Un modèle de trading est un processus systématique qui prend des données en entrée et produit une décision de trading en sortie. Il n'a pas besoin d'être complexe. Un modèle qui dit « acheter du Bitcoin lorsque la moyenne mobile de 50 jours croise au-dessus de la moyenne mobile de 200 jours et vendre lorsqu'elle croise en dessous » est un modèle de trading complet. Il a des règles claires, produit des signaux non ambigus et peut être testé historiquement.
Les sources de données publiques pour la crypto sont abondantes. Les API des échanges fournissent des données historiques de prix et de volume. CoinGecko et CoinMarketCap fournissent des données agrégées sur plusieurs échanges. Les données on-chain de sources comme Glassnode fournissent des métriques spécifiques à la blockchain. Les données économiques de FRED (Federal Reserve Economic Data) fournissent des intrants macroéconomiques. Toutes ces données sont disponibles gratuitement et suffisent pour construire des modèles utiles.
Commencez par une hypothèse unique. Plutôt que d'essayer de construire un modèle qui capture tout, choisissez une relation dont vous pensez qu'elle existe. Par exemple : Bitcoin a tendance à bien performer dans les mois suivant les périodes où le ratio des détenteurs à court terme par rapport aux détenteurs à long terme atteint des extrêmes bas. Il s'agit d'une hypothèse spécifique et testable, basée sur des données on-chain. Vous pouvez la vérifier avec des données historiques avant de risquer de l'argent dessus.
La préparation des données est là où se déroule la majeure partie du travail. Les données brutes doivent être nettoyées (suppression des erreurs évidentes et des lacunes), alignées (synchronisation des horodatages provenant de différentes sources) et transformées en caractéristiques utilisables par votre modèle. Une caractéristique peut être une moyenne mobile, un pourcentage de variation sur une période donnée, un ratio entre deux métriques ou un indicateur binaire signalant si une condition est remplie. Passez plus de temps sur la qualité des données que sur la complexité du modèle.
Les modèles simples surpassent les modèles complexes plus souvent que vous ne le pensez. Une combinaison linéaire de trois caractéristiques bien choisies surpasse fréquemment un réseau de neurones entraîné sur des dizaines de caractéristiques. La raison en est le surajustement : les modèles complexes ont davantage de capacité à mémoriser le bruit des données historiques. Les modèles simples sont contraints de ne capturer que les motifs les plus forts, qui ont plus de chances de persister dans le futur.
Le test walk-forward est essentiel. Divisez vos données en tranches séquentielles. Entraînez (ou calibrez) votre modèle sur la première tranche. Testez-le sur la tranche suivante. Ajoutez ensuite cette tranche à vos données d'entraînement et testez sur la suivante. Répétez sur l'ensemble de votre jeu de données. Cela simule la performance qu'aurait eue le modèle si vous l'aviez utilisé en temps réel, en le recalibrant à mesure que de nouvelles données devenaient disponibles. Les résultats des tests walk-forward sont bien plus réalistes qu'un simple backtest.
Les coûts de transaction, le slippage et l'impact de marché doivent être inclus dans vos tests. Un modèle qui génère un rendement annuel de 2 % avant coûts est une stratégie perdante une fois que vous tenez compte des frais d'échange, de l'écart entre l'offre et la demande et de l'impact de marché de vos ordres. Pour les marchés crypto, supposer des coûts aller-retour de 0,1 à 0,2 % pour les paires principales est raisonnable. Pour les actifs moins liquides, supposez davantage.
La gestion du risque doit faire partie du modèle, et non être une réflexion après coup. Définissez les règles de dimensionnement des positions, les limites de drawdown maximal et les niveaux de stop-loss au sein même du modèle. Un modèle qui génère d'excellents rendements mais présente des drawdowns de 50 % n'est pas utile à la plupart des traders, car ils l'abandonneraient pendant le drawdown bien avant que les rendements ne se concrétisent.
L'étape finale consiste à faire tourner votre modèle sur des données en direct sans argent réel (paper trading) pendant une période suffisante pour valider qu'il se comporte comme prévu. Surveillez les écarts entre les résultats papier et ce que votre backtest avait prédit. Si le modèle se comporte significativement différemment en temps réel, enquêtez sur les raisons avant d'engager du capital. Les causes courantes incluent la fuite de données dans le backtest, des hypothèses irréalistes d'exécution ou des changements de régime que les données historiques n'ont pas captés.