Trading quantLab Quant · Quant / Global

FNB à effet de levier NVIDIA (NVDL, NVDX) : Mathématiques du volatility decay et simulation Python du sell-off de -14 %

Démonstration mathématique complète en KaTeX du beta slippage / volatility decay sur NVDL et NVDX appliquée au décrochage hebdomadaire de -14 % sur NVDA, code Python propre simulant NVDA 1× vs 2× et tableau comparatif sur 3 régimes de volatilité.

Par Alain LegrandMéthodologie auditéePublié le · 10 min de lecture

Dernière révision méthodologique :

#NVDL#NVDX#FNB à effet de levier#volatility decay#beta slippage#NVIDIA#Python#finance quantitative
FNB à effet de levier NVIDIA (NVDL, NVDX) : Mathématiques du volatility decay et simulation Python du sell-off de -14 %

Recherche Quantitative · Lab Quant

Détecteur de Dérive (Drift Score)

Illustration éditoriale — TrueVerdikt

Synthèse exécutive

Points clés à retenir (TL;DR)

  • Les FNB mono-titre à levier 2× quotidien sur NVIDIA (NVDL, NVDX) répliquent deux fois la performance d'une seule séance, jamais deux fois la performance cumulée sur plusieurs semaines ou mois.
  • En temps continu, la dérive géométrique subit un frein de volatilité (volatility decay) égal à -½·L·(L - 1)·σ² par an, qui détruit mathématiquement la valeur liquidative dès que σ dépasse 50 %–60 %.
  • Lors du décrochage hebdomadaire de -14 % sur NVDA autour du 20 novembre 2026, un FNB 2× perd près de -26 % à -28 %, imposant un rebond ultérieur de +37 % juste pour revenir à l'équilibre.
  • Une simulation Python démontre qu'en régime de volatilité de crise (σ = 90 %), un FNB 2× perd plus de 55 % en un an même si le cours de NVDA termine exactement à son niveau initial.

L'engouement mondial autour de NVIDIA Corporation (NVDA) a provoqué une explosion des encours dans les fonds négociés en bourse (FNB) mono-titre à effet de levier quotidien — au premier rang desquels le GraniteShares 2x Long NVDA Daily ETF (NVDL) et le T-Rex 2X Long NVIDIA Daily Target ETF (NVDX), négociés activement par des investisseurs américains, canadiens, européens et asiatiques. Durant les phases de tendance haussière régulière, ces produits donnent l'illusion de délivrer « deux fois le rendement de NVIDIA » sans appel de marge.

Mais la semaine du 20 novembre 2026 — marquée par l'enquête comptable SEC rapportée par Reuters, le recul hebdomadaire de -13 % à -14 % sur NVDA et une envolée brutale de la volatilité réalisée — a brutalement rappelé une loi impitoyable du calcul stochastique : le rééquilibrage quotidien transforme la volatilité en une taxe composée irréversible appelée volatility decay (ou beta slippage).

Cet article établit la démonstration mathématique complète du volatility decay en temps continu, l'applique au décrochage de -14 % observé sur NVIDIA, fournit un script Python propre et reproductible comparant NVDA 1× et 2× sur plusieurs régimes de volatilité, et synthétise les écarts de performance dans une matrice à trois régimes (σ=30%\sigma = 30\%, 60%60\% et 90%90\%).

Pour auditer vos propres séries de rendements à levier (Ratio de Sharpe, asymétrie, kurtosis et risque de ruine), utilisez notre Analyseur de Backtest.


1. Démonstration mathématique du Volatility Decay (Beta Slippage)

Supposons que le cours de l'action sous-jacente StS_t (ici NVDA) suive un mouvement brownien géométrique (GBM) de dérive instantanée μ\mu et de volatilité annualisée σ\sigma :

dStSt=μ dt+σ dWt\frac{dS_t}{S_t} = \mu\, dt + \sigma\, dW_t

Par le lemme d'Itô, la dynamique logarithmique de l'actif non levier (L=1L = 1) entre $0$ et TT s'écrit :

ln⁡ ⁣(STS0)=(μ−12σ2)T+σWT\ln\!\left(\frac{S_T}{S_0}\right) = \left(\mu - \frac{1}{2}\sigma^2\right)T + \sigma W_T

