À qui s’adresse cette page — À quiconque souhaite observer dans quelle mesure une métrique ou un drawdown peuvent changer lorsque le parcours varie, sans prendre un nuage de simulations pour une prévision de l’avenir.
La méthode de Monte-Carlo désigne une famille de techniques qui génèrent de nombreuses réalisations à partir d’un modèle probabiliste. Le bootstrap rééchantillonne les observations disponibles afin d’approcher la distribution d’une statistique. Dans le trading, ces méthodes servent à explorer l’incertitude sur les rendements, le drawdown, l’enchaînement des pertes, les paramètres et les scénarios.
Toute simulation est conditionnée par un mécanisme générateur : distribution, dépendance, stationnarité, blocs, paramètres et coûts. Elle ne peut corriger une fuite de données, un biais de survie, la sélection opérée parmi des milliers de modèles ou des exécutions irréalistes. Elle ne peut pas davantage inventer de manière crédible un régime, une crise ou une contrainte opérationnelle absents des données d’entrée sans qu’un modèle explicite les introduise.
Des méthodes différentes pour des questions différentes
| Méthode | Ce qu’elle génère | Propriétés conservées | Risque principal |
|---|---|---|---|
| Permutation de l’ordre | réordonne les mêmes résultats | ensemble des résultats et P&L total avant capitalisation | détruit la dépendance et n’estime pas de nouveaux résultats |
| Bootstrap i.i.d. | tire des observations avec remise | distribution marginale empirique | traite les unités comme indépendantes et identiquement distribuées |
| Bootstrap par blocs | rééchantillonne des blocs contigus | une partie de la dépendance locale | résultat sensible au choix des blocs et aux conditions de stationnarité |
| Bootstrap stationnaire | utilise des blocs de longueur aléatoire | dépendance faible sous certaines hypothèses | paramètre de longueur et changements de régime |
| Monte-Carlo paramétrique | simule à partir d’une distribution ou d’un processus estimés | structure spécifiée par le modèle | risque de modèle et queues de distribution non représentées |
| Simulation de scénarios | impose des chocs ou des états cohérents sur le plan narratif | risques choisis par le concepteur | couverture incomplète et probabilités non identifiées |
« Monte-Carlo » ne signifie pas automatiquement que le modèle est paramétrique ; « bootstrap » ne signifie pas automatiquement que la dépendance est préservée. Une description rigoureuse précise l’algorithme, l’unité rééchantillonnée, la taille des blocs, le nombre de réplications, la graine aléatoire, la méthode d’estimation des paramètres et la procédure d’agrégation.
Que rééchantillonne-t-on ?
Le trade constitue souvent une unité ambiguë. Plusieurs trades peuvent dépendre du même signal ou du même épisode de marché ; des positions qui se chevauchent partagent des rendements ; les stratégies transversales produisent de nombreux trades lors d’un même rééquilibrage. Un bootstrap i.i.d. appliqué aux trades individuels les traite comme des essais indépendants et peut sous-estimer l’incertitude.
Les unités possibles comprennent :
- les rendements du portefeuille par période ;
- les vecteurs transversaux relevés au même horodatage ;
- les blocs temporels de rendements et d’états ;
- les épisodes ou campagnes de trading définis avant que leur résultat soit connu ;
- les résidus d’un modèle, en maintenant la composante systématique séparée ;
- les paramètres estimés et les innovations simulées à partir d’un processus spécifié.
Le choix doit préserver la dépendance pertinente pour la question étudiée. Lorsqu’on analyse le drawdown d’un portefeuille, rééchantillonner séparément chaque composante peut effacer les corrélations précisément au cours des épisodes critiques.
Ordre, capitalisation et drawdown
En l’absence de capitalisation et de contraintes dépendantes du parcours, réordonner les mêmes P&L ne modifie pas leur somme finale ; cela change en revanche leur séquence et donc le drawdown maximal. Avec un dimensionnement proportionnel des positions, des exigences de marge, une liquidation, un ciblage de volatilité ou des limites, l’ordre peut aussi modifier le capital final et les positions futures.
Pour chaque parcours simulé, il est possible de calculer notamment :
- le drawdown maximal et la durée de récupération ;
- le rendement cumulé ou composé ;
- la probabilité conditionnelle de franchir une limite définie ;
- le turnover et les exigences de marge ;
- la distribution du ratio de Sharpe, de l’espérance ou d’autres estimateurs ;
- la sensibilité du critère de suspension.
