Gestion du risque
Risque de ruine : formules, exemples chiffrés et simulation
Quelle est la probabilité qu’un robot rentable vide quand même votre compte, ou l’amène sous un seuil de perte inacceptable ? Formules exactes, exemples chiffrés et simulation de Monte-Carlo pour l’estimer.
Le risque de ruine est la probabilité qu’une stratégie, même gagnante en moyenne, fasse perdre la totalité du capital alloué ou, définition plus utile en pratique, l’amène au-delà d’un seuil de perte que vous jugez inacceptable. Il dépend de trois paramètres : l’avantage statistique de la stratégie (taux de réussite et ratio gain sur perte), la fraction du capital risquée par trade et le niveau de perte que vous qualifiez de ruine. Une espérance positive ne suffit pas : avec un risque par trade trop élevé, une stratégie gagnante a une probabilité élevée de vous mettre hors jeu avant que son avantage ne se manifeste.
La page pilier Gestion du risque introduit la notion. Cette page en donne les formules exactes dans les cas où elles existent, des exemples chiffrés, puis la méthode par simulation qui s’applique à tous les cas réels. Le calculateur de risque de ruine reprend ces calculs.
Cas 1 : mise fixe, gain égal à la perte
C’est le cas d’école, celui de la « ruine du joueur ». Vous disposez de N unités de mise, chaque trade gagne ou perd exactement une unité, avec une probabilité de gain p supérieure à q = 1 − p. La probabilité de perdre un jour toutes les unités, sur un horizon illimité, vaut :
R = (q / p)^N
Exemple avec p = 55 %, donc q/p = 0,45 / 0,55 = 0,818 :
| Unités de capital N | Risque fixe équivalent | Risque de ruine |
|---|---|---|
| 10 | 10 % du capital initial par trade | 13,4 % |
| 20 | 5 % | 1,81 % |
| 50 | 2 % | 0,0044 % |
Une stratégie qui gagne 55 % de ses trades à gain égal à la perte présente donc plus d’une chance sur huit de ruine si chaque trade risque 10 % du capital initial. La même stratégie devient quasiment sûre à 2 %. Le paramètre qui fait la différence n’est pas la stratégie, c’est la taille de la mise.
Cas 2 : mise fixe, gain multiple de la perte
Si chaque gain vaut b unités et chaque perte une unité, la ruine se calcule avec la racine r, comprise entre 0 et 1, de l’équation :
p × r^(b+1) − r + q = 0
et le risque de ruine vaut R = r^N. Pour b entier, la formule est exacte : les pertes étant d’une unité, le capital atteint zéro sans le dépasser.
Exemple avec b = 2 et p = 40 % (espérance de +0,2 unité par trade). L’équation se factorise en (r − 1)(0,4 r² + 0,4 r − 0,6) = 0, d’où r = (−1 + √7) / 2 ≈ 0,8229.
| Unités N | Risque de ruine |
|---|---|
| 10 | 14,2 % |
| 20 | 2,03 % |
| 50 | 0,006 % |
Malgré un taux de réussite de seulement 40 %, le profil de risque est proche de celui du cas 1, car l’espérance par unité risquée est du même ordre.
Cas 3 : risque en pourcentage et ruine définie par un drawdown
Les deux formules précédentes supposent une mise fixe en euros. Or la plupart des robots risquent un pourcentage du capital courant, comme recommandé dans Risque par trade. Dans ce cas, le capital ne peut théoriquement jamais atteindre zéro : chaque perte réduit la mise suivante. La ruine se définit alors comme le franchissement d’un seuil, par exemple « perdre 30 % du capital initial » ou « subir un drawdown de 30 % depuis le plus haut ».
Pour ce cas, une approximation continue existe : la probabilité de toucher un jour une perte de D depuis le capital initial vaut environ exp(−2 μ a / σ²), où μ et σ² sont la moyenne et la variance du logarithme de la croissance par trade, et a = −ln(1 − D). Elle suppose des trades nombreux et petits. En pratique, la simulation est plus simple et plus fiable.
Estimer la ruine par simulation
Le script suivant simule 20 000 trajectoires de 500 trades pour la stratégie du cas 2 (40 % de réussite, gain de 2R) et compte la proportion de trajectoires qui franchissent le seuil.
