Simulação de Monte Carlo — Guia do Usuário e Referência
A simulação de Monte Carlo reproduz seu histórico de operações em milhares de ordens aleatorizadas. Este guia explica como funciona, cada entrada e um exemplo prático de leitura da distribuição.
Disclaimer: Este guia é fornecido apenas para fins educacionais e não constitui aconselhamento de investimento.
O que o Monte Carlo faz
A simulação reordena (ou reamostra) suas operações históricas milhares de vezes, produzindo uma distribuição de trajetórias de patrimônio e drawdowns. Ela responde a uma pergunta que um único backtest não consegue: quanto o resultado dependeu da ordem específica em que as operações por acaso caíram?
Por que seu backtest é apenas um sorteio afortunado
Qualquer sequência de operações é um sorteio aleatório do conjunto de ordens possíveis. O Monte Carlo mapeia a família de trajetórias que as mesmas operações poderiam ter produzido, incluindo a cauda em que as perdas se concentram no início.
Como a simulação funciona
A partir da sua taxa de acerto, ganho médio e perda média, o simulador gera milhares de sequências de operações e trajetórias de patrimônio, e então resume a distribuição — mediana, drawdowns no pior caso e faixas de confiança.
Exemplo prático: uma taxa de acerto de 45%
Sua estratégia acerta 45% com um ganho médio de $100 e uma perda de $60 ao longo de 100 operações. A simulação reproduz essas operações milhares de vezes. A trajetória mediana se parece com o seu histórico, mas algumas ordens azaradas concentram as perdas no início e produzem drawdowns muito mais profundos. Se muitas trajetórias simuladas perdem pesadamente, o resultado histórico pode ter sido sorte.
Como usar a calculadora
Insira o resumo das suas operações e execute milhares de simulações. Leia a distribuição e concentre-se na cauda — os 5% piores drawdowns simulados é o número para o qual você deve dimensionar.
Erros comuns
O erro mais comum é tratar o resultado histórico como o único desfecho possível. Outro é pensar que mais simulações corrigem entradas ruins. E ler o Monte Carlo como uma previsão do futuro erra o ponto principal.
Parâmetros explicados
| Parâmetro | O que significa |
|---|---|
| Saldo inicial | O saldo da conta a partir do qual a simulação começa. |
| Taxa de acerto | A probabilidade de uma operação vencedora, extraída do seu histórico. |
| Risco-retorno | A razão média entre ganho e perda. |
| Risco por operação | A fração da conta arriscada em cada operação. |
| Número de operações | Quantas operações cada trajetória simulada amostra. |
| Número de simulações | Quantas trajetórias aleatorizadas gerar. |
Conceitos-chave
Aleatorização
Reordenar ou reamostrar resultados históricos para gerar novos caminhos de resultados.
Distribuição de drawdown
A dispersão dos drawdowns possíveis, não apenas o observado historicamente.
Faixa de confiança
O intervalo dentro do qual a maioria dos resultados simulados se encontra.
Erros que os traders cometem
✗ Tratar o resultado histórico como o único resultado possível
✓Sua sequência de operações é um sorteio aleatório. Monte Carlo mostra a família de caminhos que as mesmas operações poderiam ter produzido.
✗ Achar que mais simulações corrigem entradas ruins
✓Milhares de execuções refinam a distribuição, mas não podem corrigir uma taxa de acerto ou payoff imprecisos. Lixo entra, lixo sai.
✗ Ler Monte Carlo como uma previsão do futuro
✓Ele mapeia a sensibilidade do passado à ordem e à sorte. Não diz nada sobre mudanças futuras no regime de mercado.
Quando esta ferramenta se encaixa — e quando não se encaixa
Use quando
- ✓Após um backtest, para ver o quão dependente o resultado é da ordem das operações.
- ✓Ao decidir se um valor de drawdown é robusto ou um acaso da sequência.
- ✓Antes de aumentar o capital, para entender a gama de caminhos plausíveis.
Evite quando
- ✗Usá-lo antes de ter uma amostra de operações significativa.
- ✗Presumir que o caminho mediano é 'o resultado esperado' e ignorar a cauda.
- ✗Tratá-lo como substituto da validação fora da amostra.
Dicas práticas que realmente ajudam
Foque na cauda, não na mediana
Os 5% piores drawdowns simulados são o número para dimensionar. A mediana favorece toda estratégia.
Compare reorganização vs reamostragem
A reorganização mantém suas operações exatas; a reamostragem com reposição testa uma premissa diferente. Execute ambas para delimitar a incerteza.
Combine com testes fora da amostra
Monte Carlo informa sobre a sorte dentro das suas operações; fora da amostra informa sobre a sorte nos dados. Eles respondem a perguntas diferentes.
Relacionado e próximos passos
Perguntas frequentes
O Monte Carlo torna os backtests mais confiáveis?▾
Ele amplia o panorama ao mostrar a sensibilidade à ordem das operações e à sorte, mas ainda usa as mesmas entradas históricas.
Quantas execuções de simulação são suficientes?▾
Mais execuções significam uma distribuição mais estável. Se os números do resumo param de mudar conforme você adiciona execuções, você já amostrou o suficiente.
Qual é a diferença entre reembaralhar e reamostrar?▾
Reembaralhar mantém o seu conjunto exato de operações, mas muda a ordem delas. Reamostrar sorteia operações com reposição.
O que devo observar na saída da simulação?▾
Concentre-se na dispersão, especialmente nos drawdowns no pior caso da cauda.
O Monte Carlo é o mesmo que teste fora da amostra?▾
Não. O teste fora da amostra valida em dados não vistos; o Monte Carlo reembaralha as operações que você já tem.
Por que a cauda importa mais do que a mediana?▾
A mediana favorece todas as estratégias. Os 5% piores drawdowns simulados é o que você precisa ser capaz de sobreviver.
- Tipo
- Guia do usuário
- Atualizado
- 2026-09
- Fonte
- Conteúdo educacional do SoloTrade.io
Os resultados de Monte Carlo são cenários gerados estatisticamente, não previsões de desempenho futuro.