Définition
L'overfitting (surajustement, ou curve fitting) consiste à régler une stratégie si précisément sur les données passées qu'elle reproduit leur bruit au lieu d'un comportement de marché qui se répète.
Le résultat est toujours le même : un historique de test très flatteur, puis des résultats nettement moins bons sur des données que la stratégie n'a jamais vues.
Définition formelle
En statistique, un modèle est surajusté quand il a trop de paramètres libres par rapport à la quantité d'informations réellement utiles dans les données. Son erreur est faible sur l'échantillon d'apprentissage (in-sample) et élevée sur l'échantillon de validation (out-of-sample). C'est le côté « variance » du compromis biais-variance. L'excès inverse, un modèle trop simple qui rate une structure réelle, s'appelle le sous-ajustement (underfitting).
Prêt à essayer sur un compte réel ou démo ?
Lien partenaire · le trading comporte un risque élevé de perte
Exemple hypothétique
Prenons un cas fictif. Un trader construit une stratégie de croisement de moyennes mobiles sur l'EUR/USD (voir Analyse technique).
- Il lance une optimisation qui teste des milliers de combinaisons : longueurs des moyennes, filtre horaire, stop, objectif, jours de la semaine exclus.
- Il retient la combinaison qui a donné la meilleure courbe de capital sur l'historique.
- Cette combinaison exclut par exemple le mercredi, uniquement parce que quelques mauvais mercredis figuraient dans l'historique testé. Aucune raison économique ne justifie ce filtre.
- Sur la période suivante, non utilisée pendant le réglage, la courbe de capital devient plate ou baissière.
La stratégie avait « appris » une suite de hasards propres à cette période. Pour estimer l'effet réel des pertes sur un compte, utilisez les calculateurs et simulateurs plutôt qu'un rapport d'optimisation.
Où le terme apparaît
- Plateformes : le testeur de stratégie de MetaTrader (voir MetaTrader 5) propose une optimisation des paramètres. C'est l'outil le plus courant pour sur-optimiser une stratégie sans s'en rendre compte. Le test forward, réalisé sur une période réservée, sert à le détecter.
- Rapports : un rapport de backtest avec une equity curve presque parfaite, un drawdown minime et beaucoup de paramètres doit éveiller le soupçon.
- Actualité : le terme revient dans les articles sur les fonds quantitatifs, l'intelligence artificielle appliquée aux marchés et les robots de trading vendus avec des « résultats historiques ».
Cas limites à distinguer
- Data snooping (biais de tests multiples) : même une règle simple paraît efficace si l'on en a testé un très grand nombre pour ne garder que la meilleure.
- Look-ahead bias : le test utilise une information qui n'était pas disponible au moment de la décision. C'est un défaut différent, mais souvent combiné à l'overfitting.
- Changement de régime : une stratégie saine peut cesser de fonctionner parce que le marché a changé. Ce n'est pas forcément du surajustement.
- Walk-forward : la méthode consiste à optimiser sur une fenêtre, tester sur la suivante, puis décaler. Elle réduit le risque de surajustement sans l'éliminer.
Un backtest réussi ne garantit rien. Le trading de CFD et de forex avec effet de levier peut faire perdre de l'argent rapidement, y compris avec une stratégie bien testée. Voir Gestion du risque.
Termes liés
- Stratégies de trading
- Equity curve
- Fat tails et tail risk
- Cygne noir
- Coefficient de corrélation
- Trading par API
- Psychologie du trading
- Glossaire du trading
Questions fréquentes
Surajustement et sur-optimisation, c'est la même chose ?
En pratique, oui. La sur-optimisation désigne le procédé : trop de réglages sur l'historique. Le surajustement en est le résultat.
Comment repérer un overfitting ?
Il faut comparer les résultats in-sample et out-of-sample. Un écart important, beaucoup de paramètres ou des filtres sans justification sont des signaux d'alerte.
Un compte démo protège-t-il de l'overfitting ?
Un compte démo permet d'observer une stratégie sur des données nouvelles, sans argent réel. Il ne prouve pas pour autant qu'elle restera valable plus tard.
Moins de paramètres, c'est toujours mieux ?
Pas toujours. Un modèle trop simple peut sous-ajuster. L'objectif est que chaque paramètre ait une raison d'exister en dehors de l'historique testé.