> For the complete documentation index, see [llms.txt](https://botlyz.gitbook.io/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://botlyz.gitbook.io/docs/laboratoire/vue-d-ensemble.md). # Le Laboratoire Le **Laboratoire** teste la *solidité* de vos stratégies **avant** de risquer du capital. Une stratégie qui semble excellente sur un backtest peut n'être qu'un coup de chance ou un sur-ajustement (*overfitting*) aux données passées. Les outils du Laboratoire le révèlent et rendent un verdict clair : 🟢 robuste, 🟠 à surveiller, 🔴 fragile. > Les outils du Laboratoire sont des **aides à la décision** fondées sur des données historiques. Ils ne constituent pas un conseil en investissement. Les performances passées ne préjugent pas des performances futures. ## Offres & outils | Outil | Découverte | Trader | Quant | Edge | | ------------------------------ | :--------: | :-----: | :-----: | :-------: | | Builder + backtest | ✓ | ✓ | ✓ | ✓ | | 🎯 Test hors-échantillon (OOS) | ✓ | ✓ | ✓ | ✓ | | 🗺️ Heatmap de robustesse | · | ✓ | ✓ | ✓ | | 🔄 Walk-forward | · | ✓ | ✓ | ✓ | | 🎲 Monte Carlo | · | · | ✓ | ✓ | | 📊 Scorecard | · | · | ✓ | ✓ | | 🌐 Scan multi-paires | · | · | · | ✓ | | 🧪 Optimisation TPE | · | · | · | ✓ | | CPCV · PBO | · | · | · | *bientôt* | | **Crédits inclus / mois** | 10 | 240 | 800 | 2 400 | | **Prix** | Gratuit | 29,95 € | 59,95 € | 149,95 € | Les crédits sont **mutualisés** entre l'assistant IA et le Laboratoire et se renouvellent chaque mois. Chaque analyse coûte des crédits **au prorata du calcul**. ## Comment ça marche en 3 étapes 1. **Créez une stratégie** dans le Builder, puis envoyez-la au Labo avec le bouton **« Optimiser au labo »** (ou choisissez-en une déjà sauvegardée). 2. **Réglez la baseline** : capital, **% de capital engagé**, levier, slippage. C'est la configuration de référence sur laquelle tournent tous les outils. 3. **Lancez les outils** : chacun s'ouvre en plein écran, tourne sur la baseline, et rend un **verdict** + des métriques détaillées. Vous pouvez aussi demander à l'**assistant IA** d'interpréter un résultat. *** ## 🎯 Test hors-échantillon (OOS) · *dès Découverte* Rejoue votre stratégie **à l'identique** sur deux périodes (entraînement, puis test jamais vu), sans rien réoptimiser. Si la performance tient sur le test, l'edge est réel ; si elle s'effondre, c'était du sur-apprentissage. 1. Choisissez la séparation entraînement / test (de 50 à 90 %). 2. Lancez : la stratégie est rejouée telle quelle sur les deux périodes. 3. Lisez le verdict. **Lecture du verdict :** edge conservé **≥ 50 % = Robuste** · 25–50 % = Modéré · < 25 % = Fragile. ## 🗺️ Heatmap de robustesse · *dès Trader* Balaie 1 à 3 paramètres et colore chaque combinaison selon la métrique choisie. Le but : trouver une **zone** robuste, pas un réglage isolé qui marche par chance. 1. Choisissez 1 à 3 paramètres (axes X, Y, et Z optionnel). 2. Réglez les plages : un pas plus fin = une grille plus grande (plus de backtests). 3. Lancez : chaque case est un backtest, coloré par la métrique (triable sans relancer). **Lecture du verdict :** cherchez un **PLATEAU** large de bonnes valeurs, pas un **pic isolé** (sur-optimisé). Le Labo pointe le **centre du plateau** (la médiane des bonnes cases, entourée en vert), jamais le meilleur pic. Cliquez une case pour son backtest détaillé. Le bouton **« Heatmap → Builder »** reprend ce réglage robuste dans le Builder, prêt à ré-éditer puis redéployer : c'est un point de départ à valider, pas une recommandation de paramètres. Verdict 🟢 robuste / 🟠 à surveiller / 🔴 fragile. ## 🔄 Walk-forward · *dès Trader* Optimise votre paramètre fenêtre après fenêtre : on règle sur le passé, on valide sur la période suivante jamais vue, de proche en proche. C'est le test le plus proche du trading réel. 1. Choisissez le paramètre à optimiser et le nombre de fenêtres. 2. Réglez la plage de valeurs à tester. 