À MIPT (Institut de physique et de technologie de Moscou), un système a été présenté pour lequel la vérification des stratégies de trading de cryptomonnaies n'est pas basée sur un historique de prix idéalisé, mais sur une modélisation de conditions proches du trading réel. Le développement prend en compte les commissions, le slippage, la liquidité, le coût du financement des contrats perpétuels et d'autres facteurs, à cause desquels une stratégie rentable sur le papier peut s'avérer faible après son lancement.
Fiche technique du développement
- Développeur : Institut de physique et de technologie de Moscou (MIPT).
- Date de présentation du système : 30 juillet 2026.
- Secteur : services financiers, investissements et audit.
- Technologies : Data Mining.
Le système relève des outils d'exploration de données et est destiné à une évaluation plus rigoureuse des stratégies de cryptomonnaies. Sa tâche est de montrer comment un algorithme se comporterait non pas dans des conditions de laboratoire, mais dans un environnement où une transaction est exécutée avec des coûts, des délais et des contraintes de marché.
Qu'est-ce que le backtesting et à quoi sert-il
Le backtesting est la vérification d'une stratégie de trading sur des données historiques. Plus simplement, l'algorithme passe comme si à nouveau sur une période passée du marché : il reçoit les prix, ouvre et ferme des transactions selon des règles définies, puis montre quel aurait pu être le résultat.
Une telle vérification est nécessaire pour évaluer à l'avance la logique de la stratégie : a-t-elle généré des bénéfices, dans quelle mesure le capital a-t-il baissé, à quelle fréquence des périodes de perte sont apparues, et l'idée résiste-t-elle à différentes phases de marché. Pour un robot de trading, le backtesting est particulièrement important : il aide à identifier les faiblesses avant le lancement avec de l'argent réel.
Comment réaliser un backtest d'une stratégie ou d'un robot
Habituellement, la vérification suit un algorithme compréhensible :
- Préparer les données historiques : prix, volumes, commissions et autres paramètres du marché.
- Configurer les règles de la stratégie : conditions d'entrée, de sortie, taille de position et limites de risque.
- Intégrer les conditions réelles de trading : commissions, slippage, liquidité et coût du financement pour les contrats perpétuels.
- Lancer le test de manière à ce que l'algorithme n'utilise pas de données futures.
- Analyser les résultats via des rapports, des graphiques et des tableaux de transactions.
Pour le backtesting, on utilise souvent MetaTrader, TradingView, Amibroker et des plateformes similaires. Si un système de test personnalisé est nécessaire, il est généralement programmé en Python, C++ ou R.
L'optimisation d'un robot de trading se réduit à l'exploration et à la comparaison de paramètres : par exemple, la période d'un indicateur, les règles de sortie ou la taille de position. Mais choisir uniquement la variante avec la rentabilité maximale est dangereux — il est important de regarder dans quelle mesure le résultat est stable sur différentes périodes du marché.
Il existe également des méthodes de vérification supplémentaires. Le forward testing lance la stratégie sur de nouvelles données après sa configuration, pour la tester en dehors de la période historique sur laquelle les paramètres ont été choisis. Le test visuel montre les transactions directement sur le graphique pas à pas : ainsi, il est plus facile de voir où l'algorithme entre, sort et se trompe.
Métriques, facteurs et erreurs fréquentes de backtest
Le résultat d'un backtest n'est pas évalué uniquement par le profit. Habituellement, plusieurs indicateurs sont examinés simultanément :
- Rentabilité : montre combien la stratégie a rapporté sur la période choisie.
- Drawdown maximum : montre dans quelle mesure le capital a diminué du pic au creux.
- Ratio de Sharpe : aide à évaluer la rentabilité ajustée du risque.
- Volatilité : montre à quel point le résultat de la stratégie a changé brusquement.
- Ratio profit/risque : aide à comprendre si le profit potentiel vaut les pertes possibles.
Le succès de la vérification est le plus fortement influencé par la qualité des données, la prise en compte des commissions, de la liquidité, du slippage, le réalisme de la modélisation, la longueur de la période de test et le risque de surajustement (overfitting).
Les erreurs les plus fréquentes sont l'utilisation de données futures, le surajustement à une période historique favorable, l'ignorance des coûts de transaction et une période de vérification trop courte. C'est précisément à cause de telles erreurs qu'une stratégie peut paraître forte sur le graphique, mais perdre rapidement en efficacité après son lancement.
Ce que les chercheurs du MIPT ont précisément vérifié
L'étude s'est concentrée sur les stratégies de momentum — l'une des approches populaires en trading algorithmique. Leur idée est simple : si le prix d'un actif se déplace déjà dans une certaine direction, il peut continuer ce mouvement encore quelque temps. Sur les marchés financiers traditionnels, de telles approches sont utilisées depuis longtemps, mais pour les cryptomonnaies, elles sont souvent testées de manière trop simplifiée.
Sur le marché des cryptomonnaies, on rencontre différents types de stratégies :
- Momentum : pari sur la continuation d'un mouvement de prix déjà amorcé.
- Arbitrage : recherche d'écarts de prix entre plateformes ou instruments.
- Scalping : transactions fréquentes à court terme avec un objectif de profit faible.
- Stratégies de tendance : travailler dans la direction du mouvement principal du marché.
- Stratégies contrariantes : tentative de gagner sur un retracement contre le mouvement actuel.
