plus petite ? Par exemple, j'ai une perte fixe de $200 et la taille de l'échantillon est de 400. Si je perds chaque trade, la perte sera de $80000 et si je réduis la taille de l'échantillon à 200, la perte sera de $40000. La méthode ne fait donc rien d'autre que de réduire mon échantillon. Je veux juste savoir si la méthode adaptative peut créer un véritable avantage ou non ?

Dernière modification le 1 année il y a par Tanay Roy

Poursuivre la lecture