Ce que le walk-forward permet de vérifier

Objectifs et prérequis

Tu sais auditer un backtest simple. Tu vas maintenant distinguer l'optimisation d'une stratégie de l'évaluation de sa méthode de sélection. Tu prépareras une règle de choix écrite avant de consulter les résultats suivants. Un tableur suffit pour l'exercice ; un EA inspectable est utile pour l'atelier MT5.

Pourquoi le meilleur résultat mérite une enquête

Imagine cent réglages d'un même robot. Chacun donne un résultat différent, en partie parce qu'il exploite différemment les fluctuations particulières de l'historique. Même sans avantage stable, l'un d'eux finit premier. Si tu sélectionnes ce gagnant et annonces son résultat comme représentatif, tu ignores le processus qui l'a fait émerger.

Le nombre d'essais comprend plus que les paramètres affichés : horaires, symboles, filtres, dates, critères et idées abandonnées participent aussi à la recherche. Les travaux sur la probabilité de surapprentissage montrent pourquoi un historique réservé ne suffit pas si la sélection des stratégies le consulte à répétition. Source : Bailey et coauteurs, The Probability of Backtest Overfitting.

Une amélioration spectaculaire après un seul changement ne prouve donc ni une découverte ni une erreur. Elle crée une question : cette amélioration survit-elle lorsque la méthode rencontre des données qu'elle n'a pas utilisées pour se régler ?

Avancer dans le temps avec des règles figées

Le walk-forward alterne une période d'apprentissage, dite in-sample ou IS, et une période suivante d'évaluation, dite out-of-sample ou OOS. On choisit les paramètres à partir de l'IS, on les fige, puis on mesure leur comportement sur l'OOS suivant. On décale ensuite les fenêtres selon un calendrier fixé à l'avance.

Le produit évalué est toute la procédure : données, critères, contraintes, fréquence de recalibrage et comportement entre deux recalibrages. Si tu modifies le critère après un trimestre OOS décevant, tu as créé une nouvelle procédure. Conserve l'ancienne expérience et commence une nouvelle évaluation ; ne remplace pas silencieusement le mauvais trimestre.

MT5 propose une séparation temporelle de type forward dans le testeur. Elle réserve la partie la plus récente d'une période pour évaluer les réglages sélectionnés. Une succession complète de fenêtres doit être organisée et documentée ; un seul découpage n'est pas automatiquement un protocole roulant complet. Source : test de stratégie et période forward MT5.

Exemple hypothétique : choisir une règle plutôt qu'un gagnant

Trois réglages A, B et C sont évalués sur une même année d'apprentissage. A affiche +18 % avec 14 % de drawdown ; B +11 % avec 5 % ; C +10 % avec 4 %. Tu avais écrit : « Écarter les réglages au-dessus de 8 % de drawdown ; parmi les autres, privilégier une zone de paramètres où les voisins restent cohérents. » Ces chiffres illustrent une règle d'exercice, pas un seuil recommandé.

A est rejeté malgré son meilleur rendement. Supposons que B soit un pic isolé : ses deux voisins perdent de l'argent. C appartient à une zone où les réglages voisins donnent +8 % et +9 %. Ta procédure choisit C. Le trimestre suivant, C fait −2 %. Tu dois enregistrer −2 %, même si B a finalement fait +4 % : B n'était pas le choix autorisé à la frontière.

La stabilité locale motive ici une préférence, mais ne démontre pas la rentabilité. Une zone stable peut simplement produire des pertes stables ; ses résultats doivent encore être examinés nets de coûts.

Définir à l'avance ce qui peut changer

Sépare les paramètres calibrables des règles structurelles. Dans une expérience, tu peux autoriser la période d'une moyenne parmi cinq valeurs tout en figeant la règle de sortie et le risque. Changer simultanément tous les éléments rend difficile l'explication des résultats et élargit fortement la recherche.

Fixe aussi le sort d'une fenêtre sans candidat admissible. Une option cohérente est de rester sans position pendant la fenêtre suivante. Elle doit être définie avant l'échec, puis comptée dans le résultat agrégé. Retirer les périodes sans candidat améliorerait artificiellement la présentation.

Prévois un historique final réservé, une fois la méthode arrêtée. Il sert à un examen final, pas à une nouvelle ronde de réglages. Pour observer le comportement opérationnel, ajoute ensuite une période en démonstration avec les paramètres réellement disponibles à chaque date.

Atelier MT5

Choisis un EA dont tu peux décrire les règles. Limite volontairement l'exercice à deux paramètres et à une petite grille documentée. Enregistre le fichier de paramètres, les dates et le critère de sélection. Exporte les résultats d'apprentissage, sélectionne le candidat selon la règle écrite puis lance seulement ensuite son test sur la période suivante. Conserve également les candidats refusés et leurs motifs.

Si tu n'as pas d'EA adapté, utilise le tableau hypothétique A/B/C ci-dessus et rédige la décision comme si tu étais à la fin de l'année d'apprentissage. L'objectif est d'apprendre à décider avec l'information disponible à cette date.

Exercice corrigé

Tu testes trois longueurs de fenêtre et gardes celle qui obtient le meilleur résultat sur tous les trimestres OOS. Ces trimestres restent-ils une validation indépendante de la longueur retenue ?

Correction : non. Ils ont servi à sélectionner cette longueur. Ils peuvent documenter une comparaison exploratoire, mais une évaluation indépendante demande de nouvelles données non utilisées pour cette sélection. Le mot « OOS » décrit une relation avec une décision précise ; il ne confère pas une indépendance permanente à une date.

À retenir

Le walk-forward rend visible une succession de décisions historiques. Il réduit certaines ambiguïtés de validation, sans effacer les risques de sélection répétée, de données insuffisantes ou de changement de marché. Dans la prochaine leçon, tu écriras les frontières et les conventions qui rendent cette succession reproductible.