Deflated Sharpe Ratio (DSR) et usure hors échantillon : filtrer le sur-apprentissage
Plus le nombre de combinaisons testées augmente, plus la probabilité de tomber par pur hasard sur un Sharpe élevé grimpe : comment le DSR corrige ce biais.
7 min de lecture · Mis à jour : 2026-11-13
Points clés à retenir
- Tester 400 ou 1 000 combinaisons de paramètres gonfle mécaniquement le meilleur Sharpe observé sur l'échantillon d'entraînement.
- Le Deflated Sharpe Ratio pénalise le nombre d'essais cumulés, l'asymétrie négative (skewness) et les queues épaisses (kurtosis).
- Le compteur d'usure OOS suit le nombre de sélections répétées sur un même jeu de données pour prévenir la contamination hors échantillon.
1. Le piège statistique des comparaisons multiples
Même sur une marche aléatoire pure sans aucun avantage réel, tester plusieurs centaines de réglages produit presque toujours quelques courbes flatteuses sur le passé.
C'est pourquoi un ratio de Sharpe brut lu isolément après une recherche bayésienne Optuna ne constitue jamais une preuve de robustesse.
2. Ce que mesure concrètement le Deflated Sharpe Ratio
Introduit par Bailey et López de Prado, le DSR estime la probabilité que le Sharpe observé dépasse le maximum attendu sous l'hypothèse nulle compte tenu du nombre N de combinaisons testées, de la longueur d'échantillon et des moments d'ordre 3 et 4.
Une stratégie qui présente des pertes rares mais profondes (skewness négatif) subit une décote sévère que le Sharpe classique ignore.
3. Préserver une plage OOS vierge et rejouer sous glissement ×2
Chaque fois que vous relancez une recherche sur le même fichier et choisissez le gagnant en regardant la fenêtre hors échantillon, cette fenêtre s'use et finit par devenir un second échantillon d'entraînement.
Combinez un DSR exigeant, au moins 100 trades OOS et la Confirmation multi-périodes sous glissement doublé (×2) — tout en gardant à l'esprit qu'un constat passé n'est pas une garantie future.
SR_0 ≈ sqrt(Var(SR)) * ((1 - gamma) * Z^-1(1 - 1/N) + gamma * Z^-1(1 - 1/(N*e))) DSR = Phi( (SR_obs - SR_0) * sqrt(T - 1) / sqrt(1 - skew*SR_obs + ((kurt - 1)/4)*SR_obs^2) ) Repère pratique : privilégier >= 100 trades OOS + profit positif sous slippage ×2
Questions fréquentes
Pourquoi un score est-il grisé avec « ? » sous 100 trades hors échantillon ?
En dessous de 100 trades OOS, l'intervalle d'incertitude statistique reste trop large pour distinguer un comportement régulier d'un coup de chance sur quelques semaines.
Un DSR élevé suffit-il à assurer des résultats positifs en live ?
Non, aucun indicateur statistique ne garantit les résultats futurs : il réduit le biais de sélection sur vos données passées mais ne protège pas d'un changement structurel de marché.