MFTI : vérification des stratégies de trading de cryptomonnaies dans des conditions de marché réelles

Au MFTI, un système a été présenté, dans lequel la vérification des stratégies de trading de cryptomonnaies ne repose pas sur une histoire de prix idéalisée, mais sur la modélisation de conditions proches du trading réel. Le développement prend en compte les commissions, le slippage, la liquidité, le coût de financement des contrats perpétuels et d'autres facteurs, en raison desquels une stratégie qui semble rentable sur le papier peut s'avérer faible après son lancement.

Fiche de développement

• Développeur : Institut Physico-Technique de Moscou (MFTI).
• Date de première présentation du système : 30 juillet 2026.
• Secteur : services financiers, investissements et audit.
• Technologies : Data Mining.

Le système appartient aux outils d'analyse de données intelligentes et est destiné à une évaluation plus stricte des stratégies de cryptomonnaies. Son objectif est de montrer comment l'algorithme se comporterait non pas dans des conditions de laboratoire, mais dans un environnement où les transactions sont exécutées avec des coûts, des retards et des limitations de marché.

Qu'est-ce que le backtesting et pourquoi est-il nécessaire

Le backtesting est la vérification d'une stratégie de trading sur des données historiques. En d'autres termes, l'algorithme passe à nouveau par une période passée du marché : il obtient des prix, ouvre et ferme des transactions selon des règles définies, puis montre quel aurait pu être le résultat.

Cette vérification est nécessaire pour évaluer à l'avance la logique de la stratégie : a-t-elle été rentable, à quel point le capital a-t-il chuté, à quelle fréquence des périodes de perte se sont-elles produites et l'idée résiste-t-elle à différentes phases du marché. Pour un robot de trading, le backtesting est particulièrement important : il aide à identifier les points faibles avant le lancement avec de l'argent réel.

Comment effectuer un backtest d'une stratégie ou d'un robot

En général, la vérification est construite selon un algorithme compréhensible :

• Préparer des données historiques : prix, volumes, commissions et autres paramètres du marché.
• Configurer les règles de la stratégie : conditions d'entrée, de sortie, taille de la position et limites de risque.
• Intégrer des conditions de trading réelles : commissions, slippage, liquidité et coût de financement pour les contrats perpétuels.
• Lancer le test de manière à ce que l'algorithme n'utilise pas de données futures.
• Analyser les résultats à travers 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 propre est nécessaire, il est généralement écrit en Python, C++ ou R.

L'optimisation d'un robot de trading consiste à tester et à comparer les paramètres : par exemple, la période de l'indicateur, les règles de sortie ou la taille de la position. Mais choisir uniquement l'option avec le rendement maximal est dangereux : il est important de voir à quel point le résultat est stable sur différentes périodes du marché.

Il existe également des méthodes supplémentaires de vérification. Le forward testing lance la stratégie sur de nouvelles données après la configuration, pour la tester déjà en dehors de la période historique sur laquelle les paramètres ont été ajustés. Le test visuel montre les transactions directement sur le graphique étape par étape : il est donc plus facile de voir où l'algorithme entre, sort et se trompe.

Métriques, facteurs et erreurs fréquentes de backtest

Le résultat d'un backtest est évalué non seulement par le profit. On examine généralement plusieurs indicateurs :

• Rentabilité : indique combien la stratégie a gagné pendant la période choisie.
• Drawdown maximal : indique à quel point le capital a chuté du pic au minimum.
• Ratio de Sharpe : aide à évaluer la rentabilité en tenant compte du risque.
• Volatilité : indique à quel point le résultat de la stratégie a varié.
• Rapport profit/risque : aide à comprendre si le profit potentiel vaut les pertes possibles.

La qualité des données, la prise en compte des commissions, de la liquidité, du slippage, le réalisme de la modélisation, la durée de la période de test et le risque de surapprentissage influencent le plus le succès de la vérification.

Les erreurs les plus fréquentes sont l'utilisation de données futures, le surapprentissage sur une période historique favorable, l'ignorance des coûts de trading et une période de vérification trop courte. C'est précisément à cause de ces erreurs qu'une stratégie peut sembler forte sur le graphique, mais perdre rapidement en efficacité après son lancement.

Ce que les scientifiques de MFTI ont examiné

L'étude s'est concentrée sur les stratégies de momentum, l'une des approches populaires dans le trading algorithmique. Leur idée est simple : si le prix d'un actif se déplace déjà dans une certaine direction, il peut continuer ce mouvement pendant un certain temps. Ces approches sont utilisées depuis longtemps sur les marchés financiers traditionnels, mais dans les cryptomonnaies, elles sont souvent testées de manière trop simpliste.

