Backtester un agent de trading IA avant de passer en réel

Un agent que vous avez construit à partir d'un prompt en langage courant paraît testé dès qu'il reformule correctement votre stratégie. Il ne l'est pas. Reformuler, c'est comprendre ; backtester, c'est prouver. Avant qu'un agent ne touche du capital réel, vous voulez savoir comment ses règles exactes se seraient comportées à travers des années d'histoire de marché, et pour bien backtester un agent de trading IA il faut trois choses : des règles figées assez précisément pour être rejouées, des périodes de test assez hostiles pour compter, et la discipline de lire le rapport en critique plutôt qu'en admirateur. Ce guide couvre les trois, plus un mode d'échec propre aux stratégies pilotées par LLM.

Figez les règles jusqu'à ce qu'une machine puisse les rejouer

Un backtest rejoue votre logique contre des données historiques, bougie après bougie. Cela ne fonctionne que si chaque décision de votre agent est calculable à partir de données qui existaient à cet instant. « Acheter quand le RSI(14) journalier clôture sous 30 et que le prix est au-dessus de la moyenne mobile à 200 jours » se rejoue parfaitement. « Acheter quand l'actualité semble exagérée » ne se rejoue pas, car « semble » n'est dans aucune bougie.

Le premier travail consiste donc à transformer les conditions reformulées de votre agent en une spécification complète. Un test utile : un tableur contenant des prix historiques et vos règles pourrait-il décider chaque entrée, chaque sortie et chaque taille de position, sans le moindre jugement laissé de côté ? Si une règle a besoin d'interprétation, le moteur de backtest l'interprétera d'une façon ou d'une autre, et son interprétation devient votre stratégie sans votre consentement.

Surveillez aussi les paramètres discrets. Les hypothèses de slippage et de frais, le type d'ordre (un ordre au marché s'exécute ; un ordre à cours limité parfois non), et ce qu'il advient des signaux hors des heures de marché pour les actions. Si vous découvrez le fonctionnement de ces moteurs en général, notre guide des logiciels de backtesting couvre les fondamentaux ; cet article reste concentré sur ce qui change pour les agents. Et si vous n'avez pas encore défini entrée, sortie, taille et invalidation pour votre stratégie, faites-le d'abord ; c'est l'étape deux de la création d'un agent de trading IA.

Comment backtester un agent de trading IA à travers les régimes de marché

Une stratégie testée seulement sur le passé récent est un pari que le passé récent continue. Le correctif est délibéré : choisissez des fenêtres de test qui stressent différents modes d'échec, et exigez que l'agent survive à la plupart d'entre elles. Quatre régimes de la dernière décennie couvrent beaucoup de terrain :

Période	Ce que c'était	Ce que ça stresse
2018	Marché baissier érosif (crypto en baisse de ~80 %, forte glissade des actions au T4)	Discipline de sortie, tolérance à la douleur du DCA, mort par mille coupures
Fév.–mars 2020	Krach vertical, puis reprise en V	Stops sur gaps et slippage, réentrée ou peur persistante
2021	Hausse continue (melt-up)	Si les règles de vente à découvert et de retour à la moyenne se battent contre la tendance, prises de profit prématurées
2022	Repli sur hausse des taux, actions et crypto baissant ensemble	Hypothèses de corrélation, filtres de tendance, plafonds de drawdown

Faites passer les règles de l'agent dans chaque fenêtre séparément, pas dans une seule longue moyenne. Une règle d'achat sur repli peut briller en 2020 et 2021, puis tout rendre en 2022 ; un chiffre agrégé unique cache cette histoire. Vous n'exigez pas du profit dans les quatre régimes. Vous exigez de savoir, à l'avance, quel régime fait mal à votre agent et si sa règle d'invalidation se déclenche avant que les dégâts ne s'aggravent.

C'est là que l'outillage compte concrètement : sur Obside, le moteur de backtesting rejoue des années de données historiques en quelques minutes, hypothèses de slippage incluses, si bien que tester quatre fenêtres tient en quatre exécutions avant midi plutôt qu'en projet de week-end. Quel que soit le moteur, le principe tient : des régimes, pas des moyennes.

Lisez le rapport comme un adversaire

Un rapport de backtest est un argumentaire de vente rédigé par vos propres espoirs. Lisez chaque chiffre pour ce qu'il peut et ne peut pas vous dire.

Le ratio de Sharpe mesure le rendement par unité de volatilité. Entre 0,5 et 1,5 environ se trouve la zone honnête pour la plupart des stratégies retail ; un Sharpe supérieur à 3 dans un backtest est plus souvent un bug, un biais ou un surajustement qu'une découverte.

Le drawdown maximum est la plus forte perte du pic au creux. Comparez-le à ce que vous pouvez réellement encaisser, puis supposez que le réel sera pire, car le pire cas historique est un plancher, pas un plafond.

Le taux de réussite ne veut rien dire seul. Un taux de 90 % avec de petits gains et de rares pertes catastrophiques décrit une stratégie qui ramasse des pièces devant un rouleau compresseur ; associez-le au ratio gain moyen / perte moyenne avant de l'admirer.

