Votre backtest ment : pourquoi vous devez utiliser des données à point dans le temps

Construisons une stratégie de trading simple et hypothétique. Le principe est simple et repose sur un récit largement discuté : lorsque des coins quittent les plateformes d’échange, cela a tendance à être haussier. Le raisonnement est intuitif : des coins retirés des exchanges signifient généralement que les détenteurs les placent en auto-conservation, réduisant ainsi l’offre disponible à la vente. Inversement, des coins envoyés sur les exchanges peuvent indiquer que les détenteurs se préparent à vendre.

Cependant, un seul jour de sorties ne représente qu’un bruit de marché. Pour identifier une véritable tendance, nous appliquerions un croisement de moyennes mobiles sur le solde des exchanges. Lorsque la moyenne mobile court terme passe sous la moyenne long terme, cela confirme que des coins quittent les plateformes de façon soutenue, et non par événements isolés.

À l'aide du solde des exchanges de Binance selon Glassnode, nous définissons ce qui suit :

• Entrer sur le marché lorsque la moyenne mobile sur 5 jours du solde BTC de Binance passe sous sa moyenne mobile sur 14 jours, signalant une tendance de sorties soutenue.
• Sortir du marché lorsque la moyenne sur 5 jours repasse au-dessus de la moyenne sur 14 jours, signalant que la tendance de sorties s’inverse et que les coins retournent sur l’exchange.

Nous comparons ensuite cette stratégie à la simple détention de BTC sur la même période, du 1er janvier 2024 au 9 mars 2026, avec un capital de départ de 1 000 $ et des frais de trading de 0,1 % appliqués à chaque transaction.

Voici comment lire ce graphique :

🟫 La ligne brune en bas indique le signal de trading binaire, alternant entre en position sur le marché (1) et sorti du marché (0).

🟦 La ligne bleue suit la valeur du portefeuille de la stratégie dans le temps.

🟩 La ligne verte représente le benchmark d’un portefeuille buy-and-hold.

On peut observer que la stratégie basée sur le solde des exchanges s’est relativement bien comportée, même si la stratégie buy-and-hold l’a parfois surpassée. Dans les derniers jours de la période étudiée, la stratégie exchange balance a toutefois rattrapé son retard. Bien que certains investisseurs puissent apprécier la combinaison de volatilité réduite et de performance finalement comparable au buy-and-hold, les chiffres finaux sont trompeurs – voici pourquoi.

Le problème : mutation des données et biais d’anticipation

Les métriques ne sont pas statiques. Beaucoup sont révisées rétroactivement à mesure que de nouvelles informations deviennent disponibles. Cela est particulièrement le cas pour les métriques dépendant du regroupement d’adresses ou de l’étiquetage d’entités, comme les soldes des exchanges on-chain. Mais cela concerne aussi des métriques comme le volume d’échange ou le prix, puisque certaines plateformes peuvent parfois soumettre leurs données avec un léger retard.

Cela signifie qu’une valeur que vous consultez aujourd’hui pour, par exemple, le 15 janvier 2024, n’est pas forcément identique à celle publiée le 15 janvier 2024. Les données ont été révisées a posteriori. Lorsque vous testez une stratégie sur ces données révisées, vous utilisez implicitement des informations qui n’étaient pas disponibles au moment où les décisions de trading auraient été prises. Cela introduit un biais d’anticipation.

Le backtest honnête : utiliser des données ponctuelles (Point-in-Time)

Répétons donc exactement le même backtest – même logique de signal, mêmes paramètres, mêmes dates, mêmes frais – mais cette fois en utilisant la variante Point-in-Time (PiT) de la métrique Exchange Balance, disponible dans Glassnode Studio.

Les métriques PiT sont strictement en ajout uniquement et immuables. Chaque point de donnée historique reflète uniquement les informations qui étaient connues lors de son premier calcul. Pas de révisions rétroactives, pas de biais d’anticipation.

Bien que nous utilisions la même métrique, la stratégie génère maintenant des résultats significativement différents, comme illustré par la ligne violette sur le nouveau graphique ci-dessous. La performance globale est sensiblement moins bonne.

Même si les deux stratégies se comportent de façon similaire pour une grande partie de 2024, on constate que la version basée sur les données PiT ne parvient pas à capter les fortes hausses de novembre 2024 et mars 2025 aussi efficacement. En conséquence, la performance cumulée diverge significativement et finit beaucoup plus bas.

Conclusion principale

Dans cet exemple, la stratégie violette, qui n’a accès qu’aux informations disponibles en temps réel, présente des performances nettement inférieures. ► Les backtests peuvent induire en erreur si on utilise des données erronées ou révisées. Seules les métriques immuables Point-in-Time garantissent que vous rejouez l’histoire telle qu’elle s’est réellement produite.