Des données de marché plus granulaires peuvent rendre un backtest de stratégie moins fiable. Les données tick fournissent davantage de lignes, mais elles multiplient aussi les façons de confondre le détail des mesures avec une connaissance de ce que vous auriez pu réellement trader.
Cela peut sembler paradoxal si vous avez déjà vu un test fondé sur des barres manquer un stop, un élargissement du spread ou un bref passage au prix de votre ordre limite. Ce sont de vrais problèmes. La question est de savoir si des données plus fines les résolvent vraiment ou si elles permettent simplement au simulateur de raconter une histoire plus convaincante.
Que permettent de voir les données tick dans un backtest ?
Une barre d’une minute condense une séquence de transactions en quatre prix et un volume total. À partir de la seule barre, vous ne pouvez généralement pas savoir si le plus haut a précédé le plus bas, combien de temps le prix est resté près de l’un ou l’autre extrême, ni si un volume suffisant a été échangé à un prix donné pour exécuter votre ordre.
Les ticks de transactions rétablissent la séquence des transactions déclarées. Les cotations ajoutent l’évolution du bid et de l’ask affichés. Avec les deux, vous pouvez poser des questions plus précises sur le spread, les changements de cotation et la possibilité qu’un ordre preneur de liquidité ait traversé le carnet à un prix plausible.
Mais une transaction enregistrée ne révèle pas votre place dans la file d’attente. Si votre ordre au carnet avait rejoint un niveau où 18 BTC se trouvaient déjà devant lui, voir 0,3 BTC échangé à ce niveau ne prouve pas que votre ordre aurait été exécuté. Le flux des transactions indique ce qui s’est passé sur le marché ; il révèle rarement la position exacte de votre ordre hypothétique.
Comment des données plus fines peuvent-elles dégrader le résultat ?
Le premier risque est une couverture inégale. Les archives de données tick comportent souvent des intervalles manquants, des lacunes selon les plateformes, des changements de symboles ou des périodes de conservation différentes d’un marché à l’autre. Une stratégie testée uniquement là où le fournisseur dispose d’un historique complet peut discrètement se transformer en stratégie pour les actifs et les périodes les plus faciles à mesurer.
Le deuxième risque concerne le timing. Les horodatages peuvent correspondre à l’heure de l’événement sur la plateforme, à l’heure de réception par le fournisseur ou au moment où un fichier a été assemblé. Si votre simulateur trie les événements de différents flux comme si leurs horloges étaient parfaitement synchronisées, il peut réagir à une cotation avant qu’elle ne soit disponible pour votre système.
Et un plus grand nombre de lignes facilite la dissimulation des erreurs d’implémentation. Une stratégie fondée sur des barres peut prendre une décision par minute. Une version pilotée par les ticks peut trader des dizaines de fois pendant cette minute, en payant le spread, les frais et l’impact de marché à chaque fois. Si le simulateur suppose que chaque signal peut être exécuté au prochain prix observé, sa précision est purement décorative.
Les 60 observations ne représentent pas automatiquement 60 occasions indépendantes de trader. Elles peuvent toutes décrire la même cotation en évolution, et votre ordre peut influer sur la liquidité encore disponible. Une simulation haute fréquence a besoin d’un modèle d’ordres et de latence qui exploite honnêtement ces informations supplémentaires.
Quand les données tick valent-elles leur coût ?
Commencez par la question à laquelle vos données actuelles ne permettent pas de répondre. Si vous voulez savoir « qu’est-ce qui est arrivé en premier, mon stop ou mon objectif ? », les ticks de transactions peuvent aider. Pour savoir « combien le spread m’a coûté à l’entrée ? », les données de cotation sont plus pertinentes. Pour savoir « mon ordre passif aurait-il été exécuté ? », vous aurez peut-être besoin de la profondeur et d’hypothèses sur la file d’attente ; même cela permet rarement de reconstituer toute la file historique.
| Question de recherche | Données utiles | Ce qu’elles ne peuvent toujours pas prouver |
|---|---|---|
| Un seuil a-t-il été atteint avant un autre ? | Ticks de transactions | Que votre ordre ait été exécuté à l’un ou l’autre seuil |
| Quel spread un ordre au marché a-t-il traversé ? | Cotations horodatées du bid et de l’ask | Que la quantité affichée soit restée disponible |
| Un ordre passif aurait-il pu être exécuté ? | Cotations, profondeur et modèle de file d’attente | Votre position exacte dans la file d’attente réelle |
Pour un signal quotidien conservé pendant plusieurs semaines, les barres d’une minute sont peut-être déjà plus fines que ne l’exige le processus de décision. Pour une stratégie dont l’avantage dépend de l’exécution en quelques secondes, les barres peuvent effacer précisément l’effet étudié. Faites correspondre la résolution des données à l’horizon de décision et d’exécution de la stratégie.
Comment savoir si le détail supplémentaire a été utile ?
Gardez la stratégie et la période de test fixes. Comparez les versions fondées sur des barres et sur des données plus fines en conservant autant que possible les mêmes décisions. Suivez l’évolution des exécutions, de la rotation, du spread payé, des frais et de l’impact de marché, en plus du rendement et des statistiques de risque. Si le Sharpe augmente alors que le nombre de transactions triple et que le modèle d’exécution exécute toujours au prochain prix enregistré, cette amélioration mérite d’être examinée avec prudence.
Dégradez ensuite délibérément les données fines. Supprimez une petite part aléatoire des événements, ajoutez un délai de flux réaliste et élargissez le spread ou l’impact supposé. Un résultat qui s’effondre avec quelques millisecondes de retard peut provenir de l’ordre des événements dans le simulateur, et non d’une caractéristique durable de la stratégie.
Un après-midi, j’ai passé un bon moment à comprendre une amélioration spectaculaire, jusqu’à découvrir qu’un flux avait dupliqué une brève série de transactions enregistrées. Le modèle avait appris à trader les doublons. Les données supplémentaires avaient fait passer le bug pour un avantage.
Les critiques des barres ont raison : l’agrégation peut masquer les effets d’exécution dépendants du parcours des prix. À partir des seules données OHLC, impossible de déterminer l’ordre d’un stop et d’un objectif situés dans la même barre ; des relevés ponctuels du spread peuvent aussi manquer de brèves dislocations. Les données tick et de cotation peuvent répondre à ces questions plus fidèlement si le flux est complet et si le simulateur respecte le timing des événements.
La règle pratique est simple : ajoutez du détail uniquement s’il modifie une décision que vous pouvez décrire, et montrez quelles hypothèses permettent de convertir ce détail en exécution. Sinon, vous avez un jeu de données plus volumineux et un backtest d’apparence plus précise, sans preuve plus solide que la stratégie aurait pu être tradée.
← Tous les articles


