Algorithmes de trading sur Solana : comparer les règles équitablement

Comparer des algorithmes de trading sur Solana exige une question précise

Définissez ce que la comparaison doit permettre de décider. Il peut s’agir d’évaluer quelle règle répond le mieux à une tâche de recherche définie, laquelle utilise plus efficacement un budget limité dans un modèle donné ou laquelle produit davantage de propositions pouvant être examinées. Des questions différentes exigent des mesures différentes.

Affirmer globalement qu’un algorithme est meilleur peut masquer des objectifs incompatibles. Une règle conçue pour minimiser l’activité peut produire moins d’occasions qu’une règle visant une large couverture. Une règle conçue pour une tâche particulière de gestion des positions ne doit pas être pénalisée parce qu’elle ne découvre pas de nouveaux actifs sans rapport avec cette tâche.

Le guide antérieur de conception d’expériences sur Solana explique comment fixer les critères d’admissibilité et les limites temporelles. Une comparaison exige cette rigueur avant le calcul des résultats. La question, la population et la fenêtre d’évaluation doivent être définies à l’avance afin que le rapport ne choisisse pas sa définition de la réussite après avoir vu quel algorithme l’emporte.

Figer un flux d’informations commun

Les deux algorithmes doivent recevoir les mêmes observations aux mêmes instants de disponibilité, sauf si l’accès aux données constitue explicitement l’objet de la comparaison. Un enregistrement historique qui arrive en retard doit arriver en retard pour les deux. Une association corrigée avec une adresse de mint ne doit pas être disponible plus tôt pour une règle à la faveur d’une jointure commode.

Conservez l’instantané commun des données d’entrée et ses limites. Les algorithmes peuvent sélectionner des variables différentes dans ce flux, mais le périmètre des informations sous-jacentes reste commun. Les désaccords peuvent ainsi être interprétés comme le comportement des règles plutôt que comme une différence inexpliquée entre ce que savait chaque système.

Un flux commun exige aussi une politique de gestion des données manquantes au niveau de l’infrastructure. Si la source tombe en panne, aucun des deux algorithmes ne doit recevoir discrètement des données de remplacement idéalisées, sauf si l’étude modélise explicitement cette capacité pour les deux. L’abstention propre à chaque algorithme peut alors être évaluée face à la même lacune sous-jacente.

Conserver des versions complètes des algorithmes

Une version comprend l’univers, les variables, les seuils, le moment des décisions, la règle de dimensionnement, l’expiration et le traitement des informations manquantes. Comparer des formules nommées tout en laissant les règles qui les entourent évoluer librement laisse trop de place à des ajustements cachés. Conservez les définitions complètes utilisées lors de chaque exécution.

Si un algorithme utilise un historique plus long, ne lui fournissez que l’historique réellement disponible au moment de chaque décision. Sa période d’initialisation fait partie de sa couverture. Ne fournissez pas, au début du test, une variable disposant déjà de tout l’historique nécessaire à son calcul, sauf si cet état aurait pu exister dans le dispositif déclaré.

Le guide du bot de signaux de trading sur Solana explique comment les changements de version et les interruptions de flux affectent les sorties. Une comparaison doit conserver ces délimitations dans les séries de résultats. Regrouper plusieurs versions sous une même étiquette d’algorithme peut dissimuler les choix à l’origine de l’avantage apparent.

Utiliser la même population de candidats

Les deux algorithmes doivent être confrontés au même univers de recherche admissible lorsque la comparaison porte sur leurs règles de décision. Si l’un utilise un sous-ensemble plus restreint propre à sa stratégie, consignez cette sélection comme une composante de son comportement. Ne retirez pas après coup les candidats qu’il a exclus de la population de référence commune.

Le rapport peut ainsi distinguer la couverture de la performance conditionnelle. L’algorithme A peut intervenir sur de nombreux candidats tandis que B s’abstient sur la plupart. Les résultats des actions menées à terme par B peuvent sembler meilleurs alors qu’il fournit moins de décisions réalisables. Ces deux constats ont leur place dans la comparaison.

