MQL5 · Strategy Tester
Optimisation génétique dans le Strategy Tester de MetaTrader 5
Fonctionnement de l’algorithme génétique de MT5, réglage des plages de paramètres, ParameterSetRange, arrêt anticipé avec TesterStop et lecture des résultats sans tomber dans la sur-optimisation.
L’optimisation génétique du Strategy Tester de MetaTrader 5 (« Fast genetic based algorithm ») cherche de bons jeux de paramètres sans tester toutes les combinaisons : elle part de populations tirées au hasard, croise et fait muter les meilleures, et s’arrête quand le critère choisi ne progresse plus. Elle permet d’explorer des espaces de plusieurs millions de combinaisons en quelques milliers de passes, là où l’algorithme complet (« Slow complete algorithm ») les testerait toutes. En contrepartie, elle ne garantit pas de trouver l’optimum et, comme toute optimisation, elle trouve aussi les combinaisons qui ont eu de la chance.
Cette page détaille le fonctionnement et le paramétrage de l’optimisation génétique dans MT5. Elle appartient à la rubrique Strategy Tester et optimisation. Les risques méthodologiques de toute optimisation sont développés dans notre page sur la sur-optimisation.
Les trois types d’optimisation
| Type | Principe | Quand l’utiliser |
|---|---|---|
| Slow complete algorithm | Teste toutes les combinaisons | Espace réduit ; besoin d’une carte complète de la sensibilité |
| Fast genetic based algorithm | Recherche évolutive guidée par un critère | Espace trop grand pour une recherche exhaustive |
| All symbols selected in Market Watch | Mêmes paramètres, symbole principal différent à chaque passe | Vérifier qu’une stratégie tient sur plusieurs instruments |
Le troisième type n’optimise pas les paramètres : il rejoue le même réglage sur chaque symbole sélectionné dans la fenêtre « Market Watch ». Il n’est pas pris en charge par le MQL5 Cloud Network.
L’aide de MetaTrader 5 précise que le mode génétique est activé automatiquement lorsque le nombre total de combinaisons dépasse 100 millions sur un système 64 bits.
Comment fonctionne l’algorithme génétique de MT5
D’après l’aide de la plateforme :
- deux populations de combinaisons sont tirées au hasard ; la meilleure est conservée ;
- ses membres sont croisés, mutés et inversés ; les descendants sont classés selon le critère d’optimisation, et le cycle recommence ;
- la taille de population dépend du nombre total de combinaisons et varie de 64 à 256 ;
- l’algorithme teste toujours au moins 15 générations, et jusqu’à 31 si le critère continue de s’améliorer ; quand il ne progresse plus, des générations supplémentaires de contrôle sont lancées ;
- le résultat est mis en cache après chaque génération : une optimisation interrompue reprend à la dernière génération terminée.
Deux conséquences pratiques. D’abord, le critère d’optimisation pilote toute la recherche : c’est lui qui décide quels individus se reproduisent. Un mauvais critère produit une recherche efficace… vers le mauvais objectif. Voyez Critères d’optimisation. Ensuite, l’algorithme est stochastique : deux lancements identiques n’explorent pas exactement les mêmes combinaisons. Relancer l’optimisation et comparer les meilleures zones trouvées est un bon test de stabilité.
Paramétrer les plages dans l’onglet des paramètres
Pour chaque variable input, cochez la case d’optimisation puis indiquez la valeur de départ, le pas et la valeur de fin. Le nombre total de combinaisons s’affiche sous la liste. Quelques règles :
- Des pas qui ont un sens. Optimiser une période de moyenne mobile de 10 à 200 par pas de 1 crée des combinaisons quasi identiques. Un pas de 5 ou 10 suffit souvent et réduit le bruit.
- Peu de paramètres à la fois. Chaque paramètre ajouté multiplie l’espace et les possibilités de trouver un réglage fortuit. Fixez les paramètres secondaires.
- Des bornes réalistes. Une plage qui inclut des valeurs absurdes (un stop de 1 point) gaspille des passes et peut faire émerger des artefacts.
- Les paramètres non optimisables (textes, réglages d’affichage) peuvent être déclarés avec
sinput, ce qui les exclut de l’optimisation. Voir Paramètres input et sinput.
Définir les plages et écourter les passes depuis le code
Les plages peuvent aussi être fixées par le programme dans OnTesterInit(), avec ParameterSetRange(), qui ne peut être appelée que depuis ce gestionnaire. Et TesterStop() termine proprement une passe sans intérêt : OnTester() est quand même appelée et les statistiques sont transmises, ce qui économise du temps de calcul.
