Hva er Monte Carlo-simuleringen?

En Monte Carlo-simulering er en matematisk modell for å beregne sannsynligheten for et spesifikt utfall ved tilfeldig testing eller prøvetaking av et stort utvalg av scenarier og variabler. Simuleringene ble først brukt av Stanilaw Ulam, en matematiker som jobbet på Manhattan Project under andre verdenskrig, og gir analytikere en mulighet til å ta vanskelige beslutninger og løse komplekse problemer som har flere usikkerhetsområder. Oppkalt etter det kasinobefolkede feriestedet i Monaco, bruker Monte Carlo-simuleringen historiske statistiske data for å generere millioner av forskjellige økonomiske utfall ved å tilfeldig sette inn komponenter i hvert løp som kan påvirke sluttresultatet, for eksempel avkastning av kontoer, volatilitet eller korrelasjoner. Når scenariene er formulert, beregner metoden sjansen for å nå et bestemt utfall. I motsetning til standard økonomiske planleggingsanalyser som bruker langsiktige gjennomsnitt og estimater for fremtidig vekst eller besparelse, kan Monte Carlo-simuleringen, tilgjengelig i programvare og webapplikasjoner, gi et mer realistisk middel til å håndtere variabler og måle sannsynlighetene for økonomisk risiko eller belønning.

Monte Carlo-metodene brukes ofte til personlig økonomisk planlegging, porteføljeevaluering, verdsettelse av obligasjoner og obligasjonsopsjoner og i bedrifts- eller prosjektfinansiering. Selv om sannsynlighetsberegningene ikke er nye, pioner David B. Hertz dem først i finans i 1964 med sin artikkel, "Risikoanalyse i kapitalinvesteringer," publisert i Harvard Business Review. Phelim Boyle benyttet metoden til avledet verdsettelse i 1977, og publiserte sin artikkel, "Options: A Monte Carlo Approach," i Journal of Financial Economics. Teknikken er vanskeligere å bruke med amerikanske opsjoner, og med resultatene avhengig av de underliggende antagelsene, er det noen hendelser som Monte Carlo-simuleringen ikke kan forutsi.

Simulering gir flere tydelige fordeler i forhold til andre former for økonomisk analyse. I tillegg til å generere sannsynlighetene for mulige sluttpunkter for en gitt strategi, letter metoden for dataformulering å lage grafer og diagrammer, og fremmer en bedre kommunikasjon av funnene til investorer og aksjonærer. Monte Carlo-simulering fremhever den relative effekten av hver variabel til bunnlinjen. Ved å bruke denne simuleringen kan analytikere også se nøyaktig hvordan visse kombinasjoner av innganger påvirker og spiller sammen. Forståelsen av de positive og negative gjensidige avhengige forholdene mellom variabler gir en mer nøyaktig risikoanalyse av ethvert instrument.

Risikoanalyse ved denne metoden innebærer bruk av sannsynlighetsfordelinger for å beskrive variablene. En kjent sannsynlighetsfordeling er normal- eller klokkekurven, med brukere som spesifiserer den forventede verdien og en standardavvikskurve som definerer variasjonen. Energipriser og inflasjonsrater kan bli avbildet av klokkekurver. Lognormale distribusjoner skildrer positive variabler med et ubegrenset potensial for å øke, for eksempel oljereserver eller aksjekurser. Uniform, trekantet og diskret er eksempler på andre mulige sannsynlighetsfordelinger. Verdier, som blir tilfeldig prøvetatt fra sannsynlighetskurvene, blir sendt inn i sett som kalles iterasjoner.