3. Lancez : sur chaque fenêtre, le meilleur réglage d'entraînement est validé sur la fenêtre suivante. **Lecture du verdict :** visez **≥ 60 % de fenêtres positives** et un **paramètre stable** (peu de variation). ## 🎲 Monte Carlo sur les trades · *dès Quant* Rejoue votre stratégie une fois, puis rééchantillonne des milliers de fois la **séquence de vos trades**. Au lieu d'un seul résultat, vous obtenez la **distribution** des résultats possibles : à quel point votre performance dépend de la chance / de l'ordre des trades. * **Bootstrap** (tirage avec remise) : « et si la stratégie avait connu d'autres trades similaires ? » → distribution du **rendement final** + du drawdown. * **Permutation** (mêmes trades, ordre rebattu) : le rendement final est mathématiquement **invariant** (produit commutatif) ; on mesure alors le **risque de drawdown** selon l'ordre des trades. Le nombre de simulations est réglable (200 à 10 000). Un **nuage de courbes** (fan chart) montre l'éventail des trajectoires possibles, avec un bouton pour afficher les tracés individuels (meilleur / pire). **Lecture du verdict :** en bootstrap, **proba d'être profitable ≥ 85 %** et **pire 5 % positif** = robuste. *Note : les drawdowns du Monte Carlo sont mesurés au close de chaque trade (réalisés), donc légèrement inférieurs au « Max DD » du backtest qui inclut l'intra-trade.* ## 📊 Scorecard de robustesse · *dès Quant* Réunit les analyses de votre stratégie (hors-échantillon, stabilité des paramètres, walk-forward, Monte Carlo) en un **score unique sur 100** et un verdict global. Les analyses manquantes se lancent directement depuis le scorecard (un clic pour OOS / Monte Carlo, « Configurer » pour heatmap / walk-forward). 1. Chaque dimension déjà calculée s'affiche avec son sous-verdict. 2. Complétez les analyses manquantes. 3. Lisez le score et la synthèse (points forts, points faibles, recommandations). **Lecture du verdict :** visez le **vert sur toutes les dimensions** avant de passer en réel. ## 🌐 Scan multi-paires · *dès Edge* Balaie **tout l'univers** de paires avec votre stratégie, puis corrige le biais de recherche : garder la meilleure paire sur 200 gonfle mécaniquement le résultat (c'est du *p-hacking*). Le **Deflated Sharpe Ratio (DSR)** déflate ce meilleur Sharpe par le nombre d'essais, et une fenêtre **hold-out verrouillée** (fin de période, jamais utilisée pour la sélection) confirme les survivants. 1. Cochez les paires à scanner (vide = toutes). 2. Réglez la part de **hold-out verrouillée** (segment final gardé à l'écart). 3. Lancez : un backtest par paire, le meilleur Sharpe est déflaté par N essais, puis les survivants sont reconfirmés sur le hold-out. **Lecture du verdict :** le **DSR du top** = probabilité d'un VRAI edge APRÈS la recherche (**≥ 95 % = solide**) ; regardez « Paires DSR-OK » et « Confirmées hold-out ». Une distribution serrée près de 0 avec un top non déflaté = bruit de sélection, pas un edge. La **médiane** situe la perf typique d'une paire au hasard, jamais le pic. Verdict 🟢 robuste / 🟠 à surveiller / 🔴 fragile ; c'est une aide à la décision, pas une reco de paire ou de paramètres. ## 🧪 Optimisation TPE · *dès Edge* Optimise les paramètres de votre stratégie par **recherche bayésienne (Optuna / TPE)**, paire par paire : pour chaque paire cochée, l'outil cherche la configuration qui maximise **votre** score. Optimiser des paramètres ET balayer des paires = une double recherche, donc le DSR déflate par **paires × essais** (barre volontairement très haute et honnête), et le hold-out verrouillé confirme. 1. Ajoutez les paramètres à optimiser et leurs plages (comme une heatmap, mais sans limite). 2. Construisez votre objectif : score = somme pondérée de métriques (poids positif = à maximiser, négatif = à pénaliser, ex. drawdown). Astuce : un petit poids sur le nombre de trades évite les configs à 1-2 trades au Sharpe gonflé. 3. Cochez les paires et le nombre d'essais par paire, puis lancez. **Lecture du verdict :** lisez le **DSR du top** et « Confirmées hold-out » : après cette grosse recherche, qu'est-ce qui survit ? Dépliez une ligne pour voir les paramètres trouvés (méfiez-vous d'un Sharpe extrême à peu de trades). L'outil rend un verdict 🟢 robuste / 🟠 à surveiller / 🔴 fragile et affiche des valeurs **médianes / confirmées**, jamais une recommandation de « meilleurs paramètres » à appliquer. ## 🚀 À venir · offre Edge L'offre Edge continuera de s'étoffer avec l'arsenal anti-overfit de niveau institutionnel : * **CPCV** · validation croisée combinatoire purgée (López de Prado) ; * **PBO** · probabilité de sur-ajustement du backtest. *** Une question ? Voir [Support](/docs/securite-and-aide/support.md). Détails des offres dans l'application (page **Offres**). --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://botlyz.gitbook.io/docs/laboratoire/vue-d-ensemble.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.