La simulation Monte Carlo appliquée au trading consiste à rejouer l'historique de trades dans des milliers d'ordres aléatoires pour estimer la probabilité de ruine d'une stratégie. Contrairement au backtest classique qui ne produit qu'une seule equity curve basée sur l'ordre chronologique réel, la simulation Monte Carlo explore des centaines de milliers de séquences possibles et révèle la probabilité que votre compte tombe en dessous d'un seuil défini comme irrécupérable. C'est la différence entre savoir que votre stratégie a "bien marché par le passé" et savoir si elle peut survivre aux conditions défavorables du futur.
Qu'est-ce que le risque de ruine en trading ?
Le risque de ruine représente la probabilité que votre equity tombe définitivement en dessous d'un seuil au-delà duquel il est impossible de récupérer. Ce n'est pas la probabilité de perdre sur un trade, c'est la probabilité de ne plus pouvoir continuer à trader.
Définition et calcul de base
Le risque de ruine dépend de trois paramètres fondamentaux : le taux de gain (pourcentage de trades gagnants), le ratio moyen gain/perte (combien vous gagnez par rapport à ce que vous perdez en R-multiple), et le pourcentage de capital risqué par trade. Ces trois éléments forment la base mathématique de toute estimation du risque de ruine.
Une formule analytique simplifiée existe pour les séries de trades indépendants et identiquement distribués. Si votre taux de gain est de 50 %, votre ratio gain/perte moyen de 1.5R, et que vous risquez 2 % par trade, votre risque de ruine théorique vers un seuil de moins 50 % est approximativement de 3 à 5 %. C'est un chiffre rassurant sur le papier, mais il suppose que tous vos trades sont indépendants, ce qui n'est jamais tout à fait vrai en trading réel.
La formule analytique sous-estime systématiquement le risque de ruine parce qu'elle ignore les séquences de pertes consécutives réelles de votre backtest. C'est la raison pour laquelle la simulation Monte Carlo donne des résultats plus conservateurs et plus réalistes.
Pourquoi les tables actuarielles ne suffisent pas
Les tables de risque de ruine classiques (Ralph Vince, Van Tharp) supposent une distribution normale des rendements. Or les returns de trading présentent des queues épaisses (fat tails) : les événements extrêmes sont beaucoup plus fréquents que ce que prédit la loi normale. La simulation Monte Carlo sur vos propres trades contourne ce problème en utilisant la distribution réelle de vos résultats.
Pourquoi c'est la métrique oubliée du backtest
La grande majorité des traders qui backtestent leurs stratégies regardent le profit factor, le win rate et le drawdown maximum historique. Presque personne ne calcule le risque de ruine. Cette omission est risquée pour une raison simple : le drawdown maximum historique n'est qu'un seul scénario parmi une infinité de séquences possibles.
Selon l'Autorité européenne des marchés financiers (ESMA), entre 74 % et 89 % des comptes de trading retail perdent de l'argent sur les produits à effet de levier. Cette statistique n'est pas le résultat d'une mauvaise sélection de stratégies : c'est en grande partie le résultat d'un dimensionnement du risque qui ne tient pas compte de la variabilité statistique inhérente à toute série de trades.
Connaître le risque de ruine avant de déployer une stratégie en live est exactement ce qui sépare une approche professionnelle d'une approche amateur. Consultez notre article sur les erreurs classiques de backtesting pour comprendre les autres biais à éviter.
Comment fonctionne la simulation Monte Carlo
La simulation Monte Carlo sur une série de trades fonctionne en rejouant les résultats individuels de vos trades dans des milliers d'ordres aléatoires différents. Chaque rejeu produit une equity curve différente. Après 10 000 simulations, vous disposez d'une distribution statistique complète des résultats possibles.
Principe : rejouer 10 000 séquences de trades
Imaginons que votre backtest contient 200 trades avec leurs résultats individuels exprimés en R-multiple (1R = le risque unitaire par trade). La simulation va :
Collecter la série de R-multiples
Permuter aléatoirement
Calculer l'equity curve
Répéter 10 000 fois
La recommandation standard est d'effectuer au moins 1 000 simulations pour obtenir une distribution stable. Au-delà de 10 000, les gains marginaux en précision sont négligeables pour la plupart des stratégies de trading. Source : Wikipedia, Monte Carlo methods in finance.
Inputs nécessaires : série de R-multiples du backtest
L'input principal de la simulation est la série des R-multiples de chaque trade. Un R-multiple exprime le résultat d'un trade en multiple du risque initial : si vous risquez 100 euros sur un trade et gagnez 150 euros, c'est +1.5R. Si vous perdez vos 100 euros, c'est -1R.
Exprimer les résultats en R-multiples plutôt qu'en euros ou en pourcentages présente un avantage majeur : la simulation est indépendante de la taille de compte et du levier utilisé. Vous pouvez recalibrer le risque par trade directement dans la simulation pour comparer les scénarios de risque 1 %, 2 % ou 3 % par trade sans relancer le backtest.
