Ce sujet mérite qu'on s'y arrête sérieusement, parce que la quasi-totalité des décisions qu'un trader prend sur sa propre méthode (continuer, arrêter, modifier, augmenter la taille) repose sur une estimation statistique — le plus souvent implicite, et presque toujours fondée sur un échantillon ridiculement petit.
Ce que dit réellement la loi des grands nombres
Formulée par Jacob Bernoulli au début du XVIIIe siècle, elle énonce que la moyenne empirique d'une variable aléatoire converge vers son espérance mathématique quand le nombre de tirages tend vers l'infini. Autrement dit : plus vous répétez, plus votre résultat moyen observé se rapproche du résultat moyen théorique.
Deux précisions capitales, qui sont la source de la plupart des erreurs :
- Elle ne dit rien sur le prochain tirage. Aucune « compensation » n'est prévue. Après 10 pertes consécutives, la probabilité de gagner le 11e trade est exactement la même qu'avant. Croire le contraire, c'est l'erreur du joueur (gambler's fallacy), et c'est ce qui pousse à doubler après une série de pertes.
- La convergence se fait par dilution, pas par correction. L'écart absolu à la moyenne théorique a même tendance à grandir avec N (en racine de N) ; c'est l'écart relatif qui diminue. Le passé n'est pas effacé, il est noyé.
- Elle suppose des tirages indépendants et une loi stable dans le temps. En trading, ces deux hypothèses sont au mieux approximatives. On y revient plus bas, c'est central.
À partir de quand passe-t-on d'une « série » à un « grand nombre » ?
Il n'existe pas de seuil universel, et c'est le point le plus important de ce message. Le nombre nécessaire ne dépend pas du trading en général, il dépend du rapport entre votre avantage et votre bruit.
La formule à retenir est celle du t-statistique :
- t = (espérance par trade / écart-type par trade) × √N
- Stratégie très rentable, espérance de 0,20 R par trade avec un écart-type de 1 R : il faut environ 100 trades pour être raisonnablement sûr que ce n'est pas de la chance.
- Stratégie correcte, espérance de 0,10 R pour un écart-type de 1 R : environ 400 trades.
- Stratégie à faible avantage, espérance de 0,05 R pour un écart-type de 1 R : environ 1 600 trades.
Version encore plus parlante, en ratio de Sharpe annuel : le nombre d'années nécessaires pour distinguer une performance de zéro est d'environ (2 / Sharpe)².
- Sharpe de 2 (excellent) : 1 an de track record.
- Sharpe de 1 (très bon) : 4 ans.
- Sharpe de 0,5 (honorable, proche d'un indice actions) : 16 ans.
Des ordres de grandeur pratiques
Si l'on veut malgré tout des repères simples, pour une stratégie « normale » avec un avantage modeste :
- Moins de 30 trades : aucune information. C'est du bruit pur, quel que soit le résultat.
- 30 à 100 trades : une indication de faisabilité, permettant surtout de valider l'exécution, la discipline et l'absence d'erreur grossière — pas la rentabilité.
- 100 à 300 trades : les premiers signaux exploitables, à condition que l'avantage soit franc.
- 300 à 1 000 trades : on commence à pouvoir parler d'estimation.
- Au-delà de 1 000 trades : estimation robuste, sous réserve de stationnarité.
Le piège des distributions asymétriques
Tout ce qui précède suppose implicitement une distribution des résultats à peu près sage. Or beaucoup de stratégies ne le sont pas du tout.
Prenez le suivi de tendance, ou l'achat d'options : typiquement 30 à 40 % de trades gagnants, avec une poignée de très gros gains qui financent tout le reste. Si 5 % de vos trades produisent 100 % de votre performance, alors sur 200 trades vous n'avez en réalité que 10 observations réellement informatives. Votre taille d'échantillon effective est dix fois plus petite que votre nombre de trades.
Sur les distributions à queues épaisses, la convergence de la moyenne est extraordinairement lente — c'est le fond du propos de Taleb, et ce n'est pas une coquetterie théorique. Cela signifie concrètement que :
- Un suiveur de tendance peut passer trois ans en perte sans que sa méthode soit invalidée.
- Un vendeur d'options peut afficher 95 % de trades gagnants et une courbe superbe pendant cinq ans, tout en ayant une espérance négative. Sa vraie distribution n'a simplement pas encore été échantillonnée.
L'hypothèse de stationnarité, ou le vrai problème
Voici la tension centrale du métier. La statistique exige beaucoup de données pour conclure. Les marchés, eux, changent de régime. Le temps que vous accumuliez vos 1 000 trades, la microstructure, la volatilité, les participants et parfois la logique même de l'instrument ont évolué.