Incluez les candidats qui échouent ensuite, deviennent inactifs ou restent dans un état non résolu s’ils entraient dans le périmètre à l’époque. Une population composée uniquement d’actifs survivants peut favoriser les règles qui ont sélectionné des survivants par hasard. L’évaluation doit respecter les limites des informations historiques disponibles, plutôt que s’appuyer sur un répertoire actuel commode.

Harmoniser le sens d’une décision

Un algorithme peut émettre un score chaque minute tandis qu’un autre produit une proposition par épisode. Comparer directement les nombres de sorties serait trompeur. Définissez l’unité évaluée et faites correspondre les sorties de chaque algorithme à cette unité sans inventer des observations indépendantes à partir de messages répétés.

L’unité peut être l’examen d’un candidat, une occasion d’ouvrir une position ou un épisode délimité de réduction de position. L’unité choisie doit correspondre à la question de recherche. Conservez les sorties brutes afin de pouvoir examiner la correspondance et remonter des désaccords au comportement réel des règles.

Un signal répété ne constitue pas nécessairement une nouvelle action financée. Si la politique appliquée en conditions réelles n’autorise qu’une intention ouverte par actif, la comparaison doit appliquer cette contrainte de manière cohérente. Sinon, l’étude risque de récompenser une règle pour avoir identifié à répétition la même condition tout en simulant des actions qu’elle n’autoriserait pas réellement.

Attribuer à chaque algorithme un compte équivalent

Pour comparer des politiques distinctes, faites démarrer chaque algorithme avec les mêmes ressources de compte et les mêmes hypothèses de flux de trésorerie externes. Suivez sa propre trajectoire cohérente à travers les positions, les réservations, les coûts et les tentatives non résolues. Les politiques peuvent ensuite diverger du fait de leurs décisions, ce qui constitue précisément le comportement que l’étude entend examiner.

Ne laissez pas un algorithme réapprovisionner son compte après des pertes ou ignorer le capital immobilisé dans des positions ouvertes tandis que l’autre respecte ces contraintes. Ces différences modifient l’expérience. Elles doivent être harmonisées ou explicitement désignées comme l’objet d’une comparaison distincte.

Le guide antérieur du budget partagé sur Solana explique pourquoi des propositions qui se chevauchent se disputent les ressources. Une comparaison qui additionne des opérations isolées sans modèle de compte commun peut annoncer des résultats qu’aucun processus financé par un seul compte n’aurait pu produire.

Distinguer le dimensionnement fixe du dimensionnement propre à l’algorithme

Deux questions utiles se posent concernant le dimensionnement. Une comparaison à taille fixe peut aider à isoler le comportement de sélection en appliquant la même règle de montant aux deux algorithmes. Une comparaison des politiques propres aux algorithmes peut évaluer la méthode de dimensionnement de chacun comme composante de la stratégie complète.

Ne mélangez pas ces questions dans un résultat unique sans explication. Si A utilise un dimensionnement fixe et B une allocation dynamique, la différence peut provenir du dimensionnement plutôt que de la sélection des candidats. Présentez les deux composantes lorsque l’étude peut le faire de manière cohérente.

Une règle dynamique doit utiliser uniquement les informations disponibles au moment de la décision et l’état actuel du compte. Elle ne doit pas, au moyen d’un calcul rétrospectif, augmenter la taille des opérations qui se révéleront gagnantes par la suite. Le dimensionnement est une décision stratégique soumise à ses propres limites informationnelles, et non un multiplicateur cosmétique appliqué une fois les résultats connus.

Appliquer un modèle d’exécution unique

Utilisez les mêmes moments de cotation, le même périmètre de marchés pris en charge, les mêmes exigences de fraîcheur et la même politique de traitement des résultats pour les deux algorithmes lorsque vous comparez leurs règles de décision. Une règle ne doit pas bénéficier d’une exécution immédiate idéalisée tandis que l’autre attend, avec un délai réaliste, une cotation propre au montant concerné.

