Blog

Pourquoi trouver les meilleurs paramètres d'une stratégie n'est que la moitié du travail. Comment distinguer visuellement et quantitativement un plateau stable d'un pic fragile, et pourquoi les graphiques de contour d'Optuna sont une étape obligatoire avant de lancer une stratégie optimisée en production.

Pourquoi la recherche exhaustive est impossible avec 12+ paramètres, comment la descente de coordonnées passe à côté des interactions, et comment Optuna avec un sampler TPE trouve en 500 itérations ce qu'OAT ne peut pas trouver en 96. Exemples de code pratiques, comparaison de samplers et optimisation multi-objectifs.

Pourquoi une stratégie optimisée sur ETHUSDT peut échouer sur les altcoins. Comment tester correctement sur des groupes de paires (blue chips, large caps, shitcoins) et quel score de robustesse cross-symbol est jugé suffisant.

Comment les funding rates sur Binance/Bybit transforment de superbes résultats de backtest à fort levier en pertes garanties. Formules, recalcul de stratégies réelles et le levier maximal auquel le funding ne dévore pas les profits.

Final de la série 'Backtests sans illusions'. Comment construire un orchestrateur à partir de N stratégies x M paires, implémenter le mode cascade avec priorité et exécution de secours, choisir dual_size, et pourquoi les portefeuilles de stratégies ne peuvent pas être backtestés en additionnant simplement le PnL.

Taxonomie complète des divergences entre le backtesting et le trading en direct : du slippage et des exécutions partielles à la désynchronisation du code. Modèles architecturaux pour atteindre la parité, exemples Python d'un module core partagé et une checklist de monitoring en production.

Pourquoi une estimation ponctuelle issue d'un backtest est une illusion dangereuse. Comment le bootstrap Monte Carlo, en 2 secondes de calcul, vous donne un intervalle de confiance à 95 % pour le PnL et le MaxDD, et pourquoi c'est une étape obligatoire avant de lancer une stratégie en production.