Calcul de la capitalisation et taille des positions

Curiosité

1. Si un token existe en un milliard d’unités, pourquoi sa capitalisation peut-elle dépasser de loin ce que ses détenteurs pourraient réellement obtenir en vendant ?
2. Comment une formule à produit constant détermine-t-elle précisément combien de capital rapporte une vente lorsque les réserves sont faibles ?
3. Quelle est la différence entre la valeur affichée par une plateforme d’échange et ce que le pool peut réellement verser ?

Explorer

Partie ILes calculs de la capitalisation

1. La capitalisation multiplie le prix actuel par l’offre en circulation ; la valorisation entièrement diluée (FDV) utilise l’offre totale. Pour Bitcoin, les deux sont proches : environ 20 millions de bitcoins circulent sur un plafond de 21 millions. Sur des launchpads Solana comme pump.fun, les tokens sont lancés avec un milliard d’unités mintées immédiatement dans la bonding curve. La capitalisation affichée par ces plateformes utilise le milliard entier, même lorsque la majeure partie est encore détenue par la courbe.
2. La bonding curve repose sur des mathématiques à produit constant appliquées à des réserves virtuelles de SOL et de tokens. À mesure que les acheteurs déposent des SOL, la réserve de tokens de la courbe diminue, ce qui fait monter le prix. Ce mécanisme fournit une cotation sans fournisseurs de liquidité externes. La capitalisation sur la courbe est égale au prix spot multiplié par l’offre. Ce chiffre représente toutefois une valorisation, pas une liquidité : il suppose que toutes les unités peuvent être vendues à ce moment-là, ce qui est rarement le cas dans des pools peu profonds.
3. Dans un pool à produit constant où x · y = k, vendre Δx tokens rapporte y · Δx / (x + Δx). Cette formule met en évidence le slippage : plus la vente est importante par rapport aux réserves, plus le prix d’exécution moyen est bas. Pour un pool contenant 100 SOL et 100 millions de tokens, le prix implicite est de 1 SOL par million de tokens. Si l’offre totale est d’un milliard, la capitalisation affichée est de 1 000 SOL. Pourtant, vendre 10 millions de tokens ne rapporte que ~9,09 SOL en raison de l’impact sur le prix.
4. Vendre 100 millions de tokens dans ce même pool rapporte exactement 50 SOL avant frais, et non les 100 SOL suggérés par la valorisation théorique. Cet écart s’explique par le fait que la vente elle-même épuise la réserve de cotation, faisant baisser le prix en cours de transaction. La valeur théorique d’une grosse position peut représenter plusieurs fois ce que le pool contient réellement. Cet écart entre la FDV et la liquidité exécutable est le profil de risque caractéristique des memecoins peu liquides.
5. Le même calcul fonctionne à la hausse. L’offre étant fixe, toute variation de la capitalisation est une variation du prix, et dans un pool peu profond, de petites transactions font fortement bouger le prix. Un achat de 10 SOL dans le pool de l’exemple laisse 110 SOL et environ 90,9 millions de tokens : le prix augmente donc d’environ 21 % et la capitalisation affichée bondit de 1 000 à environ 1 210 SOL, pour un achat de 10 SOL.
6. Pour vérifier ces calculs, ouvrez un explorateur Solana et repérez le pool d’un token gradué. Comparez la réserve actuelle de SOL à la réserve de tokens pour en déduire le prix spot. Multipliez par l’offre totale pour obtenir la capitalisation. Utilisez ensuite la formule du produit constant pour calculer ce que rapporterait la vente de 1 % de l’offre totale. La différence entre le montant calculé et la valeur théorique quantifie la contrainte de liquidité propre à ce pool.

