Types de tests de robustesse dans SQX

Dans l'échantillon / Hors de l'échantillon

Les tests dans l'échantillon (IS) et hors de l'échantillon (OOS) sont des concepts essentiels dans le développement, le test et la validation des stratégies de trading. Ils permettent d'évaluer la robustesse des stratégies et de s'assurer qu'elles ne sont pas suradaptées à un ensemble de données spécifique. Voici une explication détaillée des tests en échantillon et hors échantillon :

Définition des données IS et OOS :

Données sur l'échantillon (IS) : Les données IS sont la partie des données historiques utilisées pour développer et optimiser la stratégie de trading. Au cours du processus d'élaboration de la stratégie, divers paramètres, règles et indicateurs sont ajustés et affinés afin d'obtenir la meilleure performance possible sur les données IS.

Données hors échantillon (OOS) : Les données OOS sont une partie distincte et invisible des données historiques, réservée au test et à la validation de la stratégie de trading. Les données OOS ne sont pas utilisées dans le processus de développement ou d'optimisation afin de garantir que la performance de la stratégie sur ces données constitue une évaluation impartiale de son efficacité et de sa robustesse..

L'objectif principal de l'utilisation des données IS et OOS est d'évaluer la robustesse et la généralisation des stratégies de trading. En évaluant les performances de la stratégie sur les données IS et OOS, les utilisateurs peuvent identifier un éventuel surajustement et s'assurer que la stratégie n'est pas trop optimisée pour un ensemble de données spécifique. Une stratégie qui fonctionne bien sur les données IS et OOS est plus susceptible d'être résiliente et de s'adapter à l'évolution des conditions du marché.

Dans le cadre du développement et du test de stratégies de trading, les données historiques sont divisées en segments IS et OOS. La stratégie est développée et optimisée à l'aide des données IS, et sa performance est ensuite validée à l'aide des données OOS. Les utilisateurs peuvent comparer les mesures de performance des deux ensembles de données afin d'évaluer la robustesse de la stratégie et d'éviter l'ajustement excessif.

Avantages des tests en échantillon et hors échantillon :

1. Test de robustesse : En comparant les performances de la stratégie sur les données IS et OOS, les utilisateurs peuvent évaluer sa robustesse et sa généralisation. Une stratégie qui fonctionne bien sur les deux ensembles de données est moins susceptible d'être surajustée et plus susceptible de fonctionner correctement dans le cadre d'une négociation en direct.

2. Validation des concepts de la stratégie : Si une stratégie de trading est performante sur les données OOS, cela renforce la confiance dans le fait que l'idée de trading sous-jacente est solide et ne résulte pas simplement d'un ajustement de courbe ou d'une chance aléatoire.

3. Prévention de l'ajustement excessif : L'utilisation de données OOS permet d'éviter l'ajustement excessif, car elle oblige la stratégie à prouver son efficacité sur un ensemble de données inédit. Cela permet de s'assurer que la stratégie n'est pas trop optimisée pour un ensemble de données spécifique et qu'elle peut s'adapter à l'évolution des conditions du marché.

Tests de Monte Carlo

Les tests de Monte Carlo font partie intégrante des outils de test de robustesse de StrategyQuant X. Ils permettent aux utilisateurs d'évaluer la stabilité et la fiabilité de leurs stratégies de trading dans le cadre de divers scénarios aléatoires. En effectuant des simulations de Monte Carlo, les utilisateurs peuvent se faire une idée de l'éventail potentiel des résultats de leurs stratégies et évaluer leur résistance à des événements et conditions de marché inattendus. Vous trouverez ci-dessous une explication détaillée des tests de Monte Carlo dans StrategyQuant X :

Qu'est-ce qu'un test de Monte Carlo ? 

