Trading algorithmique · Statistiques
Simulation de Monte-Carlo d’une stratégie : drawdowns possibles et risque de ruine
La simulation de Monte-Carlo rééchantillonne les trades d’un backtest pour estimer la distribution des drawdowns et des résultats possibles. Permutation, bootstrap, code Python et limites de la méthode.
Une simulation de Monte-Carlo appliquée à une stratégie de trading consiste à générer des milliers de séquences de trades plausibles à partir des trades du backtest, puis à mesurer sur chacune le résultat final, le drawdown maximal ou la survenue d’un seuil de perte. Le backtest ne montre qu’un seul ordre des trades : celui de l’historique. La simulation montre ce qui aurait pu arriver avec les mêmes trades dans un autre ordre, ou avec un échantillon légèrement différent. Elle répond à une question que le backtest ne peut pas traiter : quelle est la plage des drawdowns et des résultats auxquels je dois m’attendre si la stratégie conserve ses caractéristiques statistiques ?
Cette page fait partie de la rubrique Statistiques de performance d’une stratégie. Elle s’appuie sur les notions de la page Drawdown maximal, dont elle estime la distribution.
Deux méthodes de rééchantillonnage
La permutation (mélange)
On prend la liste des n trades du backtest et on les mélange aléatoirement, sans remise. Chaque séquence contient exactement les mêmes trades, dans un ordre différent. Le résultat final est donc identique dans toutes les simulations (en volume fixe), mais le drawdown maximal et les séries perdantes varient. Cette méthode répond à la question : « quel drawdown aurais-je pu subir avec exactement ces trades, si l’ordre avait été moins favorable ? »
Le bootstrap (tirage avec remise)
On tire n trades au hasard avec remise dans la liste du backtest. Certains trades apparaissent plusieurs fois, d’autres pas du tout. Le résultat final varie d’une simulation à l’autre, ainsi que le drawdown. Cette méthode simule l’incertitude sur l’échantillon lui-même : avec un autre historique de même nature, le résultat aurait pu être meilleur ou moins bon.
| Méthode | Résultat final | Drawdown | Question traitée |
|---|---|---|---|
| Permutation | Identique (volume fixe) | Variable | Effet de l’ordre des trades |
| Bootstrap | Variable | Variable | Incertitude sur l’échantillon de trades |
Avec un dimensionnement en pourcentage du capital, le résultat final d’une permutation reste identique lui aussi, car la multiplication des facteurs de croissance est commutative. En revanche, le parcours et donc le drawdown changent.
Le code Python
Le script suivant applique le bootstrap à une liste de résultats exprimés en R, avec un risque fixe en pourcentage du capital. Il calcule les percentiles du drawdown maximal et du rendement final, ainsi que la probabilité de subir un drawdown supérieur à un seuil.
import random
def simuler(trades_r, risque=0.01, n_sim=5000, seuil_dd=0.30, graine=42):
# trades_r : résultats des trades en multiples du risque initial (après coûts)
random.seed(graine)
n = len(trades_r)
dds, finals, ruines = [], [], 0
for _ in range(n_sim):
capital, sommet, dd_max = 1.0, 1.0, 0.0
for r in random.choices(trades_r, k=n): # tirage avec remise
capital *= 1 + risque * r # risque fixe en % du capital
sommet = max(sommet, capital)
dd_max = max(dd_max, 1 - capital / sommet)
dds.append(dd_max)
finals.append(capital - 1)
if dd_max >= seuil_dd:
ruines += 1
dds.sort(); finals.sort()
pct = lambda xs, q: xs[int(q * (len(xs) - 1))]
print(f"Drawdown max : médiane {pct(dds, .5):.1%}, 95e percentile {pct(dds, .95):.1%}")
print(f"Rendement final : 5e percentile {pct(finals, .05):.1%}, médiane {pct(finals, .5):.1%}")
print(f"Probabilité d'un drawdown >= {seuil_dd:.0%} : {ruines / n_sim:.1%}")
# Exemple : 40 % de gains à +2 R, 60 % de pertes à -1 R, 300 trades
trades = [2.0] * 120 + [-1.0] * 180
simuler(trades)
Remplacez la liste d’exemple par les résultats réels de votre backtest, exportés depuis la liste des trades et convertis en R (résultat du trade divisé par le montant risqué à l’entrée). Pour une permutation, remplacez random.choices(trades_r, k=n) par random.sample(trades_r, n).
