Simulation de Monte-Carlo — Guide d'utilisation et référence
La simulation de Monte-Carlo rejoue votre historique de transactions dans des milliers d'ordres aléatoires. Ce guide explique son fonctionnement, chaque paramètre d'entrée et un exemple concret de lecture de la distribution.
Disclaimer: Ce guide est fourni à des fins éducatives uniquement et ne constitue pas un conseil en investissement.
Ce que fait Monte-Carlo
La simulation réordonne (ou rééchantillonne) vos transactions historiques des milliers de fois, produisant une distribution de trajectoires de capital et de drawdowns. Elle répond à une question qu'un backtest unique ne peut pas résoudre : dans quelle mesure le résultat dépendait-il de l'ordre précis dans lequel les transactions se sont produites ?
Pourquoi votre backtest n'est qu'un tirage chanceux
Toute séquence de transactions est un tirage aléatoire parmi l'ensemble des ordres possibles. Monte-Carlo cartographie la famille de trajectoires que les mêmes transactions auraient pu produire, y compris la queue où les pertes se concentrent tôt.
Comment fonctionne la simulation
À partir de votre taux de réussite, de votre gain moyen et de votre perte moyenne, le simulateur génère des milliers de séquences de transactions et de trajectoires de capital, puis résume la distribution — médiane, drawdowns dans le pire des cas et bandes de confiance.
Exemple concret : un taux de réussite de 45 %
Votre stratégie gagne 45 % avec un gain moyen de 100 $ et une perte de 60 $ sur 100 transactions. La simulation rejoue ces transactions des milliers de fois. La trajectoire médiane ressemble à votre historique, mais certains ordres malchanceux concentrent les pertes tôt et produisent des drawdowns bien plus profonds. Si de nombreuses trajectoires simulées perdent lourdement, le résultat historique était peut-être chanceux.
Comment utiliser le calculateur
Saisissez le résumé de vos transactions et lancez des milliers de simulations. Lisez la distribution et concentrez-vous sur la queue — les 5 % de drawdowns simulés les plus défavorables constituent le chiffre sur lequel dimensionner votre risque.
Erreurs courantes
L'erreur la plus fréquente est de considérer le résultat historique comme le seul résultat possible. Une autre consiste à croire que davantage de simulations corrigent des données d'entrée erronées. Et interpréter Monte-Carlo comme une prédiction de l'avenir passe à côté de l'essentiel.
Paramètres expliqués
| Paramètre | Ce que cela signifie |
|---|---|
| Solde initial | Le solde du compte à partir duquel la simulation commence. |
| Taux de réussite | La probabilité d'une transaction gagnante, tirée de votre historique. |
| Rapport risque-récompense | Le ratio moyen entre gain et perte. |
| Risque par transaction | La fraction du compte risquée sur chaque transaction. |
| Nombre de transactions | Le nombre de transactions échantillonnées par chaque trajectoire simulée. |
| Nombre de simulations | Le nombre de trajectoires aléatoires à générer. |
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.
Erreurs commises par 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 est adapté — et quand il ne l'est 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.
Conseils pratiques 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.
Associé et prochaines étapes
Questions fréquentes
Monte-Carlo rend-il les backtests plus fiables ?▾
Cela élargit la perspective en montrant la sensibilité à l'ordre des transactions et à la chance, mais cela utilise toujours les mêmes données historiques.
Combien de simulations faut-il exécuter ?▾
Plus il y a de simulations, plus la distribution est stable. Si les chiffres de synthèse cessent de changer à mesure que vous ajoutez des simulations, vous avez suffisamment échantillonné.
Quelle est la différence entre réordonnancement et rééchantillonnage ?▾
Le réordonnancement conserve exactement votre ensemble de transactions mais change leur ordre. Le rééchantillonnage tire des transactions avec remise.
Que faut-il regarder dans les résultats de la simulation ?▾
Concentrez-vous sur la dispersion, en particulier les drawdowns dans le pire des cas situés dans la queue.
Monte-Carlo est-il équivalent à un test hors échantillon ?▾
Non. Le test hors échantillon valide sur des données non vues ; Monte-Carlo réordonne les transactions que vous possédez déjà.
Pourquoi la queue importe-t-elle plus que la médiane ?▾
La médiane flatte toutes les stratégies. Les 5 % de drawdowns simulés les plus défavorables sont ce que vous devez être capable de survivre.
- Type
- Guide utilisateur
- Mis à jour
- 2026-09
- Source
- Contenu éducatif SoloTrade.io
Les résultats de Monte-Carlo sont des scénarios générés statistiquement, et non des prédictions de performance future.