Chaque quant connaît le rituel : collecter les prix historiques, concevoir des caractéristiques et exécuter un backtest. Pourtant, lorsque ces mêmes backtests sont appliqués à des actions peu négociées ou à des marchés frontières, les résultats s'effondrent. Des données manquantes, l'illiquidité, les changements réglementaires et les distorsions pures et simples s'insinuent. Le backtest semble élégant sur papier, mais échoue instantanément en production. Le problème n'est pas la stratégie seule, mais l'ensemble de données lui-même. Des marchés comme l'Inde, l'Asie du Sud-Est, ou même des poches de petites capitalisations dans les économies développées ne fournissent tout simplement pas les ensembles de données propres et à haute fréquence que les modèles construits sur les actions américaines supposent. Cette fragilité pousse les développeurs vers une nouvelle approche : la génération de données synthétiques. En construisant des ensembles de données conçus pour imiter la volatilité, les sécheresses de liquidité et les changements de régime, les quants peuvent répéter la réalité dans des environnements contrôlés.