# ruine_mc.py : probabilité de franchir un seuil de perte, par simulation
import random
def proba_ruine(p, b, f, seuil, n_trades=500, n_sim=20_000,
depuis_le_plus_haut=True, graine=42):
# p : taux de réussite ; b : gain en R ; f : risque par trade (fraction)
# seuil : perte considérée comme ruine (0.30 = 30 %)
rng = random.Random(graine)
ruines = 0
for _ in range(n_sim):
capital = plus_haut = 1.0
for _ in range(n_trades):
if rng.random() < p:
capital *= 1 + b * f # gain de b fois le risque
else:
capital *= 1 - f # perte du risque
if depuis_le_plus_haut:
plus_haut = max(plus_haut, capital)
if capital <= plus_haut * (1 - seuil):
ruines += 1
break
return ruines / n_sim
for f in (0.01, 0.02, 0.03, 0.05):
print(f, proba_ruine(0.40, 2, f, 0.30),
proba_ruine(0.40, 2, f, 0.30, depuis_le_plus_haut=False))
Résultats obtenus (ils varient légèrement d’une exécution à l’autre selon la graine) :
| Risque par trade | Drawdown de 30 % depuis le plus haut | Perte de 30 % du capital initial |
|---|---|---|
| 1 % | environ 1,4 % | environ 0,1 % |
| 2 % | environ 45 % | environ 3,9 % |
| 3 % | environ 92 % | environ 12 % |
| 5 % | environ 100 % | environ 32 % |
Deux enseignements. D’abord, le risque croît de façon très non linéaire : doubler le risque par trade de 1 % à 2 % multiplie par plus de trente la probabilité d’un drawdown de 30 %. Ensuite, la définition compte énormément : passer sous le capital initial est rare, mais connaître un drawdown de 30 % à un moment quelconque sur 500 trades est probable au-delà de 2 %. C’est cette seconde définition qui correspond le mieux à l’expérience vécue, car un drawdown après une phase de gains reste une perte que vous devez supporter.
Utiliser les trades réels plutôt qu’un modèle
Les formules et le script ci-dessus supposent des gains et pertes de taille fixe et des trades indépendants. Pour un robot réel, il est préférable de rééchantillonner la liste des résultats du backtest, exprimés en R : on tire les trades au hasard, avec remise, pour construire des milliers de trajectoires possibles. La méthode est détaillée dans Simulation de Monte-Carlo. Elle conserve la vraie distribution des gains, y compris les pertes plus lourdes qu’un R dues aux gaps, mais pas l’éventuelle dépendance entre trades successifs.
Réduire le risque de ruine
- Baisser le risque par trade : c’est le levier le plus puissant, comme le montrent tous les tableaux.
- Augmenter l’avantage net : réduire les coûts d’exécution améliore l’espérance et donc la ruine, à risque égal.
- Ne pas dépasser la fraction de Kelly : au-delà, la croissance diminue et la ruine augmente ; voir Critère de Kelly.
- Ajouter des coupe-circuits : des limites de perte journalière et un seuil d’arrêt global interrompent les trajectoires les plus défavorables.
- Séparer le capital de trading du reste : le seuil de ruine se raisonne sur la somme réellement allouée aux robots ; ne la réalimentez pas pendant un drawdown pour éviter de franchir le seuil, sinon vous redéfinissez la ruine en cours de route.
- Douter de vos estimations : un taux de réussite estimé sur 100 trades est incertain de plusieurs points ; refaites le calcul avec un taux plus faible.
Questions fréquentes
Quelle est la formule du risque de ruine ?
Pour des gains et pertes égaux d’une unité, avec un taux de réussite p supérieur à 50 % et N unités de capital, R = (q / p)^N avec q = 1 − p. Pour un gain de b unités, R = r^N où r est la racine entre 0 et 1 de p × r^(b+1) − r + q = 0.
Une stratégie gagnante peut-elle ruiner un compte ?
Oui. Avec une espérance positive mais un risque par trade élevé, une série de pertes peut épuiser le capital avant que l’avantage ne s’exprime. Dans l’exemple à 55 % de réussite, risquer 10 % du capital initial par trade donne plus de 13 % de risque de ruine.
Quel risque de ruine est acceptable ?
La plupart des praticiens visent une probabilité très faible, de l’ordre de 1 % ou moins, pour un seuil de perte qu’ils jugent intolérable. Le plus important est de définir ce seuil explicitement, puis d’ajuster le risque par trade pour rester sous l’objectif.
Pourquoi utiliser la simulation plutôt que la formule ?
Les formules exactes supposent des gains et pertes fixes et une mise constante. La simulation s’applique à un risque en pourcentage, à un seuil défini par un drawdown et à la distribution réelle des trades d’un backtest.