Considérons maintenant un FNB à effet de levier quotidien constant LL (pour NVDL et NVDX, L=2L = 2), supportant des frais de gestion et coûts de financement swap annualisés ff (typiquement 1,05%1{,}05\% à 1,15%1{,}15\% de RFG plus le coût implicite du taux sans risque sur la jambe financée). Sa dynamique instantanée satisfait :

dVL,tVL,t=(Lμ−f)dt+Lσ dWt\frac{dV_{L,t}}{V_{L,t}} = \left(L\mu - f\right) dt + L\sigma\, dW_t

En appliquant de nouveau le lemme d'Itô à ln⁡(VL,t)\ln(V_{L,t}), l'espérance du rendement logarithmique annualisé (taux de croissance géométrique composé) du FNB levier s'établit à :

E ⁣[1Tln⁡ ⁣(VL,TVL,0)]=Lμ−12L2σ2−f\mathbb{E}\!\left[\frac{1}{T}\ln\!\left(\frac{V_{L,T}}{V_{L,0}}\right)\right] = L\mu - \frac{1}{2}L^2\sigma^2 - f

Or, si l'on compare cette croissance composée à LL fois la croissance composée de l'action sous-jacente L(μ−12σ2)L\left(\mu - \frac{1}{2}\sigma^2\right), on fait apparaître exactement le terme de beta slippage / volatility decay :

Δgdecay(L,σ)=(Lμ−12L2σ2)−L(μ−12σ2)=−12L(L−1)σ2\Delta g_{\text{decay}}(L, \sigma) = \left(L\mu - \frac{1}{2}L^2\sigma^2\right) - L\left(\mu - \frac{1}{2}\sigma^2\right) = -\frac{1}{2}L(L - 1)\sigma^2

Et en reliant directement la valeur terminale du FNB levier VL,TV_{L,T} à celle de l'action sous-jacente STS_T (Avellaneda & Zhang, 2010), on obtient l'identité exacte en temps continu :

VL,TVL,0=(STS0)Lexp⁡ ⁣[−12L(L−1)σ2T−f T]\frac{V_{L,T}}{V_{L,0}} = \left(\frac{S_T}{S_0}\right)^L \exp\!\left[-\frac{1}{2}L(L - 1)\sigma^2 T - f\, T\right]

Conséquence immédiate pour NVDL / NVDX (L=2L = 2) : le coefficient −12L(L−1)-\frac{1}{2}L(L-1) vaut exactement −1-1. Même si l'action NVIDIA termine l'année parfaitement inchangée (ST=S0S_T = S_0), la valeur du FNB levier 2× s'érode mécaniquement selon exp⁡(−σ2T−fT)\exp(-\sigma^2 T - f T). Avec une volatilité réalisée de σ=60%\sigma = 60\% (σ2=0,36\sigma^2 = 0{,}36), le facteur de survie pur (hors frais) chute à e−0,36≈0,698e^{-0{,}36} \approx 0{,}698 — soit une perte sèche de -30,2 % sur un actif sous-jacent totalement plat !

Façade du Chicago Board of Trade illustrant la mécanique des produits dérivés et du rééquilibrage quotidien des FNB à effet de levier 2x
La mécanique des swaps quotidiens oblige les FNB à levier 2× (NVDL, NVDX) à réajuster leur exposition chaque soir, amplifiant le beta slippage dès que la volatilité de NVDA dépasse 50 %. Photo : Ken Lund — Wikimedia Commons (CC BY-SA 2.0).

2. Application au sell-off de -14 % sur NVDA (Novembre 2026)

Au-delà de l'érosion continue, les FNB à levier quotidien subissent une asymétrie mathématique de récupération particulièrement violente lors des semaines de panique comme celle du 20 novembre 2026 :

