PPTFPourcentage de passage d'un challenge
Le pourcentage de passage d'un challenge ne peut pas être connu — il peut être calculé pour votre statistique. Le modèle simule la phase quatre mille fois et montre ce qui gêne le plus souvent : la limite journalière, la maximale ou le manque de trades.
Calcul
La médiane des trades jusqu'à l'objectif est de —. Quatre mille simulations pour chaque jeu de données d'entrée, générateur de nombres aléatoires à graine fixe : avec les mêmes paramètres le résultat est toujours identique ; sinon deux variantes ne pourraient pas être comparées. C'est un modèle, non un pronostic ; les hypothèses sont nommées ci-dessous.
Combien de gens passent réellement le challenge
Il n'y a pas de statistique publique confirmée par les firmes elles-mêmes. Les agrégateurs du secteur prop publient des estimations : le passage d'un challenge est de 5–10 %, plus élevé chez les programmes sur futures à une phase ; au moins un paiement est reçu par environ la moitié de ceux qui parviennent à un compte funded. Ce sont des sites commerciaux et non une source primaire, aussi les chiffres méritent d'être tenus pour un ordre de grandeur et non pour un fait.
Le calcul personnel est plus utile que la moyenne d'autrui pour une raison : la moyenne inclut aussi ceux qui tradaient avec un volume où la limite journalière était dépassée au troisième stop. Votre probabilité dépend de vos chiffres, et elle se voit aussitôt — il suffit de bouger le curseur du risque et de regarder comment change la répartition des issues.
Ce que montre la répartition des issues
- L'échec par la limite journalière prédomine
- Le volume est trop grand : une série de stops ordinaires ferme la journée. Cela se soigne en réduisant le risque par trade, non par la précision des entrées.
- L'échec par la limite maximale prédomine
- Le volume est modéré, mais l'avantage manque : le compte glisse lentement. Réduire le risque ici ne fera qu'étirer le glissement.
- Beaucoup de « trades manquants »
- Le risque est trop petit pour cet objectif. La probabilité d'échec est basse, mais vous n'atteignez pas l'objectif non plus — la phase bute sur la limite de trades ou sur le délai.
Pourquoi le modèle donne plus que les estimations des agrégateurs
Avec les données d'entrée par défaut, le modèle montre environ 43 % de passage, alors que les agrégateurs donnent 5–10 %. Ce n'est pas une contradiction : les chiffres répondent à des questions différentes. Le modèle calcule ce qui arrivera si vos winrate et R moyen sont réellement ceux-là et restent tels toute la distance. L'agrégat compte tous ceux qui ont acheté un challenge — y compris ceux qui n'ont aucun avantage et ceux qui ont pris le double du volume admissible.
On peut le vérifier ici même : mettez un risque de 2,5 % au lieu de 1,5 % — le passage tombe presque de moitié avec ce même winrate et ce même R. L'avantage n'a pas changé, seul le volume a changé. C'est de cela que se compose principalement l'écart entre le chiffre du modèle et la moyenne du marché.
Le non évident : le nombre de trades par jour décide de la limite qui vous arrêtera
- Peu de trades par jour
- Avec trois trades la limite journalière se déclenche à peine : les pertes n'ont pas le temps de s'accumuler dans une même journée, et l'échec arrive par la limite maximale, par un glissement lent.
- Beaucoup de trades par jour
- Avec cinq et plus le tableau s'inverse : la limite journalière devient la cause principale de l'échec, parce qu'une série de trois ou quatre stops tient dans une seule journée.
- Que faire avec cela
- C'est un curseur et non une constante : mettez votre nombre réel de trades. Une même stratégie avec la même statistique passe le challenge différemment selon la façon dont les trades sont répartis par jours.
Hypothèses du modèle
Le calcul est honnête exactement dans la mesure où ses hypothèses sont justes. Elles sont simples, et les quatre surestiment la probabilité par rapport à la réalité — le chiffre obtenu mérite donc d'être tenu pour une borne supérieure.
| Hypothèse | Comment c'est dans la vie |
|---|---|
| Tous les trades sont indépendants | Les séries se regroupent : le marché change de régime et les pertes arrivent par paquets |
| Le R est identique pour tous les trades | Le R réel est dispersé, et la queue des grosses pertes est plus épaisse que dans le modèle |
| Le winrate est constant | Il change avec le régime du marché et avec votre propre état |
| Il n'y a ni slippage ni gaps | Le stop s'exécute moins bien que le prix lors des actualités et des ouvertures |
C'est pourquoi le modèle ne répond pas à la question « vais-je passer ». Il répond à une autre, plus utile : laquelle des limites vous arrêtera en premier — et quoi changer pour que cela cesse d'être la cause principale de l'échec.
