ALGO TRADING
Sept moteurs, cinq stratégies : un croisement de moyennes, une cassure avec stop et objectif, une paire couverte, une rotation sur 20 actifs et des ordres limites. Chaque résultat est vérifié contre un simulateur de référence avant le moindre chronométrage.
– POURQUOI CETTE ÉTUDE
La plupart des comparatifs chronomètrent un croisement de moyennes mobiles, ce qui dit peu des stratégies réellement utilisées : stops et objectifs, paire couverte, portefeuille rééquilibré sur vingt actifs, ordres limites posés sous le marché. Et un moteur rapide qui répond à une question légèrement différente n'est pas plus rapide sur le même travail.
Cette étude écrit donc cinq stratégies jusqu'au dernier cas limite, vérifie chaque moteur contre un simulateur construit à partir de ce seul texte, et ne les chronomètre qu'ensuite, dans des processus neufs, sur un CPU 10 cœurs. Tous les chiffres viennent d'une seule campagne, réalisée le 17/11/2026.
– LES STRATÉGIES
Frais de 10 points de base par exécution, capital de 1 000 000 USD, barres d'une minute avec de vrais écarts d'ouverture.
| Stratégie | Règle | Ce qu'elle met à l'épreuve | Données | |
|---|---|---|---|---|
| S1 | Croisement de moyennes | Acheteur de 100 unités tant que SMA(20) > SMA(100), à plat sinon | La référence que tout moteur sait exécuter | 500 000 barres |
| S2 | Cassure avec stop et objectif | Achat de 100 unités sur une clôture au-dessus du plus haut des 50 barres ; stop à −1 %, objectif à +2 % | Sorties intrabar sur le plus haut et le plus bas, écarts à travers un niveau, réentrée sur la barre de sortie | 500 000 barres |
| S3 | Arbitrage statistique sur paire | Prendre l'écart logarithmique de deux actifs à |z| > 2 sur 500 barres, sortir à |z| < 0,5 | Deux actifs, achat et vente à découvert, jambes de montant fixe | 2 × 250 000 barres |
| S4 | Momentum transversal | Chaque jour, détenir les 5 meilleurs des 20 actifs sur 5 jours, 50 000 USD chacun | Un portefeuille de 20 actifs, trésorerie partagée, rééquilibrage | 20 × 50 000 barres |
| S5 | Retour à la moyenne par ordres limites | Placer un achat limite 0,2 % sous chaque clôture, valable une barre ; une fois exécuté, sortir à +0,2 % ou sur un stop à −0,4 % | Ordres limites en attente, écarts à travers une limite, stop et objectif dans la même barre | 100 000 barres |
– MÉTHODE
La justesse d'abord, la vitesse ensuite, avec les mêmes règles pour chaque moteur.
Un court simulateur écrit à partir de la seule spécification, chaque cas limite tranché : un écart à travers un stop, un stop et un objectif dans la même barre, une réentrée sur la barre de sortie. Chaque moteur est comparé à lui, jamais à un autre moteur.
Chaque stratégie est écrite comme l'écrirait pour la vitesse un utilisateur expert du moteur : ses propres indicateurs, ses chemins vectorisés ou compilés, ses API de lot, sa configuration normale. Quand un moteur ne sait pas exprimer une règle, la case le dit au lieu de faire semblant.
Un CPU 10 cœurs. Chaque mesure tourne dans un processus neuf épinglé sur les mêmes 10 cœurs, avec les pools de threads plafonnés à 10 : aucun moteur n'hérite des imports ou des caches d'un autre.
Trois tours dans un ordre tiré au hasard, le premier appel de chaque processus mis de côté comme démarrage à froid, des médianes plutôt que des moyennes, et des intervalles à 95 % par bootstrap hiérarchique (processus, puis répétitions).
– RÉSULTATS
Temps médian d'un backtest, des données chargées dans le moteur jusqu'à l'équité finale relue. La justesse de chaque moteur est dans la section suivante.
S1 · Croisement de moyennes
S2 · Cassure avec stop et objectif
S3 · Arbitrage statistique sur paire
S4 · Momentum transversal
S5 · Retour à la moyenne par ordres limites
L'écart dépend de la stratégie. Sur le croisement, le moteur le plus rapide et le plus lent sont à 2 600× l'un de l'autre ; sur la rotation de 20 actifs, les moteurs vectorisés se rapprochent, vectorbt à 3,3× du meilleur temps, parce que vingt colonnes en une passe de tableaux lui coûtent peu.
raptorbt montre ce que coûte le chemin d'appel. Avec son runner sur tableaux, il est à 4,1× du meilleur temps sur le croisement. Sur la paire il tombe à 73×, parce que sa seule façon de traiter deux jambes est sa session pas à pas, appelée depuis Python à chaque barre, et les ordres limites de S5 passent par cette même session : 79×, derrière la simple boucle Python de backtesting.py à 52×.
vectorbt paie environ 3,68 s de compilation Numba au premier appel de chaque processus. manifoldbt et raptorbt n'ont rien à compiler, et leur premier appel reste à quelques dizaines de millisecondes des suivants.
