1. Une hypothèse avant un modèle
Chaque candidat doit répondre à une hypothèse économique ou microstructurelle formulée avant l’optimisation. Le modèle n’est pas retenu parce qu’il produit une courbe attractive, mais parce que son comportement est explicable, reproductible et compatible avec les contraintes de risque.
2. Données et transformations
Le pipeline doit conserver les horodatages, éviter les fuites d’information, documenter les transformations et distinguer les données disponibles en temps réel des données révisées après publication.
- Point-in-time
- Utilisation de l’information telle qu’elle aurait été disponible au moment de la décision.
- Feature engineering
- Construction de variables de momentum, volatilité, structure, régimes et contexte macro, avec justification économique.
- Coûts
- Intégration des spreads, commissions, slippage et contraintes de liquidité pertinentes.
3. Validation chronologique
La validation doit respecter l’ordre du temps. Les résultats en entraînement ne suffisent pas. Les candidats sont évalués hors échantillon, en walk-forward, sous plusieurs régimes et avec des tests de sensibilité.
Stabilité
Le comportement ne doit pas dépendre d’un seuil isolé ou d’une période unique.
Dégradation
L’écart entre backtest, validation et live-forward doit être mesuré et expliqué.
Échecs
Les périodes négatives et les régimes défavorables sont documentés, pas masqués.
Calibration
Les scores probabilistes futurs doivent être comparés aux fréquences réellement observées.
4. Risque avant rendement
La sélection d’un modèle inclut le drawdown, la concentration, le risque ouvert, les événements, les règles de prop firm et la capacité à réduire ou suspendre l’exposition.
5. Monitoring après intégration
Un modèle intégré reste sous surveillance : dérive des données, latence, erreurs de source, changement de distribution, écart de calibration et incidents opérationnels.
La date de lancement est une cible. Le passage des gates de validation reste la condition réelle.