Méthode numérique simulant un grand nombre de scénarios aléatoires pour estimer la distribution d'une grandeur lorsque le calcul analytique est impossible.
La simulation de Monte-Carlo est une méthode numérique qui consiste à estimer la distribution d'une grandeur incertaine en générant un très grand nombre de scénarios aléatoires et en observant la répartition des résultats obtenus. Lorsque la complexité d'un problème interdit un calcul analytique exact, par exemple parce que de multiples sources d'incertitude interagissent de façon non linéaire, on simule des milliers ou des millions de tirages, chacun représentant un avenir possible, puis on en déduit des indicateurs comme la moyenne, les quantiles ou les mesures de risque extrême. Cette approche est devenue un outil central de l'actuariat moderne et de la gestion des risques, au cœur des modèles internes de solvabilité, des modèles de catastrophe et du calcul de mesures comme la value at risk. Sa puissance tient à sa flexibilité, presque tout problème probabiliste pouvant être abordé par simulation. Sa limite fondamentale est résumée par la formule selon laquelle un résultat ne vaut que ce que valent ses hypothèses, la qualité des distributions et des dépendances injectées en entrée déterminant entièrement la fiabilité des sorties. En cyber, où ces hypothèses, et notamment les structures de dépendance, sont mal connues, la simulation produit des résultats à manier avec une prudence particulière.
Pour estimer le capital nécessaire à couvrir un portefeuille, un assureur simule un million d'années possibles, chacune avec ses sinistres tirés au hasard selon les lois retenues, puis lit dans la distribution obtenue la perte que seules les pires années dépassent.
Monte-Carlo, simulation de Monte-Carlo, Monte Carlo simulation, méthode de Monte-Carlo