Vous affichez « 83 % de réussite » à l’écran. Votre client pose la question que vous saviez inévitable : « Est-ce fiable ? » Très vite, la réunion se transforme en débat sur ce chiffre, et non plus sur le plan lui-même.
La simulation de Monte Carlo pour la planification de la retraite ne rend pas de verdict. Elle prend un ensemble d’entrées de planification, les exécute sur de nombreux scénarios de marché aléatoires, puis indique à quelle fréquence le plan tient la route.
Une fourchette de probabilité est la manière la plus honnête de présenter un plan de revenu de retraite. Bien interprétée, elle vous fournit des arguments pour justifier les niveaux de dépenses, le risque lié à la séquence des rendements et le calendrier de perception du RPC ou du FERR, ce qu’une hypothèse unique ne permet pas. Ce guide explique le fonctionnement de la simulation, les entrées canadiennes qui influencent le résultat, comment interpréter les taux de réussite et les fourchettes de centiles, les limites de la méthode et comment l’utiliser lors d’un entretien avec un client.
Points clés
- La simulation de Monte Carlo soumet un plan à de nombreuses trajectoires aléatoires du marché et indique la fréquence à laquelle les dépenses s’étendent sur l’ensemble de l’horizon temporel.
- Un calculateur statique utilise une moyenne de rendement, ce qui cache le risque lié à la séquence des rendements. Les trajectoires aléatoires le mettent en évidence.
- Les entrées canadiennes telles que le moment de la perception du RPC, les minimums du FERR, les seuils de récupération de la PSV et l’ordre des retraits du CELI changent la probabilité de réussite.
- De nombreux conseillers visent une probabilité de réussite comprise entre 80 % et 95 %, car viser 100 % oblige généralement le client à dépenser bien plus petit que ce qu’il peut se permettre.
- Les fourchettes de centiles, les scénarios historiques et les limites de dépenses flexibles transforment un simple chiffre de réussite en une discussion sur la marge de manœuvre dont disposent les dépenses.
Comment fonctionne la simulation de Monte Carlo pour la planification de la retraite
La simulation de Monte Carlo soumet le plan d’un client à des centaines, voire des milliers de trajectoires aléatoires de marché et d’inflation. Chaque trajectoire génère un ordre et un niveau de rendement différents. Le moteur calcule ensuite le nombre de trajectoires permettant de financer les dépenses sur l’ensemble de l’horizon temporel. Ce pourcentage correspond à la probabilité de réussite et s’accompagne d’une fourchette de soldes finaux possibles.
Un calculateur statique adopte une approche plus simple. Il applique une moyenne de rendement unique, disons 6 %, à chaque année du plan. Les marchés n’offrent jamais des rendements aussi réguliers ; cette ligne unique cache donc à quel point les résultats réels sont inégaux. La méthode de Monte Carlo fait varier à la fois l’ordre et l’ampleur des rendements sur chaque scénario, ce qui donne lieu à une distribution des résultats. (Pour en savoir plus sur le fonctionnement et l’histoire de cette méthode, voyez « Qu’est-ce qu’une simulation de Monte Carlo et comment fonctionne-t-elle ? ».)
Pourquoi la méthode de Monte Carlo est plus performante qu’un calculateur de retraite statique
Le risque lié à la séquence des rendements explique pourquoi cette différence est importante. Une fois les retraits commencés, l’ordre des rendements a autant d’importance que leur moyenne. Le retraité qui subit de faibles rendements au début tire son revenu d’une base qui ne cesse de diminuer.
Une brève illustration permet de le montrer. Deux retraités commencent chacun avec 1 000 000 $ et retirent 45 000 $ à la fin de chaque année. Sur trois ans, tous deux enregistrent les trois mêmes rendements : une année à -15 % et deux années à +8 %. Seul l’ordre diffère. Le retraité qui subit la perte en premier termine la troisième année avec environ 845 000 $. Celui qui subit la perte en dernier se termine avec environ 867 000 $. Mêmes rendements, même moyenne, mêmes retraits, et un écart de 21 500 $ qui ne cesse de s’accumuler, car chaque retrait futur provient d’une base plus réduite.
L’effet est encore plus marqué sur toute la durée d’une retraite. Vanguard a modélisé le cas d’un retraité commençant en janvier 2000 avec 1 million de dollars et des retraits de 4 % ajustés en fonction de l’inflation. Un portefeuille composé à 100 % d’actions, qui a subi de plein fouet les pertes du début des années 2000 alors que les retraits se poursuivaient, s’est terminé à environ 0,7 million de dollars. Un portefeuille 50/50 s’est terminé à 1,2 million de dollars.