Vous trouverez une explication détaillée de la construction de la série de R-multiples et de son impact sur l'expectancy dans notre article Expectancy et Profit Factor : les métriques essentielles.
Interpréter les résultats Monte Carlo
Les résultats d'une simulation Monte Carlo se lisent principalement à travers les percentiles. Le 5e percentile représente le scénario "pessimiste à 95 % de confiance" : dans 95 % des simulations, les résultats étaient meilleurs que ce scénario. Le 95e percentile représente le scénario optimiste.
Courbe d'equity au 5e percentile
La courbe au 5e percentile est la référence la plus utile pour estimer le drawdown maximum réaliste. Si votre backtest classique montre un drawdown maximum de 12 %, il n'est pas rare que la simulation Monte Carlo révèle un drawdown au 5e percentile de 22 à 28 % sur la même série de trades.
Cet écart n'est pas un signe que votre stratégie est mauvaise. C'est la variabilité naturelle inhérente à toute série aléatoire. La question à poser est : est-ce que mon compte et ma psychologie peuvent absorber un drawdown de 25 % sans que je coupe la stratégie de façon prématurée ?
Drawdown réaliste vs drawdown historique
Le drawdown maximum historique de votre backtest représente le pire scénario qui s'est effectivement produit, dans l'ordre chronologique réel. La simulation Monte Carlo révèle le pire scénario possible si les pertes avaient été concentrées en début de série. Le drawdown au 5e percentile est systématiquement 1.5x à 3x supérieur au drawdown historique : prenez ce chiffre comme votre "drawdown de conception" pour le dimensionnement du capital.
Seuil de ruine : à partir de quel pourcentage s'arrêter
Le seuil de ruine est le niveau de perte au-delà duquel vous considérez que le compte ne peut pas se récupérer. Pour les traders individuels, ce seuil est généralement fixé à 50 % du capital initial (ruine partielle) ou 100 % (ruine totale). Pour les traders de prop firm, le seuil est souvent le drawdown maximum autorisé par la firme (8 à 10 % selon les règles).
Le risque de ruine calculé par la simulation représente le pourcentage de simulations dans lesquelles l'equity a touché ou dépassé ce seuil à un moment quelconque. Un risque de ruine inférieur à 5 % est généralement considéré comme acceptable pour les traders professionnels. Au-delà de 10 %, la stratégie présente un risque de ruine structurel qui doit être corrigé.
Pour comprendre comment les règles de drawdown des prop firms s'insèrent dans ce cadre, consultez notre article sur le backtesting des stratégies prop firm.
Comparaison avant/après ajustement du risk per trade
L'une des utilisations les plus puissantes de la simulation Monte Carlo est la comparaison de scénarios de risque. En faisant varier le pourcentage risqué par trade (de 0.5 % à 3 %), vous pouvez visualiser directement l'impact sur le risque de ruine :
| Risque par trade | Drawdown max P5 | Risque de ruine (seuil 50 %) | Rendement médian annualisé |
|---|---|---|---|
| 0.5 % | 8 % | < 1 % | 12 % |
| 1 % | 15 % | 2 % | 24 % |
| 2 % | 28 % | 8 % | 45 % |
| 3 % | 40 % | 18 % | 62 % |
Ce tableau illustre le trade-off fondamental entre rendement et risque de ruine : doubler le risque par trade ne double pas le risque de ruine, il le multiplie par un facteur beaucoup plus élevé. C'est la raison pour laquelle la plupart des traders professionnels restent entre 0.5 % et 2 % de risque par trade. Consultez notre article sur le critère de Kelly et la taille de position pour approfondir ce sujet.
Monte Carlo avec Backtrex
Backtrex intègre la simulation Monte Carlo directement dans le pipeline de backtest, ce qui élimine la friction habituellement associée à cette analyse : pas besoin d'exporter les trades vers un outil externe, de configurer des paramètres dans un spreadsheet ou d'écrire du code. La simulation s'exécute immédiatement sur les résultats du backtest visuel.
Lancer une simulation sur vos résultats de backtest
Une fois votre stratégie construite via les blocs visuels et le backtest exécuté, Backtrex affiche directement les résultats de la simulation Monte Carlo dans le panneau d'analyse des performances. Le processus est le suivant :
- Construisez votre stratégie avec les blocs drag-and-drop depuis la page features.
- Lancez le backtest sur la période souhaitée (jusqu'à 10 ans de données).
- Dans l'onglet "Analyse Monte Carlo", sélectionnez le nombre de simulations (1 000 à 10 000), le seuil de ruine (par défaut 50 %), et le risque par trade.
- Backtrex affiche la distribution des equity curves, le risque de ruine calculé, et le drawdown au 5e percentile en moins de 30 secondes.
L'avantage de l'intégration native est la cohérence des données : Backtrex utilise exactement les mêmes trades et les mêmes règles anti-repainting que votre backtest. Aucune distorsion liée à l'export ou au format de données.