Le modèle d’exécution peut malgré tout aboutir à des faisabilités différentes, car les algorithmes choisissent des actifs, des montants ou des moments différents. Ces différences sont des conséquences significatives des stratégies. L’essentiel est que le modèle applique les mêmes règles à des situations équivalentes.

Le guide antérieur de la chronologie d’exécution sur Solana explique pourquoi la soumission et la confirmation sont distinctes. Une comparaison doit conserver de manière cohérente les tentatives et les résultats échoués, inconnus ou rapprochés. Supprimer les tentatives difficiles de l’historique d’un seul algorithme crée un avantage artificiel.

Garder des coûts comparables et traçables

Chaque composante de coût doit avoir la même définition pour tous les algorithmes. Distinguez les coûts inclus dans les cotations des dépenses enregistrées séparément, et conservez les unités d’origine ainsi que les hypothèses de conversion. Une différence dans le nombre de tentatives peut produire une véritable différence de coûts, tandis qu’une différence de traitement comptable constitue une erreur d’évaluation.

Solana documente les frais de transaction au niveau du réseau, mais le modèle de coûts complet doit correspondre au processus réellement étudié. N’utilisez pas un taux fixe universel comme substitut inexpliqué pour tous les itinéraires, montants et résultats de tentative. Documentation des frais de Solana.

Si certains coûts restent modélisés, appliquez la même méthode de modélisation et présentez une analyse de sensibilité. Un résultat de référence favorable qui s’inverse après une petite variation plausible mérite une interprétation nuancée. La comparaison doit identifier les hypothèses qui déterminent le classement plutôt que de traiter ce classement comme un fait stable.

La décomposition des résultats des algorithmes de trading sur Solana commence par un entonnoir

Pour chaque algorithme, comptez les occasions communes, les décisions admissibles, les propositions, les intentions autorisées, les tentatives et les résultats rapprochés. Chaque étape explique pourquoi l’échantillon des actions menées à terme diffère de la population initiale. L’entonnoir doit inclure les motifs d’abstention et de rejet.

Supposons que l’algorithme fictif A produise huit propositions à partir d’un ensemble commun d’occasions, dont six deviennent des actions menées à terme. B produit cinq propositions, dont quatre aboutissent. Ces décomptes n’établissent pas lequel est meilleur, mais ils mettent en évidence des profils différents de couverture et de faisabilité qu’un simple chiffre de bénéfice final masquerait.

La décomposition des résultats des algorithmes de trading sur Solana doit ensuite relier les différences aux choix de règles. A a-t-il formulé davantage de propositions parce qu’il utilisait une politique d’admissibilité plus large ? B a-t-il évité les marchés non pris en charge ? L’un a-t-il perdu davantage d’occasions à cause d’informations périmées ? Un rapport utile explique le cheminement qui mène d’entrées communes à des ensembles d’actions différents.

Examiner un petit exemple de comparaison des résultats

Supposons que les six actions menées à terme par A produisent un solde global brut de trente unités de la devise de cotation et un total de dix-huit unités de coûts modélisés. Son résultat après ces coûts est de douze unités. Supposons que les quatre actions menées à terme par B produisent vingt-quatre unités brutes et huit unités de coûts, laissant seize unités.

Dans cet exemple fictif, A obtient le résultat brut le plus élevé tandis que B obtient le résultat après coûts le plus élevé. Le résultat moyen après coûts par action menée à terme est de deux unités pour A et de quatre pour B. Ces moyennes omettent encore le temps et le capital nécessaires à chaque trajectoire de compte, que l’examen complet doit conserver.

Supposons maintenant que A compte quatre actions menées à terme avec un résultat positif et B deux. Leurs proportions d’actions positives sont d’environ 66,7 % et 50 %, respectivement. La proportion la plus élevée revient à A, tandis que le total net le plus élevé revient à B. Cela illustre pourquoi le taux de réussite, le résultat brut, les coûts et le résultat du compte doivent être présentés séparément.