Comment cela se calcule
Ce problème n'a pas de formule analytique : l'issue dépend de l'ordre des trades et non seulement de leur composition. C'est pourquoi le calcul se fait par énumération — quatre mille tentatives simulées où les trades se suivent jusqu'à ce que survienne l'une des quatre issues.
| Étape du modèle | Ce qui se passe | Dans l'exemple |
|---|---|---|
| Un trade | avec la probabilité du winrate, un profit de R risques ; sinon une perte d'un risque | 42 % à +1,5R, 58 % à −1R |
| Une journée | le nombre fixé de trades d'affilée, le négatif journalier s'accumule dans la journée | 5 trades par jour |
| Issue de la tentative | objectif de la phase, limite journalière, limite maximale ou fin de la limite de trades | 10 % · 5 % · 10 % · 200 trades |
| Résultat | part des tentatives terminées par chacune des issues | 43,1 % passent |
L'espérance d'un trade se calcule à part et s'affiche dans le verdict : winrate × R − (1 − winrate). Avec un winrate de 42 % et un R moyen de 1,5 cela fait +0,05 risque par trade — l'avantage existe, mais il est mince, et c'est justement pourquoi l'issue dépend autant des limites.
Pourquoi le résultat ne change pas au rechargement. Le générateur de nombres aléatoires est déterministe : les mêmes données d'entrée donnent le même chiffre. C'est fait à dessein — sinon deux personnes avec les mêmes chiffres obtiendraient des résultats différents et ne pourraient pas les comparer.
Comment lire le résultat
Le nombre absolu de pour cent est ici moins utile que la répartition des causes d'échec : c'est elle qui montre ce qu'il faut changer. Regardez laquelle des trois issues d'échec est la plus fréquente.
Il est utile de vérifier aussi l'inverse : mettez un risque de 0,5 % et regardez comment la probabilité de passer tombe non à cause des limites, mais par épuisement des trades. Un optimum de volume existe, et il n'est pas au bord de la plage — c'est la conclusion la moins évidente du modèle.
Questions fréquentes
Pourquoi le résultat ne change-t-il pas avec les mêmes données d'entrée ?
Le générateur de nombres aléatoires fonctionne avec une graine fixe. C'est fait à dessein : avec un hasard « véritable » le chiffre flotterait à chaque mouvement du curseur, et comparer deux jeux de paramètres serait impossible.
Quels winrate et R mettre s'il n'y a pas de statistique ?
Aucun. Des chiffres mis « à l'œil » donnent une réponse à laquelle on ne peut pas faire confiance — et elle a l'air tout aussi convaincante qu'une vraie. D'abord deux cents trades de votre historique, ensuite le modèle.
Pourquoi réduire le risque n'augmente-t-il pas toujours la probabilité ?
Parce que cela agit dans deux sens : l'échec par limite devient plus rare, mais vous atteignez l'objectif de la phase plus lentement et butez plus souvent sur la limite de trades. Sur le graphique cela se voit comme un transfert de « limite journalière » vers « trades manquants ». L'optimum n'est généralement pas au bord.
Le modèle tient-il compte des jours de trading minimaux ?
Non, pour cela il y a le plan par jours : là les jours minimaux et la consistency rule fixent la durée de la phase. Ici se calcule la probabilité d'atteindre l'objectif sans enfreindre les limites de drawdown.
Qu'est-ce que le R moyen et comment le calculer ?
C'est le rapport du trade gagnant moyen à la perte moyenne, exprimé en unités de risque. Vous additionnez tous les gains, les divisez par leur nombre, faites de même pour les pertes, et divisez le premier par le second. R = 1,5 signifie que le plus moyen est une fois et demie supérieur au moins moyen.
Pourquoi quatre mille simulations et pas plus ?
Parce qu'au-delà le chiffre cesse de changer au-delà d'un dixième de pour cent, et le calcul doit se faire instantanément au mouvement du curseur. Plus de simulations donneraient le même chiffre et un retard sensible.
Combien de trades faut-il dans l'historique pour pouvoir croire le modèle ?
De l'ordre de deux cents au minimum. Sur un échantillon plus petit le winrate et le R moyen sont estimés trop grossièrement : un décalage de cinq points de pourcentage change la probabilité de passer plusieurs fois.
Pourquoi le modèle ne tient-il pas compte des séries d'affilée ?
Parce qu'il considère les trades indépendants, alors que dans la vie ils se regroupent : le marché change de régime et les pertes arrivent par paquets. C'est l'une des quatre hypothèses, et toutes surestiment la probabilité. Le chiffre obtenu est une borne supérieure, non une estimation.
Peut-on comparer deux firmes avec ce modèle ?
Oui, et c'est son usage principal. Mettez votre statistique et les limites de la première firme, notez la répartition des issues, puis les limites de la seconde. La graine est fixe, aussi la différence des chiffres viendra des conditions et non du hasard.
Qu'est-ce qui importe le plus pour passer : le winrate ou le R ?
Leur produit. Un winrate de 40 % avec R = 2 donne une espérance positive, alors qu'un winrate de 55 % avec R = 0,8 la donne négative. C'est pourquoi comparer des stratégies par le seul winrate n'a pas de sens.
Lire la suite