Partie IIGestion des risques et dimensionnement des positions

7. Les taux de base définissent le terrain. Les données on-chain issues de launchpads comme pump.fun montrent que la plupart des tokens lancés sur des bonding curves n’atteignent jamais un pool AMM, et que beaucoup de ceux qui y parviennent finissent eux aussi par s’éteindre. Pour chaque token qui se multiplie, bien d’autres tombent à zéro. Telle que la décrivent les traders expérimentés, la gestion des risques fait passer la survie avant la prédiction : aucune perte isolée ne doit pouvoir mettre fin à leur activité de trading.
8. Le dimensionnement des positions répond à cette asymétrie. De nombreux traders consacrent à chaque position une petite part de leur capital total, souvent décrite comme une somme qu’ils peuvent se permettre de perdre entièrement sans compromettre leur stabilité financière. Une règle empirique souvent citée consiste à ne pas risquer plus de un ou deux pour cent du capital sur un même trade ; avec un token qui peut tomber à zéro, le montant à risque correspond à la totalité de la position. Avec un tel dimensionnement, même une longue série de pertes totales laisse la majeure partie du capital intacte.
9. Les mécanismes d’exécution rendent souvent inefficaces les sorties théoriques. Sur Solana et les chaînes EVM, les memecoins s’échangent fréquemment dans des pools à faible liquidité. Un ordre de vente soudain peut faire bouger fortement le prix (slippage) ou ne pas être exécuté du tout en l’absence de contrepartie. Les stop-loss, qui reposent sur des ordres au marché déclenchés à des prix précis, peuvent s’exécuter lors d’un krach avec une perte bien plus lourde que prévu. De nombreux traders comptent le slippage et les frais comme des coûts qui rognent l’espérance de gain avant même que le prix ne bouge.
10. L’effet de levier amplifie à la fois les gains et le risque de liquidation. Une position avec un levier de dix perd cinquante pour cent de sa marge pour une baisse de prix de cinq pour cent. En mode isolé, la perte est plafonnée au collatéral alloué ; en mode croisé, l’ensemble du solde du compte sert de garantie, si bien qu’un seul trade peut liquider toutes les positions simultanément. De nombreux traders évitent l’effet de levier sur les memecoins volatils, car le seuil de perte définitive de capital est trop proche du bruit normal du marché, ce qui fait dépendre la survie de la direction du prix à court terme plutôt que d’une thèse de long terme.
11. Les biais cognitifs érodent systématiquement la discipline. La théorie des perspectives de Kahneman et Tversky (1979) a montré que les pertes pèsent plus lourd que des gains de même ampleur et que l’on prend des risques supplémentaires pour éviter une perte certaine ; l’habitude qui en résulte, conserver trop longtemps les positions perdantes, s’appelle l’effet de disposition. Le biais des coûts irrécupérables (laisser l’argent déjà dépensé dicter la décision suivante) et le FOMO, la peur de passer à côté, poussent dans le même sens. L’espérance mathématique combine la probabilité de chaque résultat avec son ampleur : 10 % de chances de multiplier sa mise par cinq et 90 % de chances de tout perdre donnent 0,1 × 4 − 0,9 × 1 = −0,5, soit une perte espérée de la moitié de la mise. Lorsqu’un trader renforce une position perdante dans l’espoir d’un rebond, il augmente souvent son exposition à contre-courant du taux de base au lieu de suivre une stratégie définie à l’avance.
12. Fixer à l’avance les conditions de sortie est une pratique courante pour retirer l’émotion de l’exécution. Cela consiste à définir des critères d’entrée ainsi que des objectifs de prix précis ou des sorties fondées sur le temps avant d’ouvrir un trade. Sur les actifs illiquides, toutefois, ces plans se heurtent à des contraintes concrètes : si la liquidité disparaît, l’ordre risque de ne pas être exécuté au prix prévu. Le compromis entre discipline stricte et réalité du marché se gère en reconnaissant que certaines pertes sont inévitables en raison de facteurs structurels comme les rug pulls ou le retrait de liquidité, qu’aucune analyse technique ne peut empêcher.

Faits clés

Exercice neuf, six, trois, un

Vérification des faits

Les dates, les chiffres et les affirmations ont été vérifiés à l’aide des sources publiées listées ci-dessous.

• H. Adams, N. Zinsmeister & D. Robinson, 'Uniswap v2 Core' (2020)
• Raydium documentation (constant-product pools)
• pump.fun documentation and FAQ
• D. Kahneman & A. Tversky, Prospect Theory: An Analysis of Decision under Risk (1979)
• On-chain launchpad statistics from Dune dashboards
• General portfolio risk literature on position sizing