  • Si NVDA recule de −14%-14\% sur cinq séances en régime de forte volatilité intrajournalière, un FNB 2× perd approximativement −26%-26\% à −28%-28\%.
  • Pour qu'un détenteur d'actions ordinaires NVDA efface sa perte de −14%-14\%, le titre doit rebondir de :
Rreq, 1x=11−0,14−1=+16,28%R_{\text{req, 1x}} = \frac{1}{1 - 0{,}14} - 1 = +16{,}28\%
  • Pour un détenteur de NVDL / NVDX ayant subi −27%-27\%, le gain requis sur le FNB grimpe à +36,99%+36{,}99\%. Si ce rebond s'effectue au milieu de séances en dents de scie (whipsaws de +5%+5\% puis −4%-4\%), le rééquilibrage quotidien oblige le gestionnaire du FNB à acheter des swaps après chaque séance haussière et à en vendre après chaque séance baissière, verrouillant mécaniquement le volatility decay.
Infographie quantitative du volatility decay sur les FNB levier 2x NVIDIA (NVDL, NVDX) selon trois régimes de volatilité annualisée (30 %, 60 % et 90 %)
Démonstration visuelle du beta slippage (-½·L(L-1)·σ²) sur NVDL et NVDX sur un horizon d'un an avec un sous-jacent NVDA plat, et asymétrie de récupération après le choc hebdomadaire de -14 %. Sources : Avellaneda & Zhang (2010), SEC Investor Bulletin et simulations TrueVerdikt.

3. Simulation Python reproductible : NVDA 1× vs FNB 2× sur 3 régimes de volatilité

Le script Python ci-dessous simule numériquement l'écart entre l'action NVDA (1×) et un FNB levier quotidien 2× (intégrant un RFG de 1,15 %/an) sur un horizon d'un an (252 séances) sous trois régimes de volatilité (σ=30%\sigma = 30\%, 60%60\% et 90%90\%), ainsi qu'un scénario déterministe de choc hebdomadaire de -14 % suivi d'un retour au prix initial.

python
import numpy as np
import pandas as pd

def simulate_leveraged_etf(
    daily_returns: np.ndarray,
    leverage: float = 2.0,
    annual_fee: float = 0.0115,
) -> tuple[np.ndarray, np.ndarray]:
    """Compare la trajectoire composée d'un actif 1x et d'un FNB levier quotidien Lx."""
    daily_fee = annual_fee / 252.0
    lev_daily = leverage * daily_returns - daily_fee
    # Protection contre une valeur liquidative négative en cas de choc extrême
    lev_daily = np.maximum(lev_daily, -0.9999)
    equity_1x = np.cumprod(1.0 + daily_returns)
    equity_lx = np.cumprod(1.0 + lev_daily)
    return equity_1x, equity_lx

def run_volatility_regime_study(seed: int = 42, n_paths: int = 5000) -> pd.DataFrame:
    """Évalue le volatility decay médian sur 1 an (252 j) pour un sous-jacent plat (E[log S_T/S_0] = 0)."""
    rng = np.random.default_rng(seed)
    rows = []
    dt = 1.0 / 252.0

    for sigma in (0.30, 0.60, 0.90):
        # Dérive mu = 0.5 * sigma^2 afin que la médiane de S_T/S_0 soit exactement 1.0 (0 % de gain)
        mu = 0.5 * (sigma ** 2)
        shocks = rng.normal(loc=(mu - 0.5 * sigma ** 2) * dt, scale=sigma * np.sqrt(dt), size=(n_paths, 252))
        daily_ret = np.exp(shocks) - 1.0

        end_1x = np.prod(1.0 + daily_ret, axis=1) - 1.0
        end_2x = np.prod(1.0 + np.maximum(2.0 * daily_ret - 0.0115 / 252.0, -0.9999), axis=1) - 1.0
        theoretical_2x = np.exp(-(sigma ** 2) - 0.0115) - 1.0

        rows.append(
            {
                "sigma_annuelle": f"{int(sigma * 100)} %",
                "mediane_NVDA_1x": f"{np.median(end_1x) * 100:+.1f} %",
                "mediane_FNB_2x": f"{np.median(end_2x) * 100:+.1f} %",
                "theorique_2x_continu": f"{theoretical_2x * 100:+.1f} %",
            }
        )
    return pd.DataFrame(rows)

if __name__ == "__main__":
    print(run_volatility_regime_study().to_string(index=False))

Ce script met immédiatement en évidence la concordance quasi exacte entre la simulation de Monte Carlo en temps discret (252 séances) et la formule analytique exp⁡(−σ2−f)−1\exp(-\sigma^2 - f) - 1.


