Qu’est-ce que la simulation de Monte Carlo ?
La simulation de Monte Carlo est une technique informatique qui utilise un échantillonnage aléatoire répété pour modéliser la probabilité de différents résultats dans un système impliquant de l’incertitude. Nommée d’après le célèbre quartier de casinos de Monaco, la méthode a été développée à l’origine pendant le Projet Manhattan dans les années 1940. Aujourd’hui, elle est utilisée en finance, en ingénierie, en assurance et — ce qui nous intéresse — dans la gestion de portefeuille pour les positions sportifs.
L’idée fondamentale est simple : au lieu d’essayer de prédire un seul avenir pour votre portefeuille, vous simulez des milliers de futurs possibles. Chaque simulation rejoue aléatoirement votre historique de positions (ou un modèle de positions futurs) avec une variance réaliste. Le résultat n’est pas une seule ligne sur un graphique, mais un nuage de milliers de lignes, chacune représentant un chemin plausible que votre portefeuille pourrait suivre. De ce nuage, vous pouvez extraire des bandes de percentiles, des probabilités de ruine et des intervalles de confiance bien plus informatifs que toute estimation ponctuelle.
Pensez-y de cette façon : si vous avez un taux de réussite de 55 % à des rendements moyennes de 1,90, votre espérance de gain est positive. Mais l’espérance ne vous dit rien sur le voyage. Quelle profondeur vos drawdowns pourraient-ils atteindre ? Quelle est la probabilité de perdre 40 % de votre portefeuille avant de la doubler ? Monte Carlo répond à ces questions en vous permettant d’observer la distribution complète des chemins possibles, pas seulement la moyenne.
Pourquoi les projections statiques de portefeuille échouent
La plupart des investisseurs réfléchissent à leur avantage en termes d’espérance de gain : « J’ai un avantage de 3 %, donc sur 1 000 positions à 100 € chacun, je devrais gagner 3 000 €. » C’est mathématiquement correct en moyenne, mais dangereusement incomplet. L’espérance est un nombre unique — la moyenne d’une distribution. Elle ne vous dit rien sur la variance autour de cette moyenne, et c’est la variance qui tue les portefeuilles.
Un investisseur avec un véritable avantage de 3 % peut encore subir des drawdowns de 30 % ou plus sur plusieurs centaines de positions. Si ce investisseur a dimensionné ses allocations trop agressivement par rapport à son portefeuille, une série perdante parfaitement normale peut déclencher la ruine avant que l’avantage n’ait le temps de se manifester. Les projections statiques traitent l’avenir comme si le portefeuille suivrait la ligne d’espérance de manière linéaire, mais les résultats réels sont irréguliers, volatils et souvent terrifiants à court terme.
La simulation de Monte Carlo remplace cette fausse certitude par une incertitude honnête. Au lieu de dire « vous gagnerez 3 000 € », elle dit « il y a 90 % de chances que votre portefeuille soit entre 800 € et 6 200 € après 1 000 positions, avec 4 % de chances d’atteindre un drawdown de 40 %. » Cette deuxième affirmation est infiniment plus utile pour prendre des décisions réelles sur le dimensionnement des allocations.
Comment exécuter une simulation sur votre historique de positions
La procédure de base pour exécuter une simulation de Monte Carlo sur un historique de positions implique plusieurs étapes. D’abord, vous avez besoin de vos données historiques : les rendements que vous avez jouées, les résultats et vos tailles d'allocation. À partir de ces données, vous extrayez la distribution des rendements par position — pas seulement la moyenne et l’écart-type, mais idéalement la forme complète de la distribution, y compris l’épaisseur des queues.
Ensuite, vous générez un grand nombre de séquences simulées. Pour chaque simulation, vous tirez des résultats de positions aléatoires à partir de votre distribution estimée et les appliquez séquentiellement à un portefeuille de départ. En général, vous voulez au moins 1 000 simulations, bien que 10 000 donne des estimations de percentiles plus lisses. Chaque simulation produit une courbe de portefeuille dans le temps, et à partir de l’ensemble des courbes, vous pouvez calculer des statistiques à tout moment : la portefeuille médian, le 5e percentile (votre risque baissier), le 95e percentile (votre potentiel haussier) et la probabilité de ruine.