- Market making : placement d'ordres d'achat et de vente pour gagner sur le spread.
Le principal problème de ces tests est leur déconnexion de la réalité. La cotation sur un graphique historique montre le prix, mais ne révèle pas toutes les conditions de la transaction : quelle était la liquidité, quel était le coût d'exécution, quel était le slippage et comment les cycles de marché ont évolué. À cause de cela, une stratégie peut paraître forte sur des données passées, et perdre rapidement sa rentabilité attendue après son lancement.
L'équipe du département "Blockchain" du MIPT a décidé de vérifier dans quelle mesure les stratégies de momentum sont résistantes avec une approche plus réaliste. Pour cela, le travail a été divisé en plusieurs étapes pratiques :
- Création d'un système de test.
- Collecte de données horaires sur le marché au comptant.
- Collecte de données horaires sur les futures perpétuels sur 8 ans.
Comment fonctionne le système de test
Le développement simule étape par étape le fonctionnement d'une stratégie de trading, comme si elle était lancée en temps réel. À chaque étape, le système vérifie plusieurs conditions :
- L'algorithme reçoit uniquement les données de marché qui auraient pu être disponibles au moment de la prise de décision.
- Le résultat de la transaction est calculé en tenant compte des commissions.
- Le slippage est ajouté au calcul.
- La liquidité disponible est prise en compte.
- Pour les contrats perpétuels, le coût du financement est pris en compte.
Après le calcul d'un segment temporel, l'algorithme passe au suivant et répète la procédure sur les données mises à jour. Cette approche aide à éviter l'erreur courante — l'utilisation d'informations du futur. En conséquence, le test montre non pas une rentabilité abstraite sur l'historique, mais une image plus plausible du comportement de la stratégie en trading.
Le système reproduit le fonctionnement de la stratégie étape par étape : il utilise uniquement les données disponibles à ce moment-là, prend en compte les coûts réels de transaction, puis passe à la période suivante. Cette méthode permet d'évaluer comment la stratégie aurait pu se comporter dans des conditions de marché réelles, — a expliqué Maksim Egorov, diplômé du département "Blockchain" du MIPT.
Pour un marché où les traders testent souvent des idées dans MetaTrader, écrivent leurs propres modèles en Python ou transfèrent des algorithmes haute performance en C++, la logique d'entrée et de sortie de position n'est pas la seule chose importante. La qualité de la vérification repose sur trois choses :
- La prise en compte des coûts qui surviennent lors de l'exécution des transactions.
- La prise en compte des contraintes d'exécution, y compris la liquidité et le slippage.
- La comparaison de l'évaluation finale avec la façon dont la stratégie aurait pu fonctionner en trading réel.
Résultats : la rentabilité n'était pas le principal avantage
Les résultats obtenus ont été vérifiés en outre par des méthodes statistiques. Cela était nécessaire pour séparer un effet durable d'une coïncidence aléatoire des paramètres avec une période favorable du marché. Un tel contrôle a montré : de nombreuses stratégies qui paraissent bonnes lors d'un test standard perdent notablement en efficacité après prise en compte des conditions réelles de trading.
La principale conclusion n'était pas que les stratégies de momentum donnent un profit maximal. Leur capacité à limiter les pertes lors de périodes de chute brutale du marché s'est révélée un avantage plus important. Avec une vérification réaliste, c'est la protection du capital pendant les effondrements qui est passée au premier plan.
132 variantes de la stratégie ont été testées à travers le système. L'étude a montré qu'on ne peut pas se fier à une seule variante, qui s'est le mieux comportée sur les données historiques. Après correction pour l'exploration aléatoire, son résultat ne se distinguait plus statistiquement de la chance. Cependant, l'effet de momentum lui-même n'a pas disparu.
Si on évalue la stratégie non pas sur un scénario unique le plus réussi, mais en moyenne et en formant un portefeuille avec plusieurs variantes, elle conserve une rentabilité stable. Dans le même temps, sa propriété clé est la réduction du drawdown pendant les périodes de crise. Selon les calculs du MIPT, le drawdown maximum était réduit de plus de 2 fois : de 67% à 29%.
Pourquoi une telle vérification est nécessaire pour le marché des cryptomonnaies
Les auteurs du développement estiment que le système peut servir de base pour l'évaluation et la création de nouveaux produits d'investissement sur le marché des cryptomonnaies. Sa valeur réside dans le fait qu'on peut vérifier à l'avance un produit dans des conditions proches du trading réel, et comprendre dans quelle mesure il est capable de protéger le capital lors de fortes baisses.
Un tel système peut constituer la base de l'évaluation de nouveaux produits d'investissement pour le marché des cryptomonnaies. Il permet de voir à l'avance comment une stratégie traverse les périodes de forte baisse et dans quelle mesure le risque reste contrôlable. Dans le contexte de la formation en Russie d'une base réglementaire pour les actifs financiers numériques, de tels outils peuvent devenir particulièrement demandés, — a souligné Maksim Egorov.
La prochaine étape prévue par les chercheurs du MIPT est de vérifier d'autres classes de stratégies de trading. Ils souhaitent également étendre la recherche à de nouveaux types de crypto-actifs, afin d'évaluer dans quelle mesure un test réaliste modifie la perception du risque et de la rentabilité dans différents segments du marché.
