Simulation de Monte Carlo [Outil gratuit]
Rejouez votre historique de trades des milliers de fois dans un ordre aléatoire pour révéler l'éventail des résultats — y compris les séries malchanceuses que votre trajectoire unique a masquées. Voyez quelle part relève de la compétence et quelle part de la chance.
Avertissement : Le trading d'instruments financiers comporte des risques et tout le contenu de cette page est fourni à des fins éducatives uniquement. Rien ici ne constitue un conseil financier ni une recommandation d'acheter ou de vendre un instrument.
Saisissez des valeurs valides.
Comment est-ce calculé ?
Simule des milliers de séquences de trades aléatoires selon le taux de réussite et le risque-rendement.
Lire le guide complet
Chaque paramètre, formule et exemple — la référence complète de cet outil.
Qu'est-ce que la simulation de Monte Carlo en trading ?
La simulation de Monte Carlo met à l'épreuve une stratégie en rejouant ses propres transactions historiques dans des milliers d'ordres aléatoires. Votre historique réel n'est qu'un chemin parmi les transactions que vous avez eu l'occasion de prendre ; les réorganiser révèle l'éventail complet des chemins que le même ensemble de transactions aurait pu produire — y compris les séries malchanceuses où les pertes se concentrent au début. Le résultat n'est pas une meilleure prédiction de l'avenir. C'est un regard honnête sur la part de votre résultat qui relève de la compétence plutôt que de la chance.
Les concepts clés
Randomisation
Réorganiser ou rééchantillonner les résultats historiques pour générer de nouveaux chemins de résultats.
Distribution des drawdowns
L'éventail des drawdowns possibles, pas seulement celui observé historiquement.
Bande de confiance
L'intervalle dans lequel se situent la plupart des résultats simulés.
Un exemple chiffré avec des nombres réels
- 1
Saisir l'historique des transactions
Votre stratégie a un taux de réussite de 45 %, un gain moyen de 100 $, une perte moyenne de 60 $, sur 100 transactions.
- 2
Lancer des milliers de réorganisations
Le simulateur rejoue ces transactions dans des milliers d'ordres différents, chacun produisant sa propre courbe de capital.
- 3
Lire la distribution
Le chemin médian ressemble à votre historique, mais certains ordres malchanceux concentrent les pertes au début et produisent des drawdowns bien plus profonds.
- 4
Juger la robustesse
Si de nombreux chemins simulés perdent lourdement, votre résultat historique a peut-être dépendu d'un ordre chanceux — la stratégie est plus fragile qu'elle n'en avait l'air.
Comment l'utiliser
Saisir l'historique des transactions
Taux de réussite, gain/perte moyen et nombre de transactions.
Lancer la simulation
Générer des milliers de chemins aléatoires.
Lire la distribution
Médiane, drawdown dans le pire des cas et intervalles de confiance.
La formule, étape par étape
Simulation
Sample N trades per run from input distribution; repeat many runs
Les statistiques de synthèse décrivent la distribution des résultats.
Les erreurs que font les traders
✗ Traiter le résultat historique comme le seul résultat possible
✓Votre séquence de transactions est un tirage aléatoire parmi d'autres. Monte Carlo montre la famille de chemins que les mêmes transactions auraient pu produire.
✗ Penser que plus de simulations corrigent de mauvaises données d'entrée
✓Des milliers d'exécutions affinent la distribution, mais elles ne peuvent pas corriger un taux de réussite ou un rapport gain/perte inexact. Des données pourries en entrée, des résultats pourris en sortie.
✗ Interpréter Monte Carlo comme une prédiction de l'avenir
✓Il cartographie la sensibilité du passé à l'ordre et à la chance. Il ne dit rien sur les futurs changements de régime de marché.
Quand cet outil convient — et quand il ne convient pas
À utiliser quand
- ✓Après un backtest, pour voir à quel point le résultat dépend de l'ordre des transactions.
- ✓Pour décider si un chiffre de drawdown est robuste ou un coup de chance lié à la séquence.
- ✓Avant d'augmenter le capital, pour comprendre l'éventail des chemins plausibles.
À éviter quand
- ✗L'utiliser avant de disposer d'un échantillon de transactions significatif.
- ✗Supposer que le chemin médian est « le résultat attendu » et ignorer la queue de distribution.
- ✗Le considérer comme un remplacement de la validation hors échantillon.
Des conseils vraiment utiles
Se concentrer sur la queue, pas sur la médiane
Les 5 % pires drawdowns simulés constituent le chiffre pour lequel dimensionner. La médiane flatte toutes les stratégies.
Comparer réorganisation et rééchantillonnage
La réorganisation conserve vos transactions exactes ; le rééchantillonnage avec remise teste une hypothèse différente. Exécutez les deux pour encadrer l'incertitude.
L'associer à des tests hors échantillon
Monte Carlo vous renseigne sur la chance au sein de vos transactions ; le hors échantillon vous renseigne sur la chance dans les données. Ils répondent à des questions différentes.
Outils liés et prochaines étapes
Questions fréquentes
Monte Carlo rend-il les backtests plus fiables ?▾
Il élargit la perspective en montrant à quel point les résultats sont sensibles à l'ordre des transactions et à la chance, mais il utilise toujours les mêmes données historiques et hypothèses.
Combien d'exécutions de simulation suffisent ?▾
Plus d'exécutions signifie une distribution plus stable, c'est pourquoi l'outil utilise par défaut des milliers d'itérations. L'essentiel est la stabilité : si les chiffres de synthèse cessent de beaucoup changer à mesure que vous ajoutez des exécutions, vous avez suffisamment échantillonné.
Quelle est la différence entre réorganisation et rééchantillonnage ?▾
La réorganisation conserve votre ensemble exact de transactions mais change leur ordre. Le rééchantillonnage tire des transactions avec remise, ce qui autorise les répétitions. Les deux cartographient « ce qui aurait pu se produire », mais avec des hypothèses différentes sur l'avenir.
Que dois-je regarder dans la sortie de la simulation ?▾
Concentrez-vous sur la dispersion, pas sur la médiane — en particulier les drawdowns dans le pire des cas, dans la queue de la distribution. Si une part significative des chemins simulés perd lourdement, le résultat historique a peut-être été chanceux.
Monte Carlo est-il identique au test hors échantillon du terrain d'entraînement ?▾
Non. Le test hors échantillon valide sur des données historiques non vues ; Monte Carlo réorganise les transactions que vous avez déjà. Les deux répondent à des questions différentes et sont plus puissants utilisés ensemble.
Prêt à valider votre première stratégie ?
Mettez la stratégie de quelqu'un d'autre — ou votre propre idée — dans les vraies données. Gratuit pour commencer, sans carte.
Aucune carte bancaire requise · 50 crédits offerts à l'inscription
Les résultats de Monte Carlo sont des scénarios générés statistiquement, et non des prédictions de performance future.
Disclaimer: The tools and content on this site are provided for educational purposes only and do not constitute investment advice. Trading and investing involve a substantial risk of loss, and past performance does not guarantee future results.