Votre backtest affichait une belle courbe. En réel, tout s'est effondré.
Vous vous demandez si c'est votre exécution, vos émotions, ou la stratégie elle-même. Vous n'avez aucun moyen de trancher. Et à chaque fois, la même question revient : est-ce que ça marchait vraiment, ou est-ce que j'ai juste eu de la chance sur cette période ?
Il existe une méthode conçue exactement pour répondre à ça. Elle s'appelle la simulation de Monte Carlo. Dans cet article, vous allez voir ce qu'elle mesure, comment elle transforme un résultat unique en un éventail de scénarios, et comment vous en servir sur vos propres trades.
Votre courbe de gains n'est qu'un scénario parmi des milliers
Quand vous regardez le résultat d'un backtest, vous voyez une seule courbe. Un seul chiffre de rendement. Un seul drawdown maximum. Et votre cerveau le prend pour la vérité.
C'est le piège.
Cette courbe n'est qu'une histoire parmi une infinité d'histoires possibles. Le marché aurait pu livrer vos trades gagnants et perdants dans un ordre légèrement différent. Quelques trades auraient pu tomber autrement. Le résultat aurait été une autre courbe, parfois bien plus laide.
Marcos López de Prado le formule sans détour dans Advances in Financial Machine Learning : l'historique que vous testez n'est qu'un seul chemin réalisé au hasard parmi tous ceux qui auraient pu se produire. Optimiser dessus, c'est ajuster votre stratégie à du bruit.
La simulation de Monte Carlo part de ce constat. Au lieu de vous fier à un seul tirage, elle en génère des milliers.
Rebattre l'ordre de vos trades : le principe
Voici le mécanisme, dans sa version la plus concrète.
Vous prenez la liste de vos trades, avec leurs gains et leurs pertes. Vous mélangez leur ordre au hasard, des milliers de fois. Chaque mélange produit une courbe de capital différente, mais construite avec exactement les mêmes trades.
Chacune de ces courbes est une histoire alternative plausible : les mêmes résultats, dans un autre ordre.
En rassemblant ces milliers de courbes, vous n'obtenez plus un chiffre, mais une distribution. Vous voyez le rendement médian, mais surtout le pire cas raisonnable : le drawdown que vous atteindrez dans 5 % des scénarios les plus durs, la profondeur de perte que votre backtest ne montrait pas.
Un point important : rebattre l'ordre de vos trades ne teste pas si votre avantage est réel. Les trades restent les mêmes. Ce que la simulation mesure ici, c'est le risque lié au chemin, la variabilité que la chance a masquée sur votre unique historique.
Ce que la simulation montre et que votre backtest cache
Votre backtest vous donne un seul drawdown maximum. Disons 18 %. Vous vous dites : je peux encaisser ça.
La simulation vous montre autre chose : dans un scénario sur vingt, ce même jeu de trades produit un drawdown de 30 % ou plus. Le chiffre que vous croyiez être le pire cas n'était qu'un cas médian.
Timothy Masters, dans Testing and Tuning Market Trading Systems, va plus loin et pointe un piège précis. Estimer un drawdown de façon naïve peut sous-estimer la probabilité d'une chute catastrophique d'un facteur allant jusqu'à environ treize. Autrement dit : sur le papier, la perte semble survivable. Dans la réalité des scénarios possibles, elle ne l'est pas.
C'est exactement là que se joue le risque de ruine. Une stratégie qui paraît solide sur une courbe peut vider un compte dans une fraction non négligeable des histoires alternatives. Le trading comporte des risques significatifs de perte en capital, et ce sont ces scénarios extrêmes, invisibles sur un backtest unique, qui font sauter les comptes.
L'autre question : votre stratégie bat-elle vraiment le hasard ?
Il existe un second usage du Monte Carlo, qui répond à une question complètement différente : mon avantage est-il réel, ou est-ce du hasard déguisé ?
Le principe repose sur une idée simple. Si votre stratégie a un vrai avantage, elle doit gagner grâce à un lien réel entre vos signaux et ce que le marché fait ensuite. Si ce lien n'existe pas, votre stratégie gagne par accident.
Le test consiste à casser ce lien exprès, pour voir ce qu'il reste.
Concrètement, vous gardez vos signaux d'achat et de vente exactement comme ils sont, mais vous mélangez au hasard l'ordre des mouvements du marché. Vous obtenez un faux marché, avec les mêmes hausses et baisses, mais dans le désordre, donc sans aucun lien avec vos signaux. Vous appliquez votre stratégie sur ce faux marché et vous notez ce qu'elle rapporte. Puis vous recommencez des milliers de fois, à chaque fois avec un nouveau mélange.
Vous obtenez ainsi des milliers de scores, tous produits par pure chance, puisque le lien signal-marché a été détruit.
Il ne reste plus qu'à comparer. Où se situe votre vrai résultat par rapport à cette foule de résultats aléatoires ? S'il est noyé au milieu, votre stratégie ne fait pas mieux que le hasard. S'il dépasse presque tous les tirages aléatoires, elle a probablement un vrai avantage.
