Atelier : auditer un EA de retour à la moyenne

Cadre du cas pratique

Ce cas EUR/USD est entièrement fictif. Les paramètres, opérations et résultats sont construits pour apprendre ; aucun EA réel ni résultat de NeuroTrading Labs n'est présenté. Tu peux faire tous les calculs sur papier. Un EA inspectable qui implémente les règles serait nécessaire pour exécuter leur backtest dans MT5.

L'objectif est de produire une note de décision qui distingue fonctionnement, résultat observé, sensibilité et preuves encore manquantes. Reprends ton contrat de stratégie, ton protocole walk-forward et la définition de R, risque initial prévu par opération.

1. Formaliser l'hypothèse

Notre hypothèse est qu'un écart temporaire à une moyenne peut se résorber. L'exemple travaille sur les clôtures M15. Il calcule, sur les vingt dernières bougies terminées, une moyenne et un écart-type d'échantillon des clôtures. Il rapporte l'écart de la dernière clôture à cette moyenne à l'écart-type. Un écart-type nul interdit le signal.

Pour l'illustration, un score inférieur à −2 autorise une demande d'achat à la cotation suivante, un score supérieur à +2 une demande de vente. Une seule position est admise ; aucun renforcement n'est prévu. La sortie a lieu au retour vers la moyenne, à un stop fixé avant l'entrée ou après huit bougies, selon le premier événement applicable. Les distances de stop, règles de spread et horaires doivent être fixés dans la fiche avant un test exécutable.

Cette version décrit une famille de règles mais ne fournit pas un EA prêt à déployer. La spécification complète doit notamment fixer si la moyenne cible est figée à l'entrée ou mise à jour. Pour notre exercice papier, elle est figée à l'entrée. Ce choix change le comportement : on ne peut pas utiliser les deux variantes selon le résultat qui arrange.

2. Préparer des opérations exploitables

Un export doit permettre de retrouver l'heure, le sens, l'entrée, la sortie, le volume, le risque initial, le résultat, les commissions et le financement. Regroupe les sorties partielles avec leur opération d'origine. Note comment les résultats latents et les positions traversant une frontière sont traités.

Dans MQL5, les propriétés des transactions permettent notamment de distinguer profit, commission, swap et autres frais selon leur enregistrement. La simple somme d'une seule colonne peut manquer certains coûts ou mélanger des flux non liés au trading. Source : propriétés des transactions MQL5.

3. Calculer le cas miniature

Voici douze résultats nets hypothétiques en R, dans l'ordre chronologique : +0,8 ; −0,9 ; +0,7 ; +0,9 ; −1,1 ; +0,6 ; +0,8 ; −1,0 ; +0,7 ; −0,8 ; +0,6 ; +0,7.

Les huit résultats positifs totalisent 5,8 R ; les quatre négatifs représentent 3,8 R. Le résultat net vaut 2 R, l'espérance observée 2 / 12 = 0,167 R environ, et le profit factor 5,8 / 3,8 = 1,526 environ. Avec un R constant de 10 € dans ce calcul, le profit serait de 20 €. Le résultat −1,1 R illustre une perte supérieure au risque initial prévu.

En cumulant les résultats à partir de zéro, on obtient 0,8 ; −0,1 ; 0,6 ; 1,5 ; 0,4 ; 1,0 ; 1,8 ; 0,8 ; 1,5 ; 0,7 ; 1,3 ; 2,0. Le recul maximal entre un sommet et un point ultérieur est de 1,1 R. Cette mesure utilise uniquement les clôtures d'opérations ; elle ne capture pas les excursions défavorables intratrade.

4. Tester la marge économique

Appliquons un coût supplémentaire uniforme, uniquement pour l'analyse de sensibilité. À +0,1 R par opération, le résultat net devient 2 − 12 × 0,1 = 0,8 R. À +0,2 R, il devient −0,4 R. Le surcoût moyen qui absorbe exactement le gain vaut environ 0,167 R par opération.

Ce seuil indique une fragilité à examiner avec des coûts observables. Il ne dit pas quel surcoût sera rencontré. Si une modification de spread change les filtres d'entrée, un nouveau test de la logique est requis ; soustraire un montant fixe n'en reproduit pas tous les effets.

5. Construire les scénarios suivants

Une première expérience permute les douze résultats pour étudier le chemin à composition constante. Une deuxième rééchantillonne avec remise. Une troisième conserve les groupes de journées d'un historique plus long pour préserver une partie des dépendances. Douze opérations sont insuffisantes pour annoncer des probabilités fiables : ces calculs servent ici à vérifier la mécanique.

Pour une étude réelle ultérieure, choisis avant calcul un horizon, un nombre de trajectoires, des blocs justifiés et une règle de dimensionnement. Enregistre les quantiles de drawdown et de résultat ainsi que leur sensibilité aux hypothèses. Les blocs préservent certaines relations temporelles ; ils ne reproduisent pas automatiquement des conditions nouvelles. Source : méthodes de bootstrap temporel.

Atelier MT5 et note de décision

Si tu disposes de l'EA correspondant, vérifie visuellement un signal, une sortie temporelle et un refus d'entrée. Exporte ensuite uniquement la période OOS définie, contrôle les coûts et rapproche une opération avec le journal. Sinon, effectue cette étape comme une liste de preuves à demander au développeur.

Rédige quatre phrases : « Les règles sont… », « L'échantillon montre… », « Le stress révèle… », « La prochaine preuve nécessaire est… ». Pour notre cas, la conclusion cohérente est de poursuivre la validation et la collecte en démonstration : la petite série positive est sensible aux coûts et n'établit pas un avantage exploitable.

Exercice corrigé

Un analyste retire la perte de −1,1 R, la jugeant exceptionnelle, puis relance ses simulations. Pourquoi sa distribution devient-elle plus rassurante ? Quelle alternative permet d'étudier cette opération ?

Correction : il supprime une observation défavorable et modifie artificiellement la base du modèle. Il faut d'abord déterminer s'il s'agit d'une erreur de données vérifiable ou d'un événement valide. Un événement valide reste dans l'analyse principale. On peut présenter une sensibilité séparée, clairement étiquetée, et chercher les conditions qui l'ont produit. La décision ne doit pas dépendre de son effacement.