Hvad er Monte Carlo-simuleringen?
En Monte Carlo-simulering er en matematisk model til beregning af sandsynligheden for et specifikt resultat ved tilfældigt at teste eller prøve en lang række scenarier og variabler. Først brugt af Stanilaw Ulam, en matematiker, der arbejdede på Manhattan-projektet under 2. verdenskrig, giver simuleringerne analytikere en mulighed for at tage vanskelige beslutninger og løse komplekse problemer, der har flere usikkerhedsområder. Opkaldt efter det casino-befolkede feriested i Monaco bruger Monte Carlo-simuleringen historiske statistiske data til at generere millioner af forskellige økonomiske resultater ved tilfældigt at indsætte komponenter i hvert løb, der kan have indflydelse på slutresultatet, som f.eks. Afkast af konti, volatilitet eller korrelationer. Når scenarierne er formuleret, beregner metoden oddsen for at nå et bestemt resultat. I modsætning til standardanalyser for finansiel planlægning, der bruger langsigtede gennemsnit og estimater af fremtidig vækst eller besparelser, kan Monte Carlo-simuleringen, der findes i software og webapplikationer, give et mere realistisk middel til at håndtere variabler og måle sandsynligheden for økonomisk risiko eller belønning.
Monte Carlo-metoder bruges ofte til personlig økonomisk planlægning, porteføljeevaluering, værdiansættelse af obligationer og obligationsoptioner og til virksomheds- eller projektfinansiering. Selvom sandsynlighedsberegninger ikke er nye, banede David B. Hertz først dem inden for finansiering i 1964 med sin artikel, "Risikoanalyse i kapitalinvesteringer," offentliggjort i Harvard Business Review. Phelim Boyle anvendte metoden til afledt værdiansættelse i 1977 og udgav sin artikel, "Valgmuligheder: En Monte Carlo-tilgang", i Journal of Financial Economics. Teknikken er sværere at bruge med amerikanske indstillinger, og med resultaterne afhængige af de underliggende antagelser er der nogle begivenheder, som Monte Carlo-simuleringen ikke kan forudsige.
Simulering giver flere forskellige fordele i forhold til andre former for økonomisk analyse. Ud over at generere sandsynlighederne for de mulige slutpunkter for en given strategi letter metoden til dataformulering oprettelsen af grafer og diagrammer og fremmer en bedre kommunikation af resultaterne til investorer og aktionærer. Monte Carlo-simulering fremhæver den relative påvirkning af hver variabel til bundlinjen. Ved hjælp af denne simulering kan analytikere også se nøjagtigt, hvordan bestemte kombinationer af input påvirker og spiller sammen med hinanden. Forståelsen af de positive og negative indbyrdes afhængige forhold mellem variabler giver en mere nøjagtig risikoanalyse af ethvert instrument.
Risikoanalyse ved denne metode involverer brugen af sandsynlighedsfordelinger til at beskrive variablerne. En velkendt sandsynlighedsfordeling er normal- eller klokkekurven, hvor brugere specificerer den forventede værdi og en standardafvigelseskurve, der definerer variationen. Energipriser og inflationsrater kan afbildes ved klokkekurver. Lognormale fordelinger skildrer positive variabler med et ubegrænset potentiale for stigning, såsom oliereserver eller aktiekurser. Ensartet, trekantet og diskret er eksempler på andre mulige sandsynlighedsfordelinger. Værdier, som er tilfældigt samplet fra sandsynlighedskurverne, indsendes i sæt kaldet iterationer.