4. Tableau comparatif sur 3 régimes de volatilité (Horizon 1 an, NVDA plat à 0 %)

Paramètre quantitatif (Horizon T=1T = 1 an) Régime 1 : Calme (σ=30%\sigma = 30\%) Régime 2 : Historique NVDA (σ=60%\sigma = 60\%) Régime 3 : Crise / Enquête SEC (σ=90%\sigma = 90\%)
Performance médiane NVDA (1×) 0,0 % 0,0 % 0,0 %
Drag pur de volatilité (−12L(L−1)σ2-\frac{1}{2}L(L-1)\sigma^2) -9,0 % (log) -36,0 % (log) -81,0 % (log)
Performance théorique NVDL/NVDX (2×, hors RFG) -8,6 % -30,2 % -55,5 %
Performance nette estimée (avec RFG ~1,15 %) -9,7 % -31,0 % -56,0 %
Gain requis sur le FNB 2× pour revenir à l'équilibre +10,7 % +44,9 % +127,3 %
Pertinence pour un horizon > 30 séances Faible Négative (érosion rapide) Destructrice de capital

5. Règles quantitatives d'utilisation (et limites réglementaires SEC / ESMA)

Les régulateurs financiers internationaux — la SEC aux États-Unis, l'ESMA en Europe et l'OCRI au Canada — rappellent systématiquement dans leurs bulletins aux investisseurs que les FNB à levier quotidien mono-titre sont conçus exclusivement pour le trading tactique à très court terme (intrajournalier ou quelques séances) et non pour la détention buy-and-hold.

Trois constats opérationnels découlent de notre analyse :

  1. Le levier amplifie le risque de queue sans améliorer le Ratio de Sharpe : avant frais, multiplier un rendement quotidien par L=2L = 2 laisse le Ratio de Sharpe inchangé ; après frais de financement, RFG de ~1,15 % et volatility decay, le Ratio de Sharpe composé sur longue période est strictement inférieur à celui de l'action sous-jacente NVDA.
  2. Contrôler la volatilité réalisée avant toute exposition : lorsque la volatilité réalisée sur 20 jours dépasse 60 % (comme lors du choc du 20 novembre 2026), l'espérance de rendement géométrique d'un FNB 2× devient fortement négative en l'absence d'une tendance unidirectionnelle exceptionnelle.
  3. Auditer le Maximum Drawdown et le risque de ruine : avant d'intégrer le moindre produit à effet de levier dans une stratégie systématique, simulez sa distribution de rendements et son Deflated Sharpe Ratio dans notre Analyseur de Backtest.

Bureau de gestion du risque quantitatif au crépuscule illustrant la discipline stricte d
Comme le soulignent les avertissements réglementaires de la SEC et de l'ESMA, un FNB à levier quotidien reste un instrument tactique à horizon court et non un véhicule de détention passive. Illustration éditoriale — TrueVerdikt.

Sources primaires et références académiques

  1. Avellaneda, M., & Zhang, S. (2010) — "Path-Dependence of Leveraged ETF Returns", SIAM Journal on Financial Mathematics, 1(1), 586–603.
  2. U.S. Securities and Exchange Commission (SEC) — Investor Bulletin: Leveraged and Inverse ETFs: Specialized Products with Extra Risks for Buy-and-Hold Investors.
  3. GraniteShares ETF Trust & Rex Shares / Tuttle Capital — Prospectus officiels du GraniteShares 2x Long NVDA Daily ETF (NVDL) et du T-Rex 2X Long NVIDIA Daily Target ETF (NVDX) (SEC EDGAR).
  4. Bailey, D. H., & López de Prado, M. (2014) — "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality", The Journal of Portfolio Management, 40(5), 94–107.

Avertissement analytique : Les équations stochastiques et le code Python présentés dans cet article ont une vocation strictement éducative et quantitative. Les FNB à effet de levier quotidien comportent un risque élevé de perte en capital. Ce contenu ne constitue pas un conseil financier personnalisé.

Suivi Live vs Backtest

Détecteur de Dérive (Drift Score)

Détectez statistiquement si votre stratégie en production diverge de ses attentes historiques hors-échantillon.

Mesurer la dérive
AL

Auteur & Responsable Méthodologique

Alain Legrand

Fondateur & Ingénieur Financier Quantitatif · TrueVerdikt

Dernière révision méthodologique : editorial@trueverdikt.com

Ingénieur financier indépendant basé au Québec (Canada), Alain Legrand conçoit et audite les modèles déterministes de TrueVerdikt : comparaison des frais RFG Série A/F et FNB TSX, arbitrage fiscal REER/CELIAPP, actuariat hypothécaire canadien et détection statistique du surapprentissage (Deflated Sharpe Ratio & CPCV).

Sources primaires & références vérifiées