Par exemple, supposons que vous avez un historique de 500 positions avec un avantage moyen de 2,5 % et un écart-type des rendements de 1,0 par unité. Exécuter 1 000 simulations des 500 prochains positions pourrait montrer que le portefeuille médian croît de 25 unités, mais que le chemin du 5e percentile est en fait en baisse de 8 unités à un moment donné. Sans la simulation, vous auriez supposé une croissance régulière. Avec elle, vous savez vous préparer aux creux potentiels.
Vous voulez mettre ça en pratique ?
Yoseri met ces outils au service de chaque position.
Bandes de confiance et plages de percentiles expliquées
La sortie d’une simulation de Monte Carlo est généralement visualisée sous forme de graphique en éventail ou de bande de confiance. La ligne centrale représente le résultat médian (le 50e percentile), et des bandes ombrées s’étendent de part et d’autre pour montrer la plage de résultats à différents niveaux de confiance. Une configuration courante utilise des bandes aux 10e/90e percentiles (intervalle de confiance à 80 %) et aux 5e/95e percentiles (intervalle de confiance à 90 %).
Interpréter correctement ces bandes est crucial. La ligne du 5e percentile ne représente pas le pire scénario — elle représente le résultat qui est pire que 95 % des simulations. Il y a encore 5 % de chances de faire pire que cette ligne. Pour les décisions de gestion de portefeuille, le 5e percentile est souvent le chiffre le plus important : il vous dit à quoi votre portefeuille pourrait ressembler dans un scénario réalistement défavorable.
La largeur des bandes de confiance transmet également une information critique. Des bandes larges signifient une grande incertitude. Des bandes étroites signifient que le résultat est plus prévisible. En règle générale, un volume plus élevé (plus de positions) et une variance plus faible par position produisent des bandes plus étroites. C’est pourquoi les investisseurs professionnels sont obsedés par le volume : il ne s’agit pas seulement d’accumuler de l’avantage, mais de réduire l’intervalle de confiance autour de cet avantage.
Queues épaisses et persistance de régime
Une erreur courante dans la simulation de Monte Carlo est de supposer que les résultats des positions suivent une distribution normale (gaussienne). En réalité, les rendements des positions sportifs présentent des queues épaisses — les résultats extrêmes (positifs et négatifs) se produisent plus fréquemment qu’une distribution normale ne le prédit.
Le moteur de simulation d’Yoseri résout ce problème en utilisant des distributions de Student-t avec des degrés de liberté calibrés pour modéliser les queues épaisses observées dans les données réelles de positions. La distribution de Student-t a un paramètre (degrés de liberté) qui contrôle l’épaisseur des queues. Des degrés de liberté plus faibles signifient des queues plus épaisses et des résultats plus extrêmes.
De plus, Yoseri intègre la persistance de régime — l’observation empirique que les séries gagnantes et perdantes tendent à se regrouper plus que la pure aléatoirité ne le prédirait. Le moteur de simulation modélise cette autocorrélation, ce qui signifie que les drawdowns simulés sont plus profonds et plus soutenus qu’une simulation naïve à positions indépendants ne le produirait. Le résultat est une estimation plus conservatrice et réaliste du risque baissier.
Pourquoi tout investisseur sérieux devrait simuler avant d’augmenter ses allocations
Le moment le plus dangereux dans le parcours d’un investisseur est quand les choses vont bien. Après une période rentable, la tentation d’augmenter les allocations est énorme. Mais augmenter les allocations sans comprendre la gamme complète des résultats possibles est la façon dont les investisseurs rentables détruisent leurs portefeuilles. La simulation de Monte Carlo fournit le contrôle de discipline : avant de doubler votre unité d'allocation, simulez 1 000 futurs au nouveau niveau d'allocation et regardez le drawdown du 5e percentile.
La simulation vous aide également à établir des attentes réalistes. De nombreux investisseurs abandonnent trop tôt parce que leurs résultats ne correspondent pas à leur projection d’espérance de gain. Mais s’ils avaient d’abord exécuté une simulation, ils auraient vu que leurs résultats actuels sont bien dans la plage normale de variance.
Pour une exploration plus approfondie de l’impact de la variance sur la trajectoire de votre portefeuille, consultez notre guide sur la simulation de la variance dans la gestion de portefeuille. Combiner les résultats de simulation avec un dimensionnement discipliné des allocations est le fondement d’une rentabilité durable à long terme.