| Moteur | S1 · Croisement de moyennes | S2 · Cassure avec stop et objectif | S3 · Arbitrage statistique sur paire | S4 · Momentum transversal | S5 · Retour à la moyenne par ordres limites |
|---|---|---|---|---|---|
| manifoldbt0.35.1 · Cœur Rust, DSL d'expressions déclaratif | 9,6 ms ✓1× | 19 ms ✓†1× | 52 ms ✓1× | 58 ms ✓1× | 12 ms ✓†1× |
| raptorbt0.13.4 · Cœur Rust, runners sur tableaux et session pas à pas | 39 ms ✓4,1× | 205 ms ✓†11× | 3,82 s ✓73× | 489 ms ≠8,4× | 945 ms ✓†79× |
| vectorbt1.2.1 · NumPy/Numba, tableaux vectorisés | 937 ms ✓98× | 717 ms ≠38× | 489 ms ✓9,4× | 192 ms ✓3,3× | non exprimable |
| backtesting.py0.6.6 · Boucle événementielle Python sur des tableaux NumPy | 1,42 s ✓148× | 1,37 s ✓73× | non exprimable | non exprimable | 629 ms ✓52× |
| bt1.4.1 · Arbre d'algos Python sur pandas | 5,22 s ✓544× | non exprimable | 2,91 s ✓56× | 1,11 s ✓19× | non exprimable |
| backtrader1.9.78.123 · Boucle événementielle Python, objets « lines » | 19,0 s ✓1 974× | 20,7 s ✓1 112× | 20,4 s ✓391× | 28,6 s ✓489× | 8,93 s ✓744× |
| NautilusTrader1.231.0 · Cœur Rust/Cython, événementiel | 25,0 s ¢2 600× | 12,3 s ✓†659× | 24,6 s ¢471× | 14,4 s ¢247× | 17,7 s ✓†1 477× |
– OÙ ILS DIVERGENT
Chaque désaccord a été suivi jusqu'à la barre et à la règle qui le cause, puis confirmé en rejouant la référence avec cette seule règle modifiée.
| Moteur | S1 · Croisement de moyennes | S2 · Cassure avec stop et objectif | S3 · Arbitrage statistique sur paire | S4 · Momentum transversal | S5 · Retour à la moyenne par ordres limites |
|---|---|---|---|---|---|
| manifoldbt | exact | exact selon sa convention | exact | exact | exact selon sa convention |
| raptorbt | exact | exact selon sa convention | exact | écart316 $ | exact selon sa convention |
| vectorbt | exact | écart1 416 $ | exact | exact | non exprimable |
| backtesting.py | exact | exact | non exprimable | non exprimable | exact |
| bt | exact | non exprimable | exact | exact | non exprimable |
| backtrader | exact | exact | exact | exact | exact |
| NautilusTrader | au centime0,21 $ | exact selon sa convention | au centime0,50 $ | au centime0,05 $ | exact selon sa convention |
– BALAYAGE DE PARAMÈTRES
S1 avec des fenêtres rapides de 5 à 40 et lentes de 50 à 250 sur 100 000 barres, chaque combinaison vérifiée contre la référence. Chaque moteur a deux chances, son propre mécanisme de balayage et un pool générique de 10 processus, et garde le plus rapide.
Les chemins propres : run_sweep_lite de manifoldbt (threads Rust, métriques seules, sans journal des ordres), batch_single_backtest de raptorbt, la diffusion par colonnes de vectorbt (un seul thread en version libre), optstrategy de backtrader et optimize de backtesting.py avec un pool de processus. bt et NautilusTrader n'en ont pas. L'optimiseur de backtrader bat le pool parce qu'il charge les données une fois ; celui de backtesting.py perd contre lui parce que chaque appel démarre un nouveau pool.
| Moteur | Chemin propre | Pool générique | Meilleur | Combinaisons exactes |
|---|---|---|---|---|
| manifoldbt | 5,2 ms | 49 ms | chemin propre | 64 / 64 |
| raptorbt | 98 ms | 84 ms | pool | 64 / 64 |
| vectorbt | 1,18 s | 1,72 s | chemin propre | 64 / 64 |
| backtesting.py | 4,74 s | 2,79 s | pool | 37 / 64 |
| bt | aucun | 10,5 s | pool | 64 / 64 |
| backtrader | 22,8 s | 37,3 s | chemin propre | 61 / 64 |
| NautilusTrader | aucun | 33,7 s | pool | 0 / 64 |
– LIMITES
À garder en tête en lisant les chiffres.
– POUR UN TRACK RECORD
Même avec chaque règle écrite noir sur blanc, les moteurs n'ont pas tous affiché le même chiffre. Les écarts venaient de choix que personne ne pense à préciser : où s'exécute un objectif ou une limite franchis par un écart, si une barre de sortie peut réentrer, si un rééquilibrage peut renforcer une position. Un chiffre de backtest emporte son moteur avec lui.
Un compte réel n'a aucun de ces degrés de liberté. Les ordres ont été exécutés chez le courtier, aux prix qu'il rapporte, ce qui en fait la moitié de la comparaison que chacun peut vérifier sans choisir de moteur.
Références de méthode : A. Georges, D. Buytaert et L. Eeckhout, Statistically rigorous Java performance evaluation, OOPSLA 2007. T. Kalibera et R. Jones, Rigorous benchmarking in reasonable time, ISMM 2013. T. Hoefler et R. Belli, Scientific benchmarking of parallel computing systems, SC15.
FAQ
Pour aller plus loin
Biais de sélection, modèle de coûts, exécution : trois causes, trois tests.
Compter les essais, dégonfler le gagnant, valider hors échantillon, confirmer en réel.
Estimer la probabilité que la meilleure configuration d'un balayage soit due à la chance.
LE CÔTÉ RÉEL
Connectez votre plateforme ou votre courtier. AuditZK construit un track record vérifié à partir des données de la plateforme elle-même, sans voir votre stratégie.