Règle anti-repainting Backtrex
Tous les signaux générés par Backtrex utilisent le close[1] (barre confirmée précédente) et non le close[0] (barre courante). Cette règle garantit que la simulation Monte Carlo s'exécute sur des résultats de backtest réalistes, sans le biais de repainting qui gonfle artificiellement les performances. Voir la page Anti-repainting pour les détails techniques.
Scénarios de stress : que se passe-t-il en période de drawdown ?
Une fonctionnalité avancée de la simulation Monte Carlo est le stress test sur des sous-périodes spécifiques. Plutôt que de simuler sur l'ensemble de la série historique, il est possible de restreindre la simulation aux 20 % de trades les moins performants (la "queue gauche" de la distribution) pour simuler une période de drawdown prolongée.
Ce scénario de stress révèle combien de temps il faut, dans le pire des cas, pour que la stratégie revienne à ses niveaux antérieurs. Si la simulation indique qu'une période de 30 trades consécutifs sous-performants est possible avec une probabilité de 10 %, vous pouvez prévoir ce scénario dans votre plan de trading et décider en avance du seuil auquel vous suspendrez la stratégie pour réévaluation.
Pour compléter cette analyse de robustesse, consultez notre article sur la simulation Monte Carlo en trading qui couvre les méthodes de shuffling et de bootstrap en détail, ainsi que notre guide sur l'overfitting et le surapprentissage. Découvrez également notre comparatif des plateformes de backtesting pour choisir l'outil adapté à votre flux de travail.
Important Risk Warning
FAQ
En règle générale, il faut au minimum 100 trades pour que les résultats de la simulation Monte Carlo soient statistiquement significatifs. En dessous de 30 trades, les résultats sont trop sensibles aux quelques trades extrêmes pour être exploitables. L'idéal est une série de 200 trades ou plus : au-delà, la précision de la simulation augmente lentement et les conclusions deviennent très stables. Plus la série est longue, plus la distribution du risque de ruine converge vers sa valeur théorique.
Le risque de ruine est la probabilité que le solde d'un compte atteigne un niveau de perte défini comme irrécupérable, généralement 50 % ou 100 % de la mise initiale. Ce risque dépend du taux de gain, du ratio moyen gain/perte et du pourcentage risqué par trade. Un risque de ruine inférieur à 5 % est généralement considéré comme acceptable pour un trader professionnel qui cherche à trader sur le long terme.
Non. La simulation Monte Carlo ne prédit pas les pertes futures : elle modélise la distribution des scénarios possibles en rejouant les trades historiques dans des ordres aléatoires. C'est probabiliste, pas prédictif. Elle suppose que les caractéristiques statistiques futures de votre stratégie (taux de gain, ratio gain/perte) seront similaires à celles du backtest, ce qui n'est jamais garanti. Son rôle est de quantifier le risque inhérent à votre série de trades actuelles, pas de prédire le marché.
Non, les deux méthodes sont complémentaires. La simulation Monte Carlo analyse la variabilité statistique d'une série de trades donnée : elle répond à la question "et si mes trades s'étaient produits dans un ordre différent ?". L'out-of-sample testing valide la capacité de la stratégie à généraliser sur des données non vues lors de l'optimisation. Une stratégie robuste passe les deux tests : un risque de ruine faible en Monte Carlo et des performances cohérentes en out-of-sample.
Pour les traders de prop firm (FTMO, MFF, Topstep), le seuil de ruine pertinent est le drawdown maximum autorisé par la firme, généralement entre 8 % et 12 % du capital évalué. Un risque de ruine inférieur à 5 % par rapport à ce seuil est recommandé. Si la simulation Monte Carlo révèle qu'une probabilité de 15 % existe d'atteindre le drawdown maximum de la prop firm, le risque par trade doit être réduit avant de passer la phase de challenge.
La méthode shuffle (permutation sans remise) réorganise aléatoirement l'ordre de vos trades historiques en conservant exactement les mêmes résultats. La méthode bootstrap (tirage avec remise) tire aléatoirement des trades de votre pool en autorisant les répétitions, ce qui peut générer des séquences de pertes plus longues que celles observées historiquement. Le shuffle donne une estimation conservative, le bootstrap est plus pessimiste et révélateur des scénarios de queue. Backtrex propose les deux méthodes dans son module Monte Carlo.
La variable la plus directement actionnable est le pourcentage risqué par trade. Diviser le risque par trade par deux réduit généralement le risque de ruine d'un facteur 3 à 10, selon la distribution des résultats. Augmenter le nombre de trades (en élargissant l'univers ou la fréquence) améliore aussi les propriétés statistiques de la série. Enfin, définir une règle de stop de stratégie (suspendre le trading si le drawdown dépasse X %) permet de limiter mécaniquement le risque de ruine en live. Découvrez comment configurer ces paramètres sur la page de tarification.