Le nombre de trades est votre taille d'échantillon. Sous une trentaine de trades, vous avez une anecdote. Sous dix, vous avez une histoire.

L'exposition vous dit combien de temps le capital est resté sur le marché pour gagner le rendement, c'est-à-dire le risque que la courbe de capital ne montre pas.

Faites ensuite une variation de stress : doublez les hypothèses de slippage et de frais, puis relancez. Les stratégies qui tradent souvent, ou qui tradent des actifs peu liquides, peuvent voir leur avantage s'évaporer dans ce seul test. Si de petits changements de paramètres (RSI 30 contre 32, stop à 4 % contre 5 %) font s'effondrer les résultats, vous regardez probablement du curve-fitting ; toute cette famille d'échecs est disséquée dans notre guide du surajustement de backtest.

La mise en garde LLM : quand le modèle connaît déjà la fin

Les stratégies agentiques introduisent un mode d'échec que les bots classiques n'avaient jamais. Si un grand modèle de langage prend des décisions à l'intérieur de la boucle de backtest (choisir des actifs, chronométrer les entrées, pondérer l'actualité), ses données d'entraînement peuvent contenir l'histoire même que vous testez. Le modèle ne prédit pas 2021 ; il s'en souvient.

Ce n'est pas hypothétique. Des recherches sur les stratégies d'investissement à base de LLM ont trouvé des backtests gonflés par la mémorisation et le lookahead : les modèles dont les données d'entraînement recouvrent la fenêtre de test peuvent se rappeler tickers, dates et mouvements de prix, et la performance se dégrade souvent hors échantillon (« Can LLM-based Financial Investing Strategies Outperform the Market? », arXiv:2505.07078, 2025). Un benchmark de suivi contrôlant la mémoire a montré que, lorsqu'on exclut correctement l'histoire de marché mémorisée, l'habileté apparente des agents de trading LLM chute nettement (arXiv:2605.28359, 2026). Une revue du domaine signale le même schéma à travers les études : fenêtres de test courtes, univers réduits et risque de lookahead (arXiv:2408.06361, 2024).

Deux défenses pratiques. D'abord, si un LLM décide des trades, ne faites confiance qu'aux fenêtres de test postérieures à sa date de coupure d'entraînement, ce qui vous laisse en général des mois de données, pas des années. Ensuite, et c'est mieux pour la plupart des usages retail : gardez le LLM entièrement hors de la boucle de rejeu. Laissez-le traduire votre stratégie en règles déterministes une fois, puis backtestez ces règles à la manière classique. C'est ainsi qu'Obside est construit : le copilote interprète votre langage, mais le backtest rejoue des conditions fixes contre des bougies historiques, si bien qu'aucun modèle dans la boucle ne peut se souvenir des réponses.

Critères de passage : à quoi ressemble un backtest réussi

Avant d'avancer, écrivez ce que « réussi » signifie, puis confrontez froidement le rapport à cette barre. Une barre raisonnable :

• Survit à au moins trois des quatre régimes, c'est-à-dire que les pertes sont restées dans la règle d'invalidation, même là où il n'était pas rentable.
• Drawdown maximum au niveau ou en dessous du chiffre que vous aviez déclaré tolérable avant de lancer le test.
• Au moins 30 trades sur l'ensemble du test, assez pour signifier quelque chose.
• Toujours positif après avoir doublé les hypothèses de coûts.
• Des valeurs de paramètres voisines donnent des résultats similaires, un plateau plutôt qu'un pic magique unique.
• Vous pouvez expliquer sa pire série de pertes en mots simples : quelle condition de marché l'a causée et pourquoi la stratégie reste saine.

Un échec sur un critère et vous avez une cible de refonte. Un échec sur trois et vous avez une autre stratégie à trouver. Et un passage complet n'est toujours pas un feu vert pour le réel : un backtest ne peut pas tester la traduction de votre intention sur données en direct, le timing d'exécution, ni votre propre comportement face à de vrais drawdowns. C'est à cela que sert l'étape suivante, et la même définition d'agent doit y aller inchangée ; l'argumentaire et la checklist se trouvent dans notre guide du paper trading d'un agent IA.

Où aller ensuite

Backtester un agent, c'est moins trouver de beaux chiffres qu'acheter de l'information à bas prix : quel régime casse vos règles, à quoi ressemble votre pire mois, si les coûts mangent l'avantage. Chacune de ces découvertes ne coûte rien dans un backtest, et de l'argent réel en direct. Figez les règles, faites tourner les quatre régimes, lisez le rapport comme un adversaire, et tenez tout LLM à l'écart de la boucle de rejeu. Quand vous voudrez un moteur qui rejoue des années en minutes, intègre le slippage et promeut le même agent exact au paper trading en une étape, faites votre prochain backtest sur Obside.

Contenu éducatif uniquement. Ceci ne constitue pas un conseil en investissement. Le trading comporte des risques, y compris la perte de capital.