Expliquer les effets de sélection avant d’en attribuer le mérite à la formule

Si B n’intervient que sur les candidats les plus faciles à interpréter, son échantillon d’actions menées à terme peut différer sensiblement de celui de A. Un meilleur résultat conditionnel peut refléter cette sélection plus restreinte plutôt qu’une meilleure prévision sur les mêmes cas. Lorsque cela est utile, présentez les performances sur des occasions communes comparables, en parallèle de la couverture de chaque politique complète.

L’analyse des occasions communes répond à une question plus restreinte. Elle ne doit pas remplacer la simulation complète du compte, car les trajectoires du capital et l’admissibilité ultérieure peuvent dépendre des choix antérieurs. Utilisez-la comme une vue diagnostique, en précisant clairement les limites de l’échantillon restreint.

Cette séparation aide à identifier les sources possibles d’amélioration. A pourrait bénéficier de critères d’admissibilité plus stricts ; B pourrait sacrifier une trop grande part de la couverture ; les deux pourraient obtenir des performances similaires sur les cas communs. La comparaison devient une source de questions de recherche précises plutôt qu’un concours tranché par un seul chiffre agrégé.

Attribuer les effets du dimensionnement sans réécrire l’histoire

Un diagnostic à taille fixe peut montrer quelle part de la différence est associée au dimensionnement propre à l’algorithme, mais il s’agit d’une étude contrefactuelle. Elle doit utiliser un modèle de compte cohérent et ses propres contrôles de faisabilité. Modifier la taille peut changer les cotations, les coûts et les propositions ultérieures qui peuvent être financées.

Ne vous contentez pas de multiplier les résultats des opérations d’origine par une nouvelle taille en supposant que toutes les autres conditions restent inchangées. Cette approximation peut être utile pour une question exploratoire limitée, mais elle doit être signalée et confrontée aux parties du processus qui dépendent du montant.

Le guide du système de trading sur Solana traite des enregistrements persistants qui permettent ce type d’analyse. Conserver la taille prévue, la taille autorisée, les détails des tentatives et les quantités rapprochées permet de distinguer le dimensionnement de l’algorithme des modifications apportées par le mécanisme d’allocation et des résultats d’exécution.

Inclure la durée de détention et l’occupation des ressources

Un algorithme peut produire un résultat favorable par action tout en immobilisant le capital beaucoup plus longtemps. Consignez pendant combien de temps les positions et les réservations occupent des ressources et comment cela affecte les occasions ultérieures. La trajectoire du compte peut conduire au rejet de bonnes propositions parce que des engagements antérieurs restent non résolus ou ouverts.

Il en va de même pour l’effort opérationnel. Des signaux plus fréquents peuvent exiger davantage de demandes de cotation, de temps d’examen et de gestion des incidents. Si ces ressources comptent pour le processus prévu, mesurez-les dans des conditions identiques plutôt que de les considérer comme gratuites.

Une comparaison ne doit pas inventer un taux de conversion universel entre effort et rendement. Présentez clairement ces dimensions et laissez l’objectif de décision déclaré déterminer leur importance. Une politique utile pour une équipe de recherche disposant de tous les effectifs nécessaires peut être impraticable pour une personne qui examine un petit nombre d’événements chaque jour.

Traiter l’activité copiée comme une famille de règles à part entière

Un algorithme fondé sur la copie sélectionne des observations dans l’activité de portefeuilles sources, ce qui introduit des hypothèses supplémentaires de chronologie et d’interprétation. Une comparaison équitable doit préserver ces délais et les contraintes propres au compte du suiveur. Elle ne doit pas accorder au suiveur le prix d’exécution antérieur de la source ni un historique inconnu de ses avoirs.

Le guide du logiciel de copy trading sur Solana explique la reconstitution des intentions et les divergences de dimensionnement. Ces différences peuvent dominer les résultats ; une règle de copie d’actions doit donc être comparée à partir du flux d’informations effectivement accessible au suiveur et de son modèle d’exécution.

La sélection des sources fait également partie de l’algorithme. Choisir une source après avoir observé sa meilleure période historique constitue une étude différente du suivi d’une source sélectionnée à l’avance. Le rapport doit préciser quand et comment l’ensemble des sources a été choisi et conserver les sources infructueuses ou inactives lorsque la politique d’origine les incluait.