Vous poursuivez donc une cible mobile : l'échantillon dont vous avez statistiquement besoin est souvent plus long que la durée de vie de l'inefficience que vous exploitez. Il n'y a pas de solution propre à ce problème, seulement des compromis :
- Privilégier des avantages économiquement compréhensibles (prime de risque, contrainte réglementaire, comportement structurel des participants) plutôt que des régularités purement statistiques, parce qu'on peut alors raisonner sur leur persistance sans attendre la preuve chiffrée complète.
- Tester la stabilité par sous-périodes plutôt que sur l'agrégat : une stratégie qui gagne uniformément sur 2015-2019, 2020-2022 et 2023-2026 vaut bien mieux qu'une stratégie au résultat global identique mais concentré sur une seule année.
- Diversifier les instruments et les stratégies : c'est aussi une manière d'accumuler des observations en parallèle plutôt qu'en série, et donc d'accélérer artificiellement la loi des grands nombres.
Point absolument essentiel, et probablement celui qui ruine le plus de comptes : la loi des grands nombres ne vous protège que si vous êtes encore là pour l'attendre.
Une espérance positive n'a aucune valeur si votre dimensionnement vous expose à la ruine avant la convergence. C'est la distinction entre moyenne d'ensemble et moyenne temporelle (l'ergodicité, popularisée par Ole Peters) : la moyenne calculée sur 1 000 traders parallèles n'est pas la moyenne de la trajectoire d'un seul trader dans le temps, dès lors qu'une trajectoire peut s'interrompre définitivement. Un compte à zéro ne revient pas dans la statistique.
D'où deux conséquences très pratiques :
- Le risque par trade doit être calibré non pas sur le trade, mais sur la pire série plausible. Ce n'est pas la perte moyenne qui vous élimine, c'est le drawdown maximal.
- Les séries de pertes longues sont normales, pas anormales. Avec 50 % de trades gagnants sur 1 000 trades, il faut s'attendre à une série d'environ 9 ou 10 pertes consécutives. Avec 40 % de gagnants (profil suivi de tendance), la série attendue monte à 12 ou 13. Elle n'est pas un signal de dysfonctionnement : elle est une prédiction de votre modèle. Si vous ne l'avez pas anticipée, vous arrêterez votre stratégie exactement au mauvais moment.
Quand le grand nombre se retourne contre vous : le sur-apprentissage
Une observation contre-intuitive pour finir sur les backtests. On croit que multiplier les tests est prudent. C'est l'inverse.
Si vous testez 1 000 variantes de paramètres sur le même historique, vous trouverez mécaniquement des configurations superbes — par pur hasard. Sur 1 000 tests d'une stratégie sans aucun avantage réel, environ 50 passeront le seuil de significativité à 5 %. Vous choisirez évidemment la meilleure, et vous serez convaincu d'avoir trouvé quelque chose. C'est le problème des tests multiples, formalisé en finance par Bailey et López de Prado avec le Deflated Sharpe Ratio : plus vous avez essayé de configurations, plus le seuil de Sharpe à atteindre pour être crédible doit être relevé.
Quelques garde-fous utiles :
- Compter et noter honnêtement le nombre de variantes testées. Un backtest optimisé sur 200 essais n'a pas la même valeur qu'un backtest issu de trois hypothèses posées à l'avance.
- Réserver une période d'historique jamais utilisée pendant la conception, et n'y toucher qu'une seule fois, à la fin.
- Faire du Monte Carlo sur l'ordre des trades : en rééchantillonnant votre séquence de résultats, vous obtenez la distribution des courbes d'équité possibles plutôt qu'une seule trajectoire. C'est souvent une douche froide très instructive sur le drawdown que votre méthode peut produire.
- Se méfier symétriquement du biais du survivant sur les résultats affichés par d'autres : vous voyez les courbes de ceux qui ont eu de la chance, jamais celles des milliers qui ont appliqué la même méthode sans succès. La loi des grands nombres garantit qu'avec assez de participants, certains afficheront des performances spectaculaires sans le moindre talent.
- Un « grand nombre » n'est pas un chiffre absolu : c'est un rapport entre votre avantage et votre bruit. Plus votre avantage est fin, plus il vous faut de répétitions — et la relation est quadratique, pas linéaire.
- En dessous de 100 trades, vous ne mesurez rien. Vous racontez une histoire à partir de bruit.
- Les séries de pertes longues sont une prédiction de votre modèle, pas une réfutation. Calculez-les à l'avance.
- Aucune espérance positive ne compense un dimensionnement qui vous sort du jeu avant la convergence.
- La discipline n'est pas une qualité morale : c'est la condition technique pour que la loi des grands nombres puisse jouer en votre faveur. Changer de méthode tous les 20 trades revient à recommencer indéfiniment un échantillon de taille 20.