Un calculateur statique ne peut pas mettre en évidence ce risque, car il ne montre jamais qu’une seule trajectoire. La méthode de Monte-Carlo le met en évidence de par sa conception, puisque chaque trajectoire comporte son propre ordre de rendements.
La méthode de Monte-Carlo ajoute une vision plus honnête de la fourchette de résultats auxquels un retraité pourrait être confronté, y compris les scénarios défavorables qu’une simple projection linéaire ne permet pas de visualiser.
Comment réaliser une simulation de Monte-Carlo pour la retraite
Chaque simulation nécessite six entrées de base, un moteur permettant de générer aléatoirement les scénarios, et une interprétation claire des résultats. Quel que soit le logiciel utilisé, ces entrées déterminent le résultat :
- Solde initial du portefeuille : les actifs enregistrés et non enregistrés du client, combinés ou ventilés par type de compte.
- Retraits ou épargne prévus : les dépenses annuelles nécessaires, auxquelles s’ajoutent les éventuelles épargnes encore versées.
- Horizon temporel : le nombre d’années entre le départ à la retraite et la fin du plan, généralement jusqu’à 90 ou 95 ans.
- Répartition d’actifs : la répartition entre actions et titres à revenu fixe, qui détermine l’amplitude de la fourchette des résultats possibles.
- Rendement attendu : des chiffres prévisionnels, tels que les 6,3 % nominaux de FP Canada pour 2026 concernant les actions canadiennes et les 3,2 % pour les titres à revenu fixe.
- Écart-type : l’amplitude des fluctuations des rendements par rapport à la moyenne, associé à des moyennes arithmétiques calculées à partir des moyennes géométriques des normes.
Les paramètres canadiens qui changent l’analyse
Pour les clients canadiens, le revenu garanti provenant du RPC et de la PSV constitue la base du portefeuille. Le moment de sa perception et son montant influent directement sur la probabilité de réussite.
Le moment de la perception du RPC en est l’exemple le plus flagrant. Selon Service Canada, reporter la perception de 65 à 70 ans augmente la prestation de 0,7 % par mois, soit 42 % au total, tandis que commencer à 60 ans la réduit de 36 %. Une prestation garantie plus élevée réduit les retraits du portefeuille et renforce les scénarios baissiers.
La conversion en FERR (Fonds de retraite individuel) exerce une pression particulière. Les retraits minimaux obligatoires créent un revenu imposable, que le client en ait besoin ou non, et ce revenu peut atteindre les seuils de récupération de la PSV. La simulation doit modéliser ces flux de trésorerie année par année, car une hypothèse forfaitaire ne tient pas compte du chevauchement.
Les retraits du CELI ont l’effet inverse. Ils sont exonérés d’impôt et ne déclenchent pas de récupération, de sorte que l’ordre de prélèvement sur le CELI devient un levier capable d’influencer la probabilité de réussite. Déterminer le bon ordre fait partie de l’élaboration de stratégies de décumulation personnalisées plutôt que d’appliquer une règle de retrait unique à tous les clients.
À l’issue de la simulation, vous obtenez deux résultats. Le premier est une probabilité de réussite, par exemple « 87 % des scénarios ont permis de maintenir votre niveau de dépenses ». Le second est une distribution des soldes finaux, montrée sous forme de fourchettes de centiles. Certaines plateformes indiquent également une probabilité d’ajustement, c’est-à-dire la probabilité que le client doive changer ses dépenses à un moment donné, ce qui offre une analyse plus nuancée qu’un simple « réussite » ou « échec ».
Le logiciel importe moins que les hypothèses que vous lui fournissez. Les données spécifiques au Canada, telles que le calendrier du RPC et l’enchaînement des FERR, déterminent si le résultat est utile ou trompeur.
Soumettez les plans des clients à des tests de résistance face à de véritables crises de marché
Le risque lié à la séquence des rendements apparaît clairement lorsque vous comparez des scénarios historiques à des trajectoires aléatoires. Cet article explique pourquoi ces deux éléments sont importants pour les plans de décumulation canadiens.
Lire le guide sur les tests de résistance
Comment interpréter les taux de réussite et les fourchettes de percentiles
Considérez le taux de réussite comme un cadran que vous définissez avec le client. Lisez les informations qui accompagnent les fourchettes de percentiles : elles montrent ce qui pourrait bien aller, ce qui pourrait mal tourner et où les dépenses peuvent être ajustées.