Examiner la concentration entre actifs et périodes

Un avantage agrégé peut provenir d’un seul actif ou d’un bref contexte de marché. Examinez les contributions des différents candidats et des différentes périodes, et identifiez les principaux facteurs. Un résultat dominé par un petit ensemble d’issues mérite une interprétation différente d’un phénomène largement réparti.

Ne supposez pas qu’un grand nombre de lignes fournit des éléments indépendants. Des décisions répétées sur des jetons apparentés peuvent partager le même facteur de marché, et des fenêtres de résultats qui se chevauchent peuvent rendre les résultats dépendants. Décrivez cette structure lorsque vous interprétez la solidité de la comparaison.

Un diagnostic utile retire les observations influentes ou les présente séparément, sans sélectionner la version qui soutient le mieux une conclusion privilégiée. L’objectif est de comprendre la dépendance, et non de fabriquer de la robustesse en excluant les cas gênants. Conservez le résultat complet d’origine à côté des vues diagnostiques.

Réserver les données ultérieures à la comparaison finale

Après avoir utilisé les données de développement pour choisir les versions, les hypothèses et les indicateurs, évaluez la comparaison figée sur une fenêtre ultérieure encore inexploitée. Si l’étude est révisée après examen de cette fenêtre, documentez la révision et reconnaissez que ces mêmes données servent désormais au développement.

L’examen ultérieur doit préserver les mêmes limites informationnelles et les mêmes contraintes de compte. Un changement dans la prise en charge des sources ou dans l’univers peut être légitime, mais il doit être consigné, car il modifie la population comparée. Le rapport ne doit pas présenter une expérience modifiée comme une continuation directe sans explication.

Aucune fenêtre ultérieure de durée finie ne garantit les performances futures. Elle peut apporter des éléments supplémentaires sur le comportement des politiques figées dans des conditions qui n’ont pas servi à les sélectionner. La solidité de la conclusion dépend du périmètre, de la durée, de la dépendance et de la qualité des hypothèses d’exécution et de comptabilisation.

Appliquer un arbitrage cohérent aux deux historiques

Les résultats ambigus exigent la même norme d’examen pour les deux algorithmes. Si une transaction ne peut pas être entièrement classée, utilisez la même catégorie « non résolu » et la même procédure d’escalade. N’examinez pas l’incertitude plus activement pour l’algorithme préféré tout en attribuant par défaut des résultats défavorables à l’autre.

Lorsqu’un jugement humain est nécessaire, conservez les éléments examinés et le motif de la décision. Un second évaluateur peut examiner un échantillon sans savoir quel algorithme a produit chaque cas. Cela peut révéler des règles de classification incohérentes avant qu’elles ne se traduisent par des différences apparentes de performance. L’égalité des hypothèses englobe la manière de résoudre l’incertitude, et pas seulement les paramètres numériques utilisés dans la simulation.

Présenter le mécanisme à l’origine de la différence

Un examen de stratégies fondé sur des hypothèses identiques doit préciser quel résultat diffère et pourquoi les éléments disponibles suggèrent cette différence. La sélection, la fréquence, le dimensionnement, la faisabilité, les coûts et l’occupation des ressources sont autant de facteurs possibles. Un rapport peut en identifier plusieurs simultanément sans imposer une explication centrée sur une seule formule privilégiée.

L’exemple fictif de A et B montre l’intérêt de cette décomposition. Un plus grand nombre de propositions, davantage d’actions menées à terme et une proportion plus élevée d’actions positives ne garantissaient pas le meilleur résultat net après coûts. Le lecteur a besoin de toute la chaîne pour interpréter la comparaison et décider de ce qui mérite une étude approfondie.

La comparaison la plus utile des algorithmes de trading sur Solana les considère comme des politiques complètes opérant sur des informations communes sous des contraintes explicites. Des hypothèses identiques rendent les différences équitables ; la décomposition les rend compréhensibles. Il en résulte un constat de recherche qui peut orienter la version suivante, y compris lorsque la conclusion honnête est que le gagnant apparent dépend d’hypothèses incertaines.