La mesure tient en une phrase : vous comptez combien de tirages au hasard battent votre résultat, vous ajoutez un, et vous divisez par le nombre de tirages plus un. Plus ce chiffre est petit, plus il est improbable que votre performance soit un coup de chance.
Reste un dernier piège, le plus vicieux. David Aronson le démontre dans Evidence-Based Technical Analysis en testant 6 402 règles. La meilleure affiche 10,25 % par an, avec une significativité qui semble excellente. Mais si vous testez 6 402 règles, il est presque certain que l'une d'elles brille par pur hasard, exactement comme un gagnant finit toujours par sortir si assez de gens jouent. Une fois ce nombre d'essais pris en compte, la probabilité que ce soit de la chance grimpe autour de 0,82, et pas une seule règle ne survit. Un test naïf, lui, aurait couronné environ 320 règles "gagnantes" qui n'étaient que du bruit.
C'est le piège du meilleur de mille essais. Cherchez assez longtemps, et vous trouverez toujours une stratégie magnifique par accident. C'est la racine du sur-ajustement, et la raison pour laquelle tant de systèmes parfaits en backtest s'écroulent en réel.
Comment lancer une simulation sur vos propres trades
La bonne nouvelle : la démarche est accessible, même sans être statisticien. Voici les étapes :
- Rassemblez assez de trades. Une poignée ne donne rien de fiable. Comptez plusieurs centaines de trades pour que le mélange ait du sens.
- Rebattez leur ordre entre 1 000 et 5 000 fois. Au-delà, le gain de précision devient marginal.
- Lisez les percentiles, pas la moyenne. Ce qui vous intéresse, c'est le pire cas à 95 %, pas le scénario confortable.
- Confrontez le drawdown extrême à votre taille de position réelle. C'est là que vous voyez si un scénario noir vous met hors jeu.
La méthode est indifférente au marché. Elle fonctionne sur une série de scalping en Forex, sur un système swing en actions américaines, ou sur une stratégie d'indices en futures. Ce n'est pas l'instrument qui compte, c'est la distribution des résultats.
La simulation ne remplace pas le test hors échantillon
Une limite doit être claire, sinon la simulation vous donne une fausse assurance.
Rebattre vos trades ne fait que réarranger ce que vous avez déjà. Si votre stratégie était sur-ajustée au départ, vous obtenez simplement une belle distribution de résultats sur-ajustés. La simulation ne teste jamais la stratégie sur des données qu'elle n'a jamais vues.
C'est le rôle d'une autre méthode. Robert Pardo, dans The Evaluation and Optimization of Trading Strategies, défend le walk-forward : faire avancer la fenêtre d'optimisation sur l'historique réel et ne juger la stratégie que sur les segments qu'elle n'a jamais servi à régler.
Les deux approches sont complémentaires, pas concurrentes. Le walk-forward répond à "est-ce que ça tient sur de l'inconnu ?". Le Monte Carlo répond à "à quel point le chemin peut-il mal tourner ?". Un trader méthodique utilise les deux : d'abord valider sur des données jamais vues, ensuite stresser le chemin.
FAQ
La simulation de Monte Carlo peut-elle prédire mes gains futurs ?
Non. Elle ne prédit rien. Elle cartographie l'éventail des résultats plausibles d'un jeu de trades donné, pour révéler le risque que votre historique unique cachait. C'est un outil de mesure du risque, pas une boule de cristal.
Combien de trades faut-il pour une simulation fiable ?
Assez pour que rebattre l'ordre ait du sens. Quelques dizaines de trades donnent une distribution trop instable. Plusieurs centaines rendent les percentiles beaucoup plus crédibles.
Rebattre mes trades ou mélanger le marché, quelle différence ?
Rebattre vos trades mesure le risque de chemin et de drawdown d'un avantage supposé réel. Mélanger le marché (le test de permutation) répond à une autre question : votre avantage existe-t-il, ou est-ce du hasard ?
Une bonne simulation garantit-elle que ma stratégie tiendra en réel ?
Non. Elle stresse le passé, elle ne teste pas l'avenir. Seule une validation sur des données jamais vues approche cette question, et même elle ne garantit rien. Les performances passées ne préjugent pas des performances futures.
En bref
Un backtest vous donne un chiffre. La simulation de Monte Carlo vous donne la distribution derrière ce chiffre : le pire drawdown raisonnable, le risque de ruine, et la probabilité que votre avantage ne soit que de la chance. C'est le passage de l'espoir aux preuves.
Le vrai obstacle, c'est le point de départ. La plupart des traders construisent une règle rigide sur un indicateur (achat sous tel seuil, vente au-dessus) et espèrent qu'elle tienne. C'est là qu'une approche par machine learning change la question. Avec un outil comme AlgoBacktest, vous ne codez pas de règle figée : vous fournissez l'indicateur comme une donnée parmi d'autres, et un modèle apprend lui-même comment ce signal se relie aux mouvements qui suivent. Le tout sans coder, sur plusieurs marchés (Forex, actions, ETF, indices, futures), avec une validation sur des données que le modèle n'a jamais vues et des analyses de robustesse qui incluent ce type de stress. AlgoBacktest reste un outil d'analyse et de recherche, pas une promesse de gains.