//+------------------------------------------------------------------+
//| Optimisation : plages définies par le code et arrêt anticipé |
//+------------------------------------------------------------------+
input int InpFast = 10; // Période moyenne rapide
input int InpSlow = 50; // Période moyenne lente
input double InpMaxDD = 30.0; // Drawdown d'equity (%) qui arrête la passe
double equityMax = 0.0;
// Appelée une fois, sur le terminal, avant la première passe
int OnTesterInit()
{
// name, enable, value, start, step, stop
ParameterSetRange("InpFast", true, 10, 5, 5, 50);
ParameterSetRange("InpSlow", true, 50, 20, 10, 200);
ParameterSetRange("InpMaxDD", false, 30.0, 0.0, 0.0, 0.0); // non optimisé
return(INIT_SUCCEEDED); // toute autre valeur annule l'optimisation
}
void OnTesterDeinit()
{
}
int OnInit()
{
if(InpFast >= InpSlow)
return(INIT_PARAMETERS_INCORRECT); // combinaison incohérente : passe rejetée
equityMax = AccountInfoDouble(ACCOUNT_EQUITY);
return(INIT_SUCCEEDED);
}
void OnTick()
{
double eq = AccountInfoDouble(ACCOUNT_EQUITY);
if(eq > equityMax)
equityMax = eq;
// Arrêt anticipé : inutile de continuer une passe déjà disqualifiée
if(equityMax > 0.0 && 100.0 * (equityMax - eq) / equityMax > InpMaxDD)
{
TesterStop();
return;
}
// ... logique de trading ...
}
Le retour INIT_PARAMETERS_INCORRECT dans OnInit() élimine immédiatement les combinaisons incohérentes, ici une moyenne « rapide » plus lente que la « lente ». Un EA qui déclare OnTesterInit() est chargé, au démarrage de l’optimisation, sur un graphique séparé du terminal ; c’est là que s’exécutent OnTesterInit() et OnTesterDeinit(), tandis que les passes tournent sur les agents.
Estimer la durée d’une optimisation génétique
L’aide de MetaTrader 5 donne une estimation du nombre de passes : taille de la population multipliée par la somme des générations inconditionnelles et des générations de contrôle de convergence. Avec une population de 256 et une vingtaine de générations, on obtient de l’ordre de quelques milliers de passes, quel que soit le nombre total de combinaisons possibles. Multipliez ce nombre par la durée d’un test simple, divisez par le nombre d’agents disponibles, et vous savez si l’optimisation tiendra dans la nuit. Si ce n’est pas le cas, réduisez d’abord la précision des plages (pas plus larges) ou le nombre de paramètres, avant de dégrader le mode de modélisation. La répartition du calcul sur plusieurs machines est présentée dans Agents locaux et MQL5 Cloud Network.
Exploiter les résultats
L’onglet des résultats d’optimisation liste chaque passe avec son résultat, son profit, son nombre de trades, son profit factor, son espérance, son drawdown, son facteur de récupération, son Sharpe et les valeurs des paramètres. Des filtres masquent les passes sans trades, perdantes, à drawdown supérieur à 50 %, à facteur de récupération inférieur à 1 ou à Sharpe inférieur à 0,5. Un double-clic sur une passe, une fois l’optimisation terminée, relance un test simple avec ses paramètres.
L’onglet graphique offre une vue 1D (résultat selon un paramètre), 2D (deux paramètres, couleur selon le résultat) et 3D. C’est le meilleur outil contre la sur-optimisation : cherchez des zones où le résultat reste bon quand les paramètres varient, plutôt qu’un pic isolé. Une passe excellente entourée de passes médiocres a probablement profité du hasard.
Les résultats sont conservés dans un cache (Tester\cache) pendant 30 jours s’ils ne sont pas consultés, et peuvent être exportés en XML pour une analyse externe. Pour collecter des données plus riches que celles du tableau, voyez Frames : exporter les résultats d’optimisation.
Pièges fréquents
- Retenir la première ligne du classement. Elle est par construction la plus chanceuse. Préférez une combinaison au centre d’une zone stable.
- Optimiser sur toute la période disponible. Réservez une partie de l’historique à la validation : voir Forward testing.
- Optimiser en mode rapide une stratégie intrabarre. Le classement peut changer en ticks réels ; vérifiez quelques passes.
- Lancer des optimisations répétées jusqu’à obtenir un bon résultat. Chaque relance augmente le nombre d’essais, donc le risque de résultat fortuit.
FAQ
Algorithme complet ou génétique : lequel choisir ?
Le complet si l’espace de combinaisons est raisonnable et que vous voulez une carte complète de la sensibilité ; le génétique dès que l’espace est trop grand pour être testé entièrement dans un délai acceptable.
Pourquoi deux optimisations génétiques identiques donnent-elles des résultats différents ?
L’algorithme part de populations aléatoires et fait muter les individus au hasard. Il explore donc des combinaisons différentes à chaque lancement.
Peut-on interrompre une optimisation génétique ?
Oui. Les résultats sont mis en cache à chaque génération, et une optimisation relancée avec les mêmes réglages reprend à la dernière génération terminée.
Combien de paramètres optimiser à la fois ?
Le moins possible. Chaque paramètre supplémentaire augmente le risque de sur-optimisation ; concentrez-vous sur les deux ou trois qui portent l’essentiel de la logique.
- Premiers pas dans le Strategy Tester
- Modes de modélisation des ticks
- Tester en ticks réels
- Simuler les délais d’exécution
- Lire le rapport de backtest
- Critères d’optimisation
- OnTester : critère personnalisé
- Forward testing
- Walk-forward sur MetaTrader 5
- Frames : exporter les résultats d’optimisation
- Test visuel et débogage
- Agents locaux et MQL5 Cloud Network
- Symboles personnalisés pour backtester