Les tests de Monte Carlo sont une méthode statistique qui consiste à simuler un grand nombre de scénarios aléatoires afin d'évaluer les performances d'une stratégie de trading. Ces tests génèrent des variations aléatoires de facteurs tels que l'ordre de transaction, le dérapage de la transaction, le capital de départ et la taille de la position, afin d'analyser les performances de la stratégie dans différentes conditions. En examinant les résultats de ces simulations, les utilisateurs peuvent évaluer la stabilité et la fiabilité de leurs stratégies de trading.

L'objectif principal des tests de Monte Carlo est d'évaluer la robustesse et l'adaptabilité des stratégies de trading. En analysant les performances de la stratégie dans le cadre de divers scénarios aléatoires, les utilisateurs peuvent se faire une idée de l'éventail des résultats possibles et identifier les faiblesses ou les vulnérabilités potentielles. Ces informations aident les utilisateurs à comprendre les risques associés à leurs stratégies et à prendre des décisions éclairées quant à leur déploiement dans des environnements de négociation réels.

Dans StrategyQuant X, vous pouvez utiliser deux types de tests de Monte Carlo :

Manipulation commerciale de Monte Carlo

Ce contrôle croisé effectue des simulations dans lesquelles les transactions existantes sont manipulées - elles sont remaniées, certaines sont omises, etc.
Cette fonction est très rapide, car elle ne nécessite pas de backtests, mais travaille avec les transactions existantes du backtest principal.
L'idée sous-jacente est de vérifier dans quelle mesure la courbe de la stratégie dépend de l'ordre des transactions et ce qui se passe si certaines transactions ne sont pas exécutées.

Vous pouvez effectuer ces manipulations commerciales dans n'importe quelle simulation :

• Ordre aléatoire des transactions - il s'agit du test le plus simple, dans lequel l'ordre des transactions est modifié de manière aléatoire. Cela ne modifie pas le bénéfice net, mais il est très utile d'étudier les différentes variations de l'amortissement qui peuvent résulter d'un ordre de transaction différent.
• Sauter des métiers de manière aléatoire - sauter des transactions de manière aléatoire avec une certaine probabilité. Dans les transactions réelles, vous pouvez manquer une transaction en raison d'une erreur de plateforme ou d'Internet, ou simplement parce que vous arrêtez de trader pendant un certain temps. Ce test vous donne une idée de ce à quoi la courbe des actions pourrait ressembler si certaines transactions étaient ignorées de manière aléatoire.

Méthodes de retest de Monte Carlo

Il s'agit d'un autre type de simulation Monte Carlo. Dans ce cas, on simule des changements aléatoires dans les propriétés qui nécessitent un nouveau test de la stratégie - par exemple, des changements dans le spread, le slippage, les paramètres de la stratégie ou les données historiques.

Étant donné qu'un backtest complet est nécessaire pour chaque simulation, ce contrôle croisé peut prendre beaucoup de temps.
Par exemple, si le backtest avec les données principales a duré 0,5 seconde et que vous souhaitez effectuer 100 simulations dans le cadre de ce contrôle croisé, vous pouvez supposer que cela prendra 100 x 0,5 = 50 secondes pour chaque stratégie où il est appliqué.

Nous testerons les types de Méthodes de retest de Monte Carlo

• Randomiser les paramètres de la stratégie - chaque stratégie utilise des paramètres, tels que la période d'un indicateur ou une constante, à des fins de comparaison. Ce test vérifie la sensibilité de la stratégie à une légère modification de la valeur du paramètre. La probabilité de changement est la probabilité qu'un paramètre change de valeur. Max. est le pourcentage maximum de variation de la valeur du paramètre. Par exemple, si vous définissez Max. 10%, un paramètre dont la valeur est 60 peut être modifié aléatoirement dans une plage de 54 à 66 (+- 10% de sa valeur d'origine de 60).
• Randomiser les données historiques - un cas très courant d'ajustement de courbe est lorsque la stratégie dépend trop des données historiques. Cette option vérifie le comportement de la stratégie lorsque les données historiques sont modifiées.

