Recherche de paramètres — 3 configurations testées
Top-3 robustes- Config A — PF 1.42 · DD −18 %
- Config B — PF 1.35 · DD −14 %
- Config C — PF 1.18 · DD −9 %
Anti-surapprentissage
Probability of Backtest Overfitting (PBO)18 % — risque faible
L'optimisation qui ne se ment pas à elle-même.
L'optimisation native de MetaTrader ou TradingView cherche les meilleurs paramètres sur l'historique qu'elle vient de voir — le piège classique du surapprentissage. L'Optimiseur StratVerity applique la même discipline que notre recherche interne : validation hors-échantillon obligatoire et détection explicite des faux gagnants, à chaque palier.
On ne vend pas la meilleure courbe, on vend un verdict de robustesse — voir les biais qu'on détecte sur l'Audit →
Ce qui change
Essentiel
Une optimisation contrainte par ton drawdown max, avec le garde-fou anti-surapprentissage inclus.
149 €/ stratégie
Démarrer — Essentiel★ Palier de référence
Pro
Validation complète : walk-forward roulant, Monte-Carlo et généralisation multi-actifs.
299 €/ stratégie
Démarrer — ProElite
Tout Pro, plus le stress-test par régime et un artefact prêt à déployer.
549 €/ stratégie
Démarrer — EliteOptimisation & anti-surapprentissage
Recherche de paramètres contrainte par ton drawdown max
Probability of Backtest Overfitting (PBO) affichée
Écart d'optimisme mesuré (résultat in-sample vs hors-échantillon)
Configs recommandées
Top-3 robustes
Sélection dégonflée (OOS médian, CSCV)
Sélection dégonflée (OOS médian, CSCV)
Walk-forward roulant purgé (embargo)
—
Simulation Monte-Carlo (p5 / p50 / p95)
—
Périmètre testé
Généralisation multi-actifs
—
Test multi-unités de temps
—
—
Stress-test par régime de marché
—
—
Livrable
Rapport de verdict (PBO, dégradation OOS, attentes réalistes)
Fréquence de trading affichée (trades / an)
Filtres et paramètres rejetés listés (transparence)
Artefact prêt à déployer (Pine / EA / bot Python)
—
—
Votre stratégie réécrite avec la config gagnante
—
—
Prompt d'édition fourni (ajuster vous-même, sans coder)
—
—
Paper-trading avant mise en réel
—
—
Passerelle vers Auto-Pilot (exécution automatisée)
—
—
Prix hors TVA (franchise en base), paiement unique par stratégie. Paiement sécurisé par Stripe, livraison automatique du rapport Optimiseur une fois la commande confirmée. L'Optimiseur accepte actuellement le Python (.py) — Pine et MQL arrivent bientôt. Outil analytique, aucun conseil en investissement : performance passée ≠ performance future.
Ce que révèle chaque palier d'optimisation.
Extraits illustratifs d'un même run d'optimisation. La profondeur d'analyse anti-surapprentissage augmente avec le palier.
Recherche de paramètres — 3 configurations testées
Sélection dégonflée (OOS médian)- Config A — PF 1.42 · DD −18 %
- Config B — PF 1.35 · DD −14 %
- Config C — PF 1.18 · DD −9 %
Anti-surapprentissage
Probability of Backtest Overfitting (PBO)18 % — risque faible
Walk-forward roulant6 fenêtres purgées (embargo)
Simulation Monte-Carlo
p5−22 %p50+19 %p95+61 %
Généralisation multi-actifs
BTC ✓ETH ✓SOL ⚠XRP ✓ADA ✓
4/5 actifs passent (80 %)
Recherche de paramètres — 3 configurations testées
Sélection dégonflée (OOS médian)- Config A — PF 1.42 · DD −18 %
- Config B — PF 1.35 · DD −14 %
- Config C — PF 1.18 · DD −9 %
Anti-surapprentissage
Probability of Backtest Overfitting (PBO)18 % — risque faible
Walk-forward roulant6 fenêtres purgées (embargo)
Simulation Monte-Carlo
p5−22 %p50+19 %p95+61 %
Généralisation multi-actifs
BTC ✓ETH ✓SOL ⚠XRP ✓ADA ✓
4/5 actifs passent (80 %)
Étendu (Elite)
Multi-unités de temps15m / 1H / 4H testés
Stress-test — fees ×3→ PF 1.24
Stress-test — slippage ×2→ PF 1.11
Stratégie éditée, prête à l'emploi
Artefact prêt à déployerwolfe_b_config_gagnante.pine
Votre code source, réécrit avec la config retenue — plus un prompt d'édition fourni pour l'ajuster vous-même (IA), sans avoir à replonger dans la logique.
Envie de cumuler Audit et Optimiseur ?
Constater d'abord ce que ta stratégie vaut réellement, puis chercher ce qui l'améliore sans la sur-ajuster — les deux moteurs partagent la même définition du robuste.
Nous contacter