Que signifie réellement un taux de réussite de 85 % ?
De nombreux conseillers expérimentés ont pour cible une probabilité de réussite comprise entre 80 % et 95 %. Cette fourchette laisse une marge de manœuvre en cas de marchés baissiers sans pour autant obliger le client à dépenser trop peu. Les grandes sociétés utilisent des fourchettes similaires. Le service de conseil de T. Rowe Price oriente ses clients vers une zone de confiance comprise entre 80 % et 95 %, et l’outil Goal Tracker de Charles Schwab considère qu’un but de revenu est « en bonne voie » lorsqu’il est atteint entre 75 % et 90 % du temps.
Viser les 100 % semble prudent. Pourtant, cela signifie que le plan doit résister même aux pires séquences de marché, ce qui nécessite généralement des dépenses bien inférieures à ce que le client peut se permettre. La certitude s’acquiert au prix d’années de sacrifices inutiles.
Une étude Morningstar de 2024 chiffrent ce compromis. Avec un taux de réussite de 90 % et des hypothèses prospectives, le taux de retrait initial durable s’élevait à 3,7 %. Une stratégie de « garde-fous », qui ajuste les dépenses en fonction de l’évolution du portefeuille, l’a porté à 5,1 %.
Prenons l’exemple d’un client hypothétique qui prend sa retraite à 65 ans avec 1,2 million de dollars. Il dépense 55 000 dollars par an avant impôts et commence à percevoir le RPC et la PSV à 65 ans. Le plan montre un taux de réussite de 85 %, et il fonctionne. Pour atteindre 95 %, il faudrait réduire les dépenses d’environ 5 000 dollars par an, travailler une année de plus ou modifier la répartition de l’actif.
La question à poser est simple : « Ce compromis en vaut-il la peine pour vous ? » La solution du client définit la cible. Vous ajustez ensemble ce chiffre, et cela cesse de ressembler à une note. Pour voir les fourchettes couramment utilisées par les conseillers et les termes à employer auprès des clients pour chacune d’elles, voyez ce qui constitue un bon taux de réussite selon la méthode de Monte Carlo.
Interprétation des fourchettes de centiles et de la fourchette inférieure
Un diagramme en éventail des centiles représente la répartition des soldes de portefeuille possibles au fil du temps. La fourchette supérieure trace les meilleurs scénarios, la fourchette inférieure les pires, et la médiane passe par le milieu. Snap Projections trace les 5e, 25e, 50e, 75e et 95e centiles ; certaines plateformes utilisent les 10e et 90e centiles comme fourchettes extrêmes.
La médiane montre ce que produit un marché normal. La bande inférieure correspond au seuil minimal : le résultat si les marchés affichent une mauvaise séquence en début de retraite. Si ce seuil minimal couvre toujours les dépenses essentielles, le plan présente une réelle résilience face aux aléas.
Cette bande inférieure fonctionne également bien comme seuil de sécurité pour les dépenses. Si le portefeuille s’en approche, cela signifie qu’il faut revoir les dépenses. Le fait de la considérer comme une invitation à la réévaluation permet de garder le dialogue serein.
Cette fourchette montre à quel point une « mauvaise » situation peut réellement être grave et si le client est en mesure de l’absorber. Un chiffre de réussite devient ainsi le point de départ d’une discussion sur les dépenses, avec des limites claires.
Limites de la simulation de Monte Carlo et solutions pratiques
La simulation de Monte Carlo présente de réelles faiblesses. Chacune d’entre elles peut être contournée de manière utile, ce qui rend les sorties plus pertinentes pour vous et vos clients.
Risque de queue et hypothèses de dépenses statiques
La simulation de Monte Carlo standard part généralement du principe que les rendements suivent une courbe en cloche normale. Cette courbe sous-estime les événements extrêmes, souvent appelés « queues épaisses ». Les krachs comme celui de 2008 ou du début de 2020 se produisent plus souvent que ne le prédit une courbe en cloche. Une solution consiste à ajouter des tests de résistance historiques qui reproduisent des crises réelles, telles que celles de 2008 à 2009 ou le krach des dot-com, en appliquant ces scénarios au plan du client.
Snap Projections propose des scénarios de Monte Carlo, aléatoires et historiques au sein de la même extension « Stress Testing ». Cela vous permet de montrer à vos clients comment leur plan résiste face à des crises actuelles, ce que les moyennes statistiques seules ne peuvent pas faire.