Ratios OOS/IS

Représente le rapport entre les mesures de la période hors échantillon et les mesures de la période en échantillon.

Le ratio OOS / IS exprime le degré de détérioration de la stratégie dans la période hors échantillon par rapport à la période en échantillon.

La détérioration d'une stratégie fait référence à la détérioration des performances d'une stratégie de trading lorsqu'elle est appliquée à de nouvelles données qui n'ont pas encore été observées. Cette détérioration se produit souvent lorsqu'une stratégie qui a été optimisée et affinée pour des données en échantillon (IS) est testée sur des données hors échantillon (OOS). La détérioration peut être due à un surajustement de la stratégie aux données IS ou à des conditions de marché changeantes auxquelles la stratégie ne peut s'adapter.

Les mesures hors échantillon (OOS) et dans l'échantillon (IS) sont des concepts essentiels dans le développement, le test et la validation des stratégies de trading. Ces mesures permettent d'évaluer la robustesse des stratégies et de s'assurer qu'elles ne sont pas surajustées à un ensemble de données particulier.

L'objectif principal de l'utilisation des ratios OOS / IS est d'évaluer la robustesse et la généralisation des stratégies de trading. En évaluant la performance de la stratégie sur les données IS et OOS, vous pouvez identifier un éventuel surajustement et vous assurer que la stratégie n'est pas trop optimisée pour un ensemble de données particulier. Une stratégie qui fonctionne bien à la fois sur les données IS et OOS est susceptible d'être plus résistante et de s'adapter à l'évolution des conditions du marché.

Tests multi-marchés (tests sur des marchés supplémentaires)

Le test multi-marchés est une fonctionnalité essentielle de StrategyQuant X qui vous permet d'évaluer la performance et l'adaptabilité de vos stratégies de trading pour différents instruments financiers ou conditions de marché. Cette approche de test vise à identifier les stratégies qui ne sont pas seulement efficaces sur un seul marché, mais qui sont également performantes dans différents environnements de marché, réduisant ainsi le risque de surajustement et augmentant la probabilité d'une performance de trading réussie.

L'objectif principal du test multi-marchés est de déterminer la robustesse et la flexibilité d'une stratégie de trading. Une stratégie qui fonctionne bien sur plusieurs marchés est susceptible d'être plus résistante et de s'adapter à l'évolution des conditions du marché, car elle a prouvé son efficacité dans diverses circonstances. Le fait de tester plusieurs marchés aide les utilisateurs à identifier les stratégies qui ne sont pas trop optimisées pour un marché particulier. Cela réduit le risque de suradaptation et améliore les chances de succès dans les transactions en direct.

Les tests multi-marchés consistent à tester vos stratégies de trading sur différents instruments financiers, tels que les actions, les paires de devises, les matières premières et les indices. Avec StrategyQuant X, vous pouvez sélectionner plusieurs instruments et exécuter des backtests sur chacun d'entre eux afin d'évaluer les performances de la stratégie. Vous pourrez ensuite analyser les résultats, comparer les mesures de performance pour différents marchés et identifier les stratégies qui affichent des performances et une adaptabilité constantes.

En testant des stratégies sur plusieurs marchés, les utilisateurs peuvent identifier des systèmes plus robustes et moins enclins à la suradaptation. Une stratégie qui fonctionne bien sur plusieurs marchés est susceptible d'être plus résistante à l'évolution des conditions de marché. Les tests multi-marchés aident les utilisateurs à construire un portefeuille diversifié en identifiant les stratégies qui sont performantes sur différents instruments. Cette diversification peut contribuer à réduire le risque global du portefeuille et à améliorer la performance à long terme.

Lorsqu'un concept de stratégie fonctionne bien sur plusieurs marchés, cela donne une assurance supplémentaire que l'idée de négociation sous-jacente est solide et qu'elle n'est pas seulement le résultat d'un ajustement de courbe ou du hasard.