Surajustement / ajustement de courbe

Ajustez suffisamment de paramètres et n’importe quelle stratégie s’adaptera parfaitement à l’historique, y compris au bruit aléatoire qui ne se reproduira pas. C’est ce qu’on appelle l’ajustement de courbe : un système optimisé pour un passé qui n’existe plus, présenté comme une découverte. Il semble irréprochable sur l’échantillon, mais s’effondre dès qu’il rencontre des données qu’il n’a jamais vues.

Le mécanisme repose sur des calculs mathématiques simples qui jouent en votre défaveur. Donnez à un optimiseur suffisamment de paramètres libres et il trouvera toujours une combinaison qui explique le bruit de votre échantillon unique, car rien ne distingue le bruit d’une véritable tendance, si ce n’est la chance. Ajoutez ici un ajustement du stop-loss, là une fenêtre de rétrospective, un filtre réglé pour capter trois bonnes transactions sur une seule année, et la courbe de capital se redresse d’un coup. Il n’a pas découvert comment les marchés se comportent. Il a découvert comment cette tranche d’histoire s’est trouvée à évoluer, une seule fois, et ne s’évoluera plus jamais ainsi.

Le signe révélateur, c’est la fragilité. Modifiez un seul paramètre — la moyenne mobile de 20 à 22, le stop de 2 % à 2,2 % — et la belle courbe s’effondre. Une stratégie dotée d’un véritable avantage structurel tolère de légers changements, car cet avantage ne réside pas dans un chiffre isolé. Une stratégie d’ajustement de courbe mémorise au lieu d’apprendre, et une réponse mémorisée est inutile face à une question qu’elle n’a jamais rencontrée auparavant.

Nous nous en prémunissons en effectuant des tests hors échantillon : des années et des instruments que l’optimiseur n’a jamais abordés, mis de côté spécifiquement pour que le système ne puisse pas tricher pour obtenir un bon score, ce qui correspond à la même logique que celle des tests « walk-forward ». Cela signifie également qu’une stratégie ayant été testée à travers des centaines de combinaisons de paramètres avant d’être validée doit franchir un seuil plus élevé qu’une stratégie qui ne l’a pas été, car plus le nombre de configurations testées est élevé, plus il est probable qu’une d’entre elles s’adapte au bruit par pur hasard — c’est le problème des tests multiples inhérent à chaque exécution de l’optimiseur.

Le surajustement pur s’avère être un critère de rejet moins fréquent que la plupart des gens ne le pensent. La plupart des systèmes d’ajustement de courbes ne sont jamais accusés de ce « crime » spécifique, car ils se heurtent d’abord à un contrôle préalable. Appliquez les mêmes règles à un test placebo, à des données brouillées ou mélangées, et l’« avantage » survit souvent aussi bien que sur les données réelles — preuve qu’il n’y a jamais eu de signal justifiant un surajustement, mais seulement un mirage bien ajusté reposant sur du vide.

Une stratégie comportant quatorze paramètres ajustés n’a pas trouvé d’avantage. Elle mémorise en détail un parcours unique et irrépétible du passé, or le passé ne se répète pas selon un calendrier préétabli.