De nombreux modèles partent également du principe que le client retire le même montant, ajusté en fonction de l’inflation, pendant 30 ans. Or, les véritables retraités s’adaptent : ils réduisent leurs voyages en période de ralentissement économique, reportent des travaux de rénovation ou acceptent un emploi à temps partiel.
Des garde-fous de dépenses flexibles intègrent ce comportement dans la simulation. Une règle peut réduire les retraits de 10 % si le portefeuille passe en dessous d’un seuil défini, ou lier le retrait annuel à un pourcentage du solde actuel. C’est cette flexibilité qui a permis de faire passer le taux de retrait de départ de Morningstar de 3,7 % à 5,1 %.
Chaque résultat repose également sur des hypothèses concernant l’inflation, les rendements et la longévité, et chacune d’entre elles peut évoluer. Lorsqu’un client demande quel est le degré de précision de la simulation, cette dépendance constitue la réponse honnête. Considérez la simulation comme un document évolutif. Relancez-la chaque année, ou après une forte fluctuation du marché, avec des entrées actualisées. La Banque du Canada a souligné une incertitude considérable concernant les perspectives d’inflation dans son Rapport sur la politique monétaire de juillet 2025, rappelant ainsi que les hypothèses doivent faire l’objet d’une attention régulière.
Des simulateurs plus simples permettent de bien illustrer le concept. En général, ils ne peuvent pas modéliser le calendrier du RPC, les montants minimaux des FERR ou l’ordre de retrait des CELI, et la plupart ne prennent pas en compte les tests de résistance historiques. Les conseillers qui évaluent des logiciels pour leur travail avec les clients peuvent vérifier en premier lieu si ces fonctionnalités sont présentes.
Le fait de nommer ouvertement ces plafonds contribue généralement à renforcer la confiance des clients. En associant à chacune d’elles une réponse concrète, on transforme une critique en un processus de planification plus solide.
Voir comment les logiciels de planification de la retraite canadiens gèrent les entrées relatives au RPC et aux FERR
Le calendrier du RPC, les minimums des FERR et l’ordre de retrait des CELI modifient chacun la probabilité de réussite. Vérifiez si votre logiciel actuel modélise ces éléments année par année.
Découvrez les logiciels de planification de la retraite
Comment les conseillers utilisent la méthode de Monte Carlo lors des entretiens avec leurs clients
En entretien, la méthode de Monte Carlo s’avère particulièrement efficace comme cadre de discussion. Vous présentez le concept, montrez le résultat, expliquez les compromis et modélisez différents changements sous les yeux du client.
Commencez sans mentionner le nom de la méthode. Vous pourriez par exemple dire : « Nous allons soumettre votre plan à des tests de résistance en le confrontant à des centaines de scénarios de marché. Certains sont défavorables, ce qui nous permettra d’évaluer la résilience de votre revenu. »
N’utilisez pas le terme « Monte Carlo » avant que le client ne le demande ou que le premier résultat n’apparaisse à l’écran. Les clients s’attendent à cette rigueur, mais ont tout de même besoin qu’on leur explique. La planification de la retraite est le type de conseil pour lequel les Canadiens paient le plus souvent : l’enquête 2024 sur les compétences financières des Canadiens menée par l’ACFC a trouvé qu’elle arrivait en tête de la liste des types de conseils payants, avec 35 % des personnes ayant sollicité des conseils.
Lorsque le message « 83 % de réussite » s’affiche, expliquez-le en termes simples : « Dans 83 scénarios de marché sur 100, votre revenu vous permettra de tenir jusqu’à 95 ans. Dans les 17 autres, nous procéderions à un léger ajustement, et voici à quoi cela ressemble. »
Passez ensuite au diagramme en éventail et montrez la bande inférieure. « Même en cas de marché défavorable, vos dépenses essentielles sont comblées jusqu’à 88 ans. C’est sur les dépenses facultatives que nous ajusterions. »
La comparaison des scénarios est le moment où la conversation devient productive. Changez l’âge de début de perception du RPC de 65 à 70 ans, recalculez, et montrez au client la nouvelle probabilité de réussite. Ajustez ensuite les dépenses annuelles de 3 000 $ et indiquez où se situe la nouvelle bande inférieure. Dans Snap Projections, vous pouvez effectuer ces changements et relancer la simulation pendant la réunion.
Fermez par une action convenue, telle que : « Nous réexaminerons cela dans 12 mois, ou plus tôt si les marchés chutent de plus de 15 %. »
Le client repart en sachant ce qui déclencherait un changement et à quoi ressemblerait ce changement. Cela laisse peu de place à un débat pour savoir si 83 % est « suffisant ».
