Overfitting de backtest

Pratique consistant à tester un grand nombre de configurations d'une même stratégie sur les mêmes données historiques jusqu'à en trouver une qui affiche une performance simulée élevée, sans que cette performance se maintienne hors échantillon. Précédent pré-LLM du problème de mémorisation, documenté dès 2014 par Bailey, Borwein, López de Prado et Zhu.

ExempleUn algorithme testé sur 10 ans de données historiques affiche un Sharpe de 3,5 : trop de paramètres ajustés ont capturé du bruit ; en déploiement réel, la performance s'effondre à 0,4.

1 article utilisant ce terme

11 juin 2026

LLM en finance : entre signal réel et effet de mémoire

GPT-4 anticipe la réaction du marché avec un taux de succès proche de 90 %, mais seulement hors des données antérieures à sa date de coupure : sinon, c'est de la mémorisation, pas un signal.