Interpréter les résultats
Supposons que le backtest affiche un drawdown maximal de 14 %, et que la simulation donne une médiane de 16 % et un 95e percentile de 27 %. Trois enseignements :
- Le backtest a été plutôt chanceux : le drawdown observé est inférieur à la médiane des scénarios simulés. Ce cas est fréquent, notamment après une optimisation qui a, de fait, sélectionné un ordre favorable.
- Le dimensionnement doit viser le percentile élevé : si vous ne tolérez pas plus de 20 % de drawdown, un risque de 1 % par trade est trop élevé ; il faut le réduire jusqu’à ce que le 95e percentile passe sous votre limite.
- Le seuil d’arrêt en production peut être fixé à partir de cette distribution : un drawdown réel supérieur au 95e ou 99e percentile simulé suggère que la stratégie ne se comporte plus comme dans le backtest.
La simulation fournit aussi une estimation du risque de ruine, au sens de la probabilité d’atteindre un drawdown jugé inacceptable. La page Calculateur de risque de ruine propose une estimation analytique de la même idée.
Ce que Monte-Carlo révèle sur les stratégies à risque caché
Les stratégies dont les pertes sont rares mais extrêmes, comme les martingales ou les grilles sans stop global, voient leurs défauts apparaître immédiatement en simulation : il suffit que le tirage regroupe deux ou trois grosses pertes pour que le drawdown simulé explose. Une simulation qui affiche un écart considérable entre la médiane et le 95e percentile du drawdown signale une forte dépendance à quelques trades.
Attention toutefois : si le backtest ne contient aucune perte extrême, parce que l’historique ne contenait pas le scénario défavorable, le rééchantillonnage ne pourra pas l’inventer. Monte-Carlo ne crée pas d’information absente des données.
Les limites de la méthode
L’hypothèse d’indépendance. Le rééchantillonnage trade par trade suppose que les résultats sont indépendants les uns des autres. Or les pertes ont souvent tendance à se regrouper lors des changements de régime de marché. Une variante, le bootstrap par blocs, tire des séquences de trades consécutifs plutôt que des trades isolés, ce qui conserve une partie de cette dépendance.
La stationnarité. La simulation suppose que la distribution des trades reste la même dans le futur. Si l’avantage de la stratégie disparaît, aucune simulation fondée sur le passé ne l’anticipe.
La qualité des données d’entrée. Une simulation construite sur un backtest sur-optimisé, sans coûts réalistes, produit des intervalles de confiance précis autour d’un résultat faux. Utilisez de préférence les trades de la période hors échantillon, comme le recommande la page sur la sur-optimisation.
Le nombre de trades. Avec 40 trades, la simulation reflète surtout le hasard de ces 40 résultats. Elle reste utile pour montrer l’étendue de l’incertitude, mais pas pour la réduire.
Monte-Carlo et taille de position
La simulation permet de comparer plusieurs niveaux de risque par trade avec les mêmes données : relancez-la avec 0,5 %, 1 % et 2 % de risque, et observez l’évolution du 95e percentile du drawdown. Vous obtenez ainsi un lien direct entre votre règle de dimensionnement et le pire scénario raisonnable, ce qui est bien plus parlant qu’une seule valeur de drawdown historique.
Autres variantes utiles
- Dégradation des résultats : retrancher un coût supplémentaire à chaque trade, ou retirer aléatoirement une partie des meilleurs trades, pour tester la sensibilité de la stratégie.
- Perturbation des paramètres : relancer le backtest avec des paramètres légèrement modifiés et observer la dispersion des résultats ; c’est un test de robustesse plutôt qu’une simulation de trades.
- Saut de trades : supprimer au hasard 5 à 10 % des trades pour simuler des signaux manqués (déconnexion, requote).
FAQ
Combien de simulations faut-il lancer ?
Quelques milliers suffisent en général pour stabiliser la médiane et le 95e percentile. Pour estimer des percentiles extrêmes, comme le 99e, augmentez le nombre de simulations et vérifiez que les résultats changent peu entre deux lancements avec des graines différentes.
Faut-il utiliser la permutation ou le bootstrap ?
La permutation isole l’effet de l’ordre des trades ; le bootstrap intègre en plus l’incertitude sur l’échantillon. Pour dimensionner le risque, le bootstrap est généralement plus prudent. Lancer les deux et comparer est une bonne pratique.
Les plateformes de trading proposent-elles la simulation de Monte-Carlo ?
Certaines plateformes et logiciels d’analyse l’intègrent, avec des méthodes variables. Le plus fiable reste d’exporter la liste des trades et de lancer votre propre simulation, dont vous maîtrisez les hypothèses.
