Simulation de Monte-Carlo : Méthode Essentielle pour Modéliser Risques et Incertitudes

Qu'est-ce qu'une simulation de Monte-Carlo ?

Les simulations de Monte-Carlo sont des outils puissants pour modéliser la probabilité de divers résultats dans des processus impactés par des variables aléatoires imprévisibles. Elles permettent d'évaluer l'impact du risque et de l'incertitude sur les modèles de prédiction et de prévision.

Cette technique s'applique dans de nombreux domaines : finance, ingénierie, chaîne d'approvisionnement, sciences et bien d'autres. Elle est aussi appelée simulation à probabilités multiples.

Points clés à retenir

• Une simulation de Monte-Carlo prédit la probabilité de résultats variés en présence de variables aléatoires.
• Elle quantifie l'effet du risque et de l'incertitude dans les prévisions.
• Utilisée en finance, ingénierie, logistique et sciences.
• Principe : attribuer de multiples valeurs à une variable incertaine, simuler les résultats et calculer leur moyenne pour une estimation fiable.
• Elle repose sur des hypothèses statistiques, sans présumer nécessairement des marchés parfaitement efficients.

Comprendre les simulations de Monte-Carlo

Face à une forte incertitude, plutôt que d'utiliser une valeur moyenne unique pour une variable, la simulation de Monte-Carlo génère de multiples scénarios pour une estimation plus robuste.

En finance et en entreprise, soumises à l'aléatoire, elles servent à évaluer les dépassements de coûts sur grands projets, l'évolution des prix d'actifs, les performances réseau en télécoms, les risques de défaut ou la valorisation d'options. Les assureurs et pétroliers les emploient aussi. Au-delà, météorologie, astronomie et physique des particules en bénéficient.

Histoire de la simulation de Monte-Carlo

Nommée d'après le casino de Monaco, évoquant le hasard comme à la roulette, cette méthode fut inventée par Stanislaw Ulam lors du projet Manhattan. Récupérant d'une opération, il analysa des parties de solitaire pour en déduire les probabilités. Avec John von Neumann, ils formalisèrent la technique.

Méthode de la simulation de Monte-Carlo

Elle repose sur la répétition d'échantillons aléatoires pour approximer des probabilités complexes. Une variable incertaine reçoit des valeurs aléatoires ; le modèle s'exécute à chaque itération. La moyenne des résultats finaux donne l'estimation.

Calcul d'une simulation de Monte-Carlo dans Excel

Pour modéliser les prix d'actifs, analysez les données historiques pour extraire dérive (mouvement directionnel) et volatilité (composante aléatoire).

Calculez les rendements quotidiens périodiques :

Rendement quotidien périodique = ln(Prix du jour / Prix du jour précédent)

Utilisez MOYENNE(), ECARTYPE.STD() et VAR.P() pour obtenir rendement moyen, écart-type et variance. La dérive est :

Dérive = Rendement quotidien moyen - (Variance / 2)

Ou fixez-la à 0 pour les courtes périodes.

Générez une valeur aléatoire :

Valeur aléatoire = σ × NORMSINV(ALEATOIRE())

où σ = écart-type (ECARTYPE.STD des rendements).

Prix du jour suivant :

Prix du jour suivant = Prix du jour × EXP(Dérive + Valeur aléatoire)

Répétez pour simuler des trajectoires. De multiples runs révèlent les probabilités.

Considérations importantes

Les résultats forment une distribution normale (courbe en cloche). Le pic central est le plus probable (50 % de chances au-dessus/au-dessous). 68 % des cas à ±1 écart-type, 95 % à ±2, 99,7 % à ±3.

Cependant, les simulations ignorent facteurs exogènes (tendances macro, gestion d'entreprise) et ne prédisent pas l'imprévu, même si rares.