Il existe différents types de stratégies sur le marché des cryptomonnaies :

• Momentum : parier sur la continuation d'un mouvement de prix déjà commencé.
• Arbitrage : rechercher des différences de prix entre les plateformes ou les instruments.
• Scalping : effectuer des transactions à court terme fréquentes avec un petit objectif de profit.
• Stratégies de tendance : travailler dans la direction du mouvement principal du marché.
• Stratégies contrariennes : tenter de gagner sur un retournement contre le mouvement actuel.
• Market making : placer des ordres d'achat et de vente pour gagner sur le spread.

Le principal problème de ces tests est le décalage par rapport à la réalité. Le prix sur un graphique historique montre le prix, mais ne révèle pas toutes les conditions de la transaction : quelle était la liquidité, combien coûtait l'exécution, quel a été le slippage et comment les cycles de marché ont changé. En raison de cela, une stratégie peut sembler forte sur des données passées, mais perdre rapidement le rendement attendu après son lancement.

L'équipe du département Blockchain de MFTI a décidé de vérifier dans quelle mesure les stratégies de momentum sont robustes 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 contrats à terme 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 ne reçoit que 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 pris en compte.
• La liquidité disponible est considérée.
• Pour les contrats perpétuels, le coût de financement est pris en compte.

Après le calcul d'une période de temps, l'algorithme passe à la suivante et répète la procédure sur des données mises à jour. Cette approche aide à éviter l'erreur courante d'utiliser des informations futures. En conséquence, le test montre non pas un rendement abstrait 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 de trading réels, 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 Maxim Egorov, diplômé du département Blockchain de MFTI.

Pour un marché où les traders testent souvent des idées dans MetaTrader, écrivent leurs propres modèles en Python ou portent des algorithmes à forte charge sur C++, il est important non seulement de comprendre la logique d'entrée et de sortie de la position. La qualité du test repose sur trois éléments :

• Prise en compte des coûts qui surviennent lors de l'exécution des transactions.
• Prise en compte des contraintes d'exécution, y compris la liquidité et le slippage.
• Comparaison de l'évaluation finale avec la manière dont la stratégie aurait pu fonctionner dans le trading réel.

Résultats : la rentabilité n'était pas le principal avantage

Les résultats obtenus ont été vérifiés par des méthodes statistiques. Cela était nécessaire pour séparer l'effet durable d'une coïncidence aléatoire des paramètres avec un segment de marché favorable. Ce contrôle a montré que de nombreuses stratégies qui semblent performantes lors des tests standard perdent considérablement en efficacité lorsqu'on prend en compte les conditions de trading réelles.

La principale conclusion n'est pas que les stratégies de momentum génèrent le maximum de profit. Un avantage plus important est leur capacité à limiter les pertes lors des périodes de fortes baisses du marché. Lors d'une vérification réaliste, la protection du capital pendant les effondrements s'est révélée primordiale.

Le système a testé 132 variantes de stratégies. L'étude a montré qu'il n'est pas possible de se fier uniquement à une seule variante qui a le mieux performé sur les données historiques. Après ajustement pour le hasard, son résultat n'était statistiquement pas différent de la chance. Cependant, l'effet de momentum lui-même n'a pas disparu.

Si l'on évalue la stratégie non pas sur un seul scénario le plus réussi, mais en moyenne et en formant un portefeuille de plusieurs variantes, elle conserve une rentabilité stable. Son principal atout est la réduction des baisses pendant les périodes de crise. Selon les calculs du MIPT, la baisse maximale a été réduite de plus de deux fois : de 67 % à 29 %.

Pourquoi cette vérification est-elle nécessaire pour le marché des cryptomonnaies ?

Les auteurs du développement estiment que le système pourrait servir de base pour évaluer et créer de nouveaux produits d'investissement sur le marché des cryptomonnaies. Sa valeur réside dans le fait que le produit peut être préalablement testé dans des conditions proches du trading réel et comprendre dans quelle mesure il peut protéger le capital lors de fortes baisses.

Ce système pourrait servir de base pour l'évaluation de nouveaux produits d'investissement pour le marché des cryptomonnaies. Il permet de voir à l'avance comment la stratégie se comporte lors de fortes baisses et dans quelle mesure le risque reste contrôlé. Dans le contexte de la formation d'une base réglementaire pour les actifs financiers numériques en Russie, de tels outils pourraient devenir particulièrement demandés, a souligné Maxim Egorov.

La prochaine étape pour les chercheurs du MIPT consiste à tester d'autres classes de stratégies de trading. Ils souhaitent également élargir l'étude à de nouveaux types de crypto-actifs afin d'évaluer dans quelle mesure un test réaliste modifie la perception du risque et du rendement dans différents segments du marché.