Volatilité drag et rendement géométrique : ce que les moyennes ne vous disent jamais sur l'accumulation à long terme
Analyse quantitative
28 octobre 2026
by Sophie Marchand
Le volatility drag n'est pas une curiosité mathématique. C'est un mécanisme actif qui opère à chaque période et dont l'effet cumulatif sur vingt ans ou trente ans dépasse largement ce que la plupart des analyses statiques anticipent. Voici comment le décomposer.
Étape 1
Poser la définition exacte du volatility drag sans ambiguïté
Le volatility drag est la différence entre le rendement arithmétique moyen d'une série temporelle et son rendement géométrique équivalent. Cette différence est approximativement égale à la moitié de la variance de la série. Ce n'est pas une approximation grossière : sur des rendements annuels typiques, elle est suffisamment précise pour structurer une analyse comparative entre cohortes. La définition est simple, mais ses implications ne le sont pas. Dès que deux cohortes affichent des profils de volatilité différents sur la même période, leur rendement géométrique diverge même si leur rendement arithmétique moyen est identique. C'est le point de départ de toute analyse honnête des inégalités patrimoniales à long terme.
Étape 2
Mesurer l'ampleur réelle de l'écart sur des horizons prolongés
Sur une seule année, le volatility drag est presque imperceptible. Sur vingt ans, il devient un fossé. Prenez deux cohortes dont les rendements arithmétiques annuels moyens sont identiques, mais dont la volatilité annualisée diffère de dix points de pourcentage. À l'horizon de vingt ans, l'écart de patrimoine final entre ces deux cohortes peut représenter plusieurs dizaines de points de pourcentage du capital initial. Ce n'est pas une projection théorique construite pour illustrer un argument : c'est une conséquence directe et mécanique de la formule de composition. La puissance analytique de ce constat tient précisément à son caractère déterministe dans le cadre du modèle.
Étape 3
Identifier comment la dispersion intra-cohorte amplifie les inégalités finales
Au sein d'une même cohorte d'entrée, les investisseurs ne vivent pas une volatilité identique. Les différences d'allocation initiale produisent des profils de volatilité individuelle distincts, même lorsque le marché sous-jacent est commun. Ce phénomène amplifie les inégalités patrimoniales finales au-delà de ce que la seule séquence des rendements expliquerait. Un modèle multi-périodes qui traite la cohorte comme un bloc homogène sous-estime systématiquement la dispersion des résultats finaux. Pour produire une lecture fidèle des inégalités, le modèle doit intégrer la distribution des profils de volatilité individuels au sein de chaque cohorte, et non seulement la volatilité agrégée observée à l'échelle du groupe.
Étape 4
Comparer le drag entre cohortes d'horizons d'entrée différents
Une cohorte qui entre sur le marché durant une phase de forte dispersion des rendements accumule un drag plus élevé dès les premières périodes. Cet effet de départ défavorable se propage sur l'intégralité de l'horizon, car les périodes suivantes composent sur une base déjà réduite. À l'inverse, une cohorte qui bénéficie d'une phase initiale de faible volatilité construit une base de composition plus solide, qui résiste mieux aux chocs ultérieurs. La comparaison inter-cohortes selon l'horizon d'entrée est donc inseparable de l'analyse du volatility drag : les deux mécanismes interagissent et se renforcent mutuellement dans la production des inégalités patrimoniales observées à long terme.
Étape 5
Distinguer ce que le modèle explique de ce qu'il ne peut pas prédire
Le volatility drag est un outil d'explication rétrospective puissant et un outil de projection prospective limité. Il vous dit avec précision pourquoi deux cohortes historiques ont divergé. Il ne vous dit pas quelle sera la volatilité des prochaines vingt années. Cette distinction n'est pas une nuance de forme : elle détermine ce que vous pouvez affirmer honnêtement en conclusion d'une analyse. Les modèles qui présentent le drag comme un coût évitable ou comme une variable entièrement contrôlable franchissent une frontière que la rigueur analytique interdit. Vous pouvez décrire le mécanisme, quantifier son effet historique, simuler sa sensibilité à différentes hypothèses. Vous ne pouvez pas l'éradiquer ni promettre de le contourner.