Cos'è la simulazione Monte Carlo?
Una simulazione Monte Carlo è un modello matematico per calcolare la probabilità di un risultato specifico testando o campionando casualmente un'ampia varietà di scenari e variabili. Utilizzate per la prima volta da Stanilaw Ulam, un matematico che ha lavorato al Progetto Manhattan durante la seconda guerra mondiale, le simulazioni forniscono agli analisti una strada per prendere decisioni difficili e risolvere problemi complessi che presentano molteplici aree di incertezza. Prende il nome dal resort popolato da casinò di Monaco, la simulazione Monte Carlo utilizza dati statistici storici per generare milioni di risultati finanziari diversi inserendo casualmente componenti in ogni corsa che possono influenzare il risultato finale, come rendimenti degli account, volatilità o correlazioni. Una volta formulati gli scenari, il metodo calcola le probabilità di raggiungere un determinato risultato. A differenza delle analisi standard di pianificazione finanziaria che utilizzano le medie e le stime a lungo termine della crescita o dei risparmi futuri, la simulazione Monte Carlo, disponibile in software e applicazioni Web, può fornire un mezzo più realistico per gestire le variabili e misurare le probabilità di rischio finanziario o rendimento.
I metodi Monte Carlo vengono spesso utilizzati per la pianificazione finanziaria personale, la valutazione del portafoglio, la valutazione di obbligazioni e opzioni obbligazionarie e nel finanziamento di società o progetti. Sebbene i calcoli delle probabilità non siano nuovi, David B. Hertz li introdusse per la prima volta in finanza nel 1964 con il suo articolo, "Analisi del rischio in investimenti di capitale", pubblicato sulla Harvard Business Review. Phelim Boyle ha applicato il metodo alla valutazione in derivati nel 1977, pubblicando il suo articolo, "Opzioni: un approccio di Monte Carlo", nel Journal of Financial Economics. La tecnica è più difficile da usare con le opzioni americane e con i risultati dipendenti dalle ipotesi sottostanti, ci sono alcuni eventi che la simulazione Monte Carlo non può prevedere.
La simulazione offre numerosi vantaggi distinti rispetto ad altre forme di analisi finanziaria. Oltre a generare le probabilità dei possibili endpoint di una determinata strategia, il metodo di formulazione dei dati facilita la creazione di grafici e diagrammi, promuovendo una migliore comunicazione dei risultati a investitori e azionisti. La simulazione Monte Carlo evidenzia l'impatto relativo di ciascuna variabile sulla linea di fondo. Usando questa simulazione, gli analisti possono anche vedere esattamente come determinate combinazioni di input influenzano e interagiscono tra loro. La comprensione delle relazioni interdipendenti positive e negative tra variabili consente un'analisi del rischio più accurata di qualsiasi strumento.
L'analisi del rischio con questo metodo prevede l'uso di distribuzioni di probabilità per descrivere le variabili. Una distribuzione di probabilità ben nota è la curva normale o a campana, con gli utenti che specificano il valore atteso e una curva di deviazione standard che definisce la variazione. I prezzi dell'energia e i tassi di inflazione possono essere rappresentati dalle curve a campana. Le distribuzioni lognormali presentano variabili positive con un potenziale illimitato di aumento, come riserve di petrolio o prezzi delle azioni. Uniforme, triangolare e discreta sono esempi di altre possibili distribuzioni di probabilità. I valori, che vengono campionati casualmente dalle curve di probabilità, vengono inviati in insiemi chiamati iterazioni.