Le miroir aux alouettes de l’optimisation

 

Voici la traduction d’une série de posts de Tito Ingargiola du blog “Hack the market“. Tito Ingargiola a décidé de quitter en 2005 sa position de spécialiste en technologie a Wall Street pour créer Puppetmaster Trading et poursuivre ainsi à temps plein son intérêt croissant pour le trading algorithmique.

 

Article Original : Fool’s gold

Un des plus grands problème auquel doit faire face le trader algorithmique est de reconnaitre et d’éviter les phénomènes de miroirs aux alouettes provoqués par les backtests et le data-mining (extraction de connaissances à partir de Données)

Le problème est que l’improbable évident devient incroyablement plus plausible lorsque de nombreuses instances sont considérées. Une des premières réaction inévitable qu’un apprenti trader algorithmique a lorsqu’il regarde les résultats de sa stratégie passée au travers d’un optimiseur de paramètres est “Je vais devenir riche“.

Comment pourrait-il l’être autrement? Un tel résultat ne peut indiquer autre chose hormis  que ma stratégie est prédictive. J’ai touché du doigt une de ces inefficiences du marché et donc j’ai créé une de ces petites machin à argent.”

Le système est alors rapidement mis en production. Et c’est là que ça devient sournois parce que vous allez peut être même faire de l’argent. Peut être même beaucoup. Mais à moins que vous êtes vraiment vraiment chanceux, la chance va tourner et cette stratégie qui était une véritable mine d’or pendant les n derniers mois va soudainement commencer à mal se comporter. Votre exaltation va alors se transformer en confusion, puis en déception et enfin pour les plus obstinés en douleur et horreur.

Qu’est ce qu’il se passe alors? Comment nous autres, joyeux mineurs, nous nous retrouvons à extraire de l’or de fou? Ce sera le sujet de notre série de posts initiale.

 

Article Original : Sucker Punch

Pour illustrer ces propos, je vais introduire un exemple simple: la stratégie “morning breakout”. les variations de cette stratégie ont été discutées par une variété de sources de l’ouvrage encyclopédique de Perry Kaufman à un exemplaire récent de  Futures Magazine (ndlr: récent à l’époque de l’écriture de l’article…).

La logique derrière cette stratégie est basée sur le prémisse que les premières n minutes d’une session de trading indiqueront probablement le mouvement entier de celle ci et donc les breakouts à l’intérieure de cet intervalle seront décisifs pour la journée. On peut alors prendre cette idée basique et créer une série de stratégies en ajoutant des filtres et pluisieurs sorties.

Elles ont toute les mêmes caractéristiques basiques: elles sont toutes perdantes.

Sucker punch!

 

Nous garderons les choses simples et nous assumons que notre stratégie positionnera des stops aux max & min observés durant la session des n minutes. A la fin de la journée, nous sortirons de chaque position que la stratégie a engendrée.

Notre stratégie a donc deux paramètres pouvant être optimisés: que trader et quand placer les stops? Le premier est de type contrat tandis que le deuxième est un entier. Nous avons aussi des paramètres fixes (c’est à dire dont il n’y a pas d’intérêt d’essayer à optimiser) traduisant quand la session doit démarrer, combien d’argent risquer, combien de contrats trader, etc.

Si nous faisons une optimisation des paramètres sur cette stratégie en utilisant les composants du  s&p 500 comme valeurs du premier paramètre et en faisant varier la variable n de la taille de la fenêtre d’observation du breakout avec les valeurs { 20, 40, 60, 80 }, nous obtenons 500 X 4 stratégies différentes avec chacune des backtests pour nous produire nos résultats.

Nous allons désormais observer et essayer d’ analyser les résultats.

Article Original: Anatomie of a knockout

Contrairement à ce que j’ai écrit la fois dernière, j’ai réalisé ce test sur un ensemble de 1190 titres produisant une variété de 4760 stratégies différentes. Naturellement, lorsque l’on regarde un nombre aussi important de stratégies, nous allons en trouver de réellement très performantes. Il y a peut être de bonnes raisons qui expliquent pourquoi certaines stratégies ont des retours très supérieurs à la moyenne sur certaines périodes de temps. Je laisse le soin aux lecteurs de répondre à cette question…

Si nous observons un des bons résultats (nommé BID), on peut penser que l’on tient quelque chose :

 

just look at dem curves

 

Peut être. Regardons désormais un perdant (nommé EXEL) :

oh, dear

 

Aussi différent que le jour et la nuit, n’est ce pas? Bon, je préfèrerais certainement voir le  premier dans un bilan mensuel, mais si nous y regardons de plus près, ils se ressemblent réellement. Ici nous avons un aperçu de la distribution des résultats des trades exécutés par chaque stratégie (BID et EXEL). 

 

color me random

 

et celui ci :

 

color me random, part deux

 

 

Maintenant, ceci peut ne pas paraître très concluant et peut être ça ne l’est pas. Mais les deux stratégies si opposées se ressemblent désormais beaucoup plus.

Elles ressemblent pour moi diablement  à une distribution aléatoire.

Et si je regarde, disons, 4760 distributions de ce type, je m’attends à observer quelques une qui semblent très attirantes (décalées légèrement vers la droite) et d’autres qui sont décidément sinistres…

Parce que nous voulons y croire, nous pourrions regarder une énorme série de ce type jusqu’à ce que nous devrions nous écrier “maudit soit Jacob Bernouli et sa loi des grands nombres”. Nous obtenons une belle courbe de Gauss.

clear as mud

La prochaine fois, nous verrons d’autres stratégies (et leur distribution) qui semblent assez différentes et pourraient nous amener à considérer d’autres manière de raisonner à propos de nos résults de backtest.

 

Article Original: Distribution – part 1

Je ferai quelques commentaires supplémentaires sur la dernière stratégie que nous venons de voir. Bien que je l’ai égratignée, c’est en fait une très bonne stratégie à étudier car elle est très simple à implémenter, rapide à s’exécuter, semble prometteuse et peut être permutée de nombreuses manières.Elle a par contre la mauvaise particularité d’être perdante, mais rien n’est parfait. Elle devrait effacer ce défaut en nous faisant visualiser des phénomènes intéressants.Par exemple, de tous les marchés futures que j’ai essayés, ICE, CME et NYX ontbien marché. Il y a peut être quelque chose là. Ou pas. Si l’on regarde la distribution de la meilleur des 4 stratégies que j’ai utilisé par instrument, nous obtenons une image assez claire :

 

gimme an R-...

 

 

C’est chacune des exécutions individuelles que kes stratégies ont faites. En moyenne, en incluant les charges et commissions, elles perdent 7 dollars par trade. pas bon… et c’était les meilleurs du groupe. Assez concluant pour moi.

Le problème d’extraction de données et de backtesting que j’ai essayé d’illustrer ici est bien détaillé dans le chapitre 6 du livre de David Aronson intitulé  “Evidence-Based Technical Analysis.

Traduction: Nicolas Vitale

 

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>