Le quantile obtenu n’est pas une probabilité objective de ce qui se produira. Il s’agit de la probabilité au sein du modèle simulé, compte tenu des données d’entrée et des hypothèses.
Bootstrap par blocs et dépendance
Le bootstrap par blocs tire des séquences contiguës afin de conserver une partie de l’autocorrélation, du regroupement de la volatilité et du comouvement. La longueur des blocs impose un compromis : des blocs trop courts perdent la dépendance ; des blocs trop longs réduisent le nombre d’unités qui peuvent effectivement être recombinées.
Le bootstrap stationnaire de Politis et Romano emploie des longueurs aléatoires et produit une série rééchantillonnée stationnaire dans sa conception théorique. Cette méthode exige elle aussi certaines conditions et le choix d’une longueur moyenne attendue. Si le processus change de régime de façon structurelle, considérer tous les blocs comme interchangeables peut induire en erreur.
Il est utile de comparer plusieurs spécifications justifiées, et non de rechercher celle qui produit l’intervalle le plus favorable. La sensibilité à la méthode constitue elle-même un résultat.
Simulation paramétrique et scénarios
Un modèle paramétrique peut représenter des dynamiques qu’un simple rééchantillonnage ne permet pas d’obtenir, mais il introduit des hypothèses supplémentaires. La normalité, l’indépendance, le processus de volatilité, les corrélations et les transitions de régime doivent être déclarés et diagnostiqués. Estimer les paramètres sur le même petit échantillon, puis les simuler comme s’ils étaient certains, sous-estime l’incertitude d’estimation.
Les scénarios peuvent ajouter des chocs absents ou peu fréquents : gaps, spreads élargis, corrélations défavorables, hausse des coûts d’emprunt, retards et appels de marge. Il n’est pas nécessaire de leur attribuer une probabilité précise pour les utiliser comme tests de vulnérabilité. Il serait toutefois incorrect de mélanger des scénarios déterministes et des quantiles probabilistes comme s’ils avaient la même signification.
Exemple illustratif
Une stratégie présente des rendements journaliers caractérisés par un regroupement de la volatilité. Le bootstrap i.i.d. produit un éventail étroit ; un bootstrap par blocs génère davantage de séquences de pertes concentrées et une dispersion plus large des drawdowns. Il ne s’ensuit pas que la seconde méthode soit automatiquement « vraie » : la comparaison révèle que la conclusion dépend de la dépendance temporelle.
L’analyste documente les deux spécifications, justifie la plage de longueurs des blocs et ajoute un scénario distinct comportant des coûts et des spreads plus élevés. Il ne retient pas le nombre le plus commode et ne présente aucun quantile comme une garantie.
Protocole reproductible
- Définir la question et la statistique avant la simulation.
- Identifier l’unité et la dépendance que la méthode doit préserver.
- Déclarer le modèle, les paramètres, les blocs, les réplications et la graine aléatoire.
- Inclure la capitalisation, le dimensionnement, les coûts et les contraintes lorsqu’ils modifient le parcours.
- Propager l’incertitude d’estimation lorsqu’elle est substantiellement pertinente.
- Comparer des spécifications justifiées et montrer la sensibilité des résultats.
- Séparer les quantiles probabilistes des scénarios auxquels aucune probabilité n’est attribuée.
- Conserver le code, les données d’entrée et les sorties afin d’assurer la reproductibilité.
La simulation est une lentille appliquée à l’incertitude conditionnelle. Elle est particulièrement utile lorsqu’elle rend visible ce que l’unique parcours historique dissimule, et beaucoup moins lorsqu’elle ajoute des milliers de décimales à un modèle fragile.
Références
- Bradley Efron, Bootstrap Methods: Another Look at the Jackknife — article fondateur sur le bootstrap et l’estimation par rééchantillonnage.
- Dimitris N. Politis et Joseph P. Romano, The Stationary Bootstrap — bootstrap par blocs de longueur aléatoire pour des données faiblement dépendantes et stationnaires.
- Andrew W. Lo, The Statistics of Sharpe Ratios — effet de la dépendance temporelle sur la distribution et l’annualisation du ratio de Sharpe.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — rôle de Monte-Carlo, du bootstrap et des tests de résistance dans la validation des modèles d’investissement.