Une étude Glassnode révèle une faille critique dans les méthodes de backtesting crypto

Zach Anderson 13 mars 2026 17h07

De nouvelles recherches montrent que les backtests utilisant des données on-chain révisées produisent des résultats trompeurs. Les métriques au moment précis révèlent des performances réelles nettement moins bonnes.

Cette stratégie de trading rentable que vous avez backtestée ? Elle n'aurait probablement pas fonctionné en temps réel. Les dernières recherches de Glassnode démontrent comment les données on-chain révisées rétroactivement créent une illusion dangereuse de rentabilité qui s'évapore lorsqu'elles sont testées avec les informations auxquelles les traders avaient réellement accès.

La société d'analyse a effectué des backtests identiques sur une stratégie simple de solde BTC sur exchange—l'un utilisant des données historiques standard, l'autre utilisant des métriques immuables au moment précis (PiT). Même logique de signal, mêmes paramètres, mêmes frais de trading de 0,1 %. Les résultats ont divergé de façon spectaculaire.

Le problème caché des données on-chain

Des métriques comme les soldes d'exchange ne sont pas statiques. Elles sont révisées à mesure que le regroupement d'adresses s'améliore et que l'étiquetage des entités est mis à jour. Ce chiffre de solde BTC Binance que vous consultez pour le 15 janvier 2024 peut ne pas correspondre à ce qui a été réellement publié à cette date.

Lorsque vous effectuez un backtest avec des données révisées, vous tradez sur des informations qui n'existaient pas au moment où les décisions auraient été prises. Ce biais prospectif est particulièrement grave pour les métriques dépendant de l'identification d'entités—exactement le type de données sur lequel de nombreux traders s'appuient pour l'analyse des flux d'exchange.

La stratégie de test de Glassnode était simple : prendre une position longue lorsque la moyenne mobile sur 5 jours du solde BTC de Binance passe en dessous de la moyenne sur 14 jours (sorties soutenues), sortir lorsqu'elle repasse au-dessus (inversion des sorties). Exécutée de janvier 2024 à mars 2026 avec 1 000 $ de capital initial, le backtest standard a montré une performance correspondant à peu près au buy-and-hold.

La version PiT a raconté une histoire différente. Bien que les deux stratégies aient évolué de manière similaire pendant la majeure partie de 2024, la version avec données immuables a manqué les forts rallyes de novembre 2024 et mars 2025 que le backtest avec données révisées a capturés. La performance cumulative s'est révélée « considérablement inférieure », selon Glassnode.

Pourquoi cela compte pour les traders quantitatifs

Les implications vont au-delà de cette seule stratégie. Tout backtest reposant sur des données sujettes à révision—soldes d'exchange, flux étiquetés par entité, voire volumes de trading d'exchanges qui rapportent avec des retards—fait face au même risque de contamination.

Cela correspond aux préoccupations plus larges en finance quantitative concernant la qualité des données. Les recherches de fournisseurs de données alternatives montrent que la méthodologie PiT prévient plusieurs types de biais : le biais prospectif lié à l'utilisation de révisions futures, le biais de survie des ensembles de données qui excluent les entités défaillantes, et le biais rétrospectif des chiffres retraités.

Pour la crypto spécifiquement, où les sociétés d'analyse on-chain affinent continuellement leurs algorithmes d'étiquetage d'entités et de regroupement, le problème de révision s'aggrave. Un portefeuille identifié comme appartenant à Binance aujourd'hui pourrait ne pas avoir été correctement étiqueté il y a deux ans lorsque votre backtest suppose que vous avez tradé sur ce signal.

La solution pratique

Glassnode offre désormais des variantes PiT pour toutes les métriques via leur niveau Professionnel. Ces ensembles de données en mode ajout uniquement verrouillent chaque point de données tel qu'il a été calculé à l'origine—aucun changement rétroactif.

Le compromis est réel : vos backtests auront probablement l'air moins bons. Mais ils refléteront ce qui se serait réellement passé. Pour les traders allouant du capital réel sur la base de signaux quantitatifs, cet écart de précision entre un backtest flatteur et une performance en direct décevante peut coûter cher.

Avant de déployer une stratégie basée sur des métriques on-chain, la question n'est pas de savoir si le backtest semble rentable—c'est de savoir si vous avez testé avec les données que vous auriez réellement vues.

• backtesting
• analyse on-chain
• glassnode
• stratégies de trading
• qualité des données