Transformez les fourchettes de probabilité en décisions de planification avec Snap Projections
Vous pouvez désormais présenter au client un éventail de résultats plutôt qu’un verdict unique. Cette fourchette vous fournit des arguments pour étayer vos choix en matière de dépenses et de calendrier, dans un langage que les clients acceptent.
Nous avons conçu Snap Projections pour les conseillers canadiens ; ce type d’analyse de fourchette s’appuie donc sur les entrées canadiennes dont dépendent ces décisions. Vos clients repartent de la réunion avec une étape suivante claire, et vous étayez vos recommandations concernant les dépenses, le RPC et le calendrier des FERR à l’aide de scénarios que vous pouvez ajuster et réexécuter directement en réunion.
Pour découvrir comment cela fonctionne concrètement, explorez la simulation de Monte Carlo dans Snap Projections.
Relancez des scénarios lors de votre prochaine réunion avec un client
Modifiez l’âge de début des cotisations au RPC, ajustez les dépenses annuelles, recalculez et montrez au client où se situe la nouvelle fourchette de percentiles. Les conseillers et planificateurs financiers canadiens peuvent tester cette fonctionnalité sur un plan réel grâce à un essai gratuit de 14 jours.
Commencez un essai gratuit de 14 jours
FAQ sur la simulation de Monte-Carlo pour la planification de la retraite
Comment déterminer si le taux de réussite d’un client est suffisamment élevé pour passer à l’action ?
Définissez l’objectif en fonction de la flexibilité des dépenses du client et de sa capacité à absorber les baisses de valeur. Un client disposant d’importantes dépenses facultatives ou d’autres sources de revenus peut accepter un taux de réussite plus faible. Un client dont les coûts sont principalement fixes a besoin d’un taux plus élevé. Avant de considérer un plan comme acceptable, vérifiez que le percentile inférieur comble toujours les dépenses essentielles. Décidez ensuite s’il convient de changer les dépenses, le calendrier ou la répartition.
Dois-je utiliser des scénarios randomisés ou des scénarios historiques pour le plan d’un client ?
Utilisez les deux lorsque c’est possible. Les trajectoires aléatoires illustrent la dispersion des résultats probables et conviennent au taux de réussite de référence. Les scénarios historiques reproduisent des crises réelles, telles que celle de 2008 ou l’effondrement de la bulle Internet, en appliquant le plan actuel du client, et conviennent aux tests de résistance et aux discussions sur les crises passées. Si les deux scénarios divergent considérablement, trouvez l’hypothèse à l’origine de cet écart avant de présenter l’un ou l’autre.
Comment savoir si les données utilisées pour une simulation sont défendables ?
Vérifiez que les hypothèses de rendement, de volatilité et d’inflation sont consignées par écrit et tournées vers l’avenir, et non historiques. Précisez ensuite la norme à laquelle elles se conforment, telle que les FP Canada Projection Assumption Guidelines. Assurez-vous que le modèle reflète les types de comptes actuels du client et le calendrier de versement des prestations. Changez une hypothèse à la fois pour voir laquelle influe le plus sur le taux de réussite, et consignez ces hypothèses dans le dossier du client afin de pouvoir les réexaminer lors de la revue.
Que dois-je faire lorsque le taux de réussite d’un client baisse lors d’une revue annuelle ?
Commencez par trouver ce qui a changé : les rendements du marché, les dépenses, les entrées ou les hypothèses. Une baisse due à une mauvaise séquence des rendements du marché nécessite une réponse différente de celle causée par une augmentation des dépenses, et la révision des hypothèses en exige encore une autre. Revenez ensuite aux seuils de déclenchement que vous aviez convenus précédemment, afin que tout ajustement suive une règle que le client a déjà acceptée. Si aucun seuil n’a été atteint, la baisse fait l’objet d’une mise à jour écrite plutôt que d’un changement.
Puis-je me fier à une simulation si le client a des dépenses irrégulières ou ponctuelles ?
Oui, si le modèle vous permet de saisir les dépenses par année ou par catégorie. Un retrait forfaitaire corrigé de l’inflation peut donner une image faussée du risque lié à des coûts ponctuels, à l’achat d’un logement ou à une baisse des dépenses plus tard dans la retraite. Modélisez les dépenses ponctuelles et échelonnées séparément plutôt que de les intégrer dans le retrait de base sous forme de moyenne. Si votre plateforme ne le permet pas, simulez des scénarios ajustés et précisez cette limite lorsque vous présentez les résultats.
