Un article d'ingénierie critique d'un développeur quantitatif chinois expose un problème de fuite de données subtil mais dévastateur dans le backtesting des actions A. Le problème vient de l'utilisation de prix ajustés à terme (前复权), qui intègrent des événements d'entreprise futurs comme les fractionnements d'actions et les dividendes dans les données de prix historiques. Cela crée un biais Point-in-Time : le backtest voit des informations qui n'étaient pas disponibles au moment de la transaction, gonflant artificiellement des indicateurs de performance comme les rendements annualisés. L'auteur compare systématiquement les méthodes de prix non ajustés, ajustés à terme et ajustés à rebours, dérive des relations linéaires et fournit du code Python pour la validation et la cartographie entre les prix de backtest et de trading en direct. Pour les développeurs quantitatifs et les ingénieurs financiers, c'est une leçon fondamentale sur l'intégrité des données. L'article n'est pas un tutoriel mais une étude de cas d'ingénierie réelle, ce qui le rend très précieux pour la construction de cadres de backtesting robustes. Éviter ce biais peut empêcher les équipes de déployer des stratégies défectueuses basées sur des résultats de backtest non reproductibles, ce qui lui confère une valeur commerciale élevée.
Une analyse approfondie de la façon dont les prix ajustés à terme provoquent un biais Point-in-Time dans le backtesting des actions A, entraînant des fuites de données et des rendements gonflés.