Jaka jest symulacja Monte Carlo?
Symulacja Monte Carlo jest modelem matematycznym do obliczania prawdopodobieństwa określonego wyniku poprzez losowe testowanie lub próbkowanie szerokiej gamy scenariuszy i zmiennych. Po raz pierwszy wykorzystany przez Stanilaw Ulam, matematyka, który pracował nad projektem Manhattan podczas II wojny światowej, symulacje zapewnia analitykom drogę do podejmowania trudnych decyzji i rozwiązywania złożonych problemów, które mają wiele obszarów niepewności. Nazwa na cześć pospolitowanego przez kasyna ośrodka w Monako, symulacja Monte Carlo wykorzystuje historyczne dane statystyczne do generowania milionów różnych wyników finansowych poprzez losowe wkładanie komponentów w każdym przebiegu, które mogą wpływać na wynik końcowy, takie jak zwrot z rachunku, zmienność lub korelacje. Po sformułowaniu scenariuszy metoda oblicza szanse na osiągnięcie określonego wyniku. W przeciwieństwie do standardowych analiz planowania finansowego, które wykorzystują długoterminowe średnie i szacunki przyszłego wzrostu lub oszczędności, symulacja Monte Carlo, dostępna w oprogramowaniu i myb mogą zapewnić bardziej realistyczny sposób obsługi zmiennych i pomiaru prawdopodobieństwa ryzyka finansowego lub nagrody.
Metody Monte Carlo są często stosowane do osobistego planowania finansowego, oceny portfela, wyceny obligacji i opcji obligacji oraz w finansowaniu korporacyjnym lub projektu. Chociaż obliczenia prawdopodobieństwa nie są nowe, David B. Hertz po raz pierwszy był pionierem w finansach w 1964 r. W swoim artykule „Analiza ryzyka inwestycji kapitałowych” opublikowana w Harvard Business Review. Phelim Boyle zastosował tę metodę do wyceny pochodnej w 1977 r., Publikując swój artykuł „Opcje: podejście Monte Carlo” w Journal of Financial Economics. Technika jest trudniejsza w użyciu z opcjami amerykańskimi, a przy wynikach zależnych od podstawowych założeń istnieją pewne zdarzenia, których symulacja Monte Carlo nie może przewidzieć.
Symulacja oferuje kilka wyraźnych zaletnad innymi formami analizy finansowej. Oprócz generowania prawdopodobieństwa możliwych punktów końcowych danej strategii, metoda sformułowania danych ułatwia tworzenie wykresów i wykresów, wspierając lepszą komunikację wyników dla inwestorów i akcjonariuszy. Symulacja Monte Carlo podkreśla względny wpływ każdej zmiennej na dolną linię. Korzystając z tej symulacji, analitycy mogą również dokładnie zobaczyć, jak niektóre kombinacje danych wejściowych wpływają na siebie i wzajemne oddziaływanie. Zrozumienie pozytywnych i negatywnych współzależnych związków między zmiennymi zapewniają dokładniejszą analizę ryzyka dowolnego instrumentu.
Analiza ryzyka za pomocą tej metody obejmuje zastosowanie rozkładów prawdopodobieństwa w celu opisania zmiennych. Dobrze znanym rozkładem prawdopodobieństwa jest krzywa normalna lub dzwonowa, przy czym użytkownicy określają oczekiwaną wartość i krzywą odchylenia standardowego definiujące zmianę. Ceny energii i stopy inflacji mogą być przedstawione przez krzywe dzwonu. LognormalRozkłady przedstawiają pozytywne zmienne o nieograniczonym potencjale, takie jak rezerwy ropy lub ceny akcji. Jednolity, trójkątny i dyskretny są przykładami innych możliwych rozkładów prawdopodobieństwa. Wartości, które są losowo pobierane z krzywych prawdopodobieństwa, są przesyłane w zestawach zwanych iteracjami.