Les résultats in-sample ne sont pas des preuves : ce que nous avons appris en supprimant notre modèle d'IA

Un modèle qui a déjà vu les données sur lesquelles on l'évalue paraîtra brillant. Ce n'est pas une découverte sur les marchés, c'est une description de la mémoire. Les seuls chiffres qui valent quelque chose proviennent de données que le modèle n'a jamais vues pendant l'ajustement.

Si les paramètres d'une stratégie — ou les poids d'un modèle — ont été choisis sur une période donnée, les résultats mesurés sur cette même période sont contaminés par construction. Cet ajustement a été retenu précisément parce qu'il y obtenait un bon score. Le présenter comme une performance, c'est un raisonnement circulaire habillé en graphique.

Ce n'est pas un problème propre à l'IA. Lancer l'optimiseur sur une période puis publier le meilleur résultat est exactement la même erreur, avec un vocabulaire plus modeste. Plus il y a de paramètres et de combinaisons testées, plus il est certain que le gagnant est ajusté au bruit.

Sur quelle période les paramètres ont-ils été choisis, et de quelle période provient le chiffre publié ? Si c'est la même, ce chiffre ne dit rien de l'avenir. Si le vendeur ne peut pas répondre, considérez que c'est la même.

Le modèle ONNX livré dans Gold Neuron version 2.x a été entraîné sur des données de janvier 2020 à juillet 2026. Son backtest à l'intérieur de cette fenêtre était un ajustement in-sample, jamais obtenu en trading réel. Sur les années hors échantillon 2016 à 2019, le modèle était perdant dans nos tests, et le compte forward affichait une espérance négative. Nous avons donc remplacé le moteur en version 3.10. Nous avons laissé l'ancien backtest publié, étiqueté in-sample, plutôt que de le supprimer discrètement.

Une courbe in-sample impressionnante n'est pas une preuve faible : ce n'est pas une preuve. Le geste honnête n'était pas de défendre le modèle mais de le retirer, et d'indiquer dans la description quelle fenêtre l'avait entraîné.