Vad är Monte Carlo -simuleringen?
En Monte Carlo -simulering är en matematisk modell för att beräkna sannolikheten för ett specifikt resultat genom att slumpmässigt testa eller ta prov på en mängd olika scenarier och variabler. Först användes av Stanilaw Ulam, en matematiker som arbetade med Manhattan -projektet under andra världskriget, ger simuleringarna analytiker en väg för att fatta svåra beslut och lösa komplexa problem som har flera osäkerhetsområden. Uppkallad efter den kasinopopulerade resorten i Monaco använder Monte Carlo-simuleringen historiska statistiska data för att generera miljoner olika ekonomiska resultat genom att slumpmässigt infoga komponenter i varje körning som kan påverka slutresultatet, såsom kontoavkastning, volatilitet eller korrelationer. När scenarierna har formulerats beräknar metoden oddsen för att nå ett visst resultat. Till skillnad från standardanalysanalyser som använder långsiktiga genomsnitt och uppskattningar av framtida tillväxt eller besparingar, finns Monte Carlo-simuleringen, tillgänglig i programvara och viB -applikationer kan ge ett mer realistiskt sätt att hantera variabler och mäta sannolikheterna för finansiell risk eller belöning.
Monte Carlo -metoder används ofta för personlig ekonomisk planering, portföljutvärdering, värdering av obligationer och obligationer och i företags- eller projektfinansiering. Även om sannolikhetsberäkningar inte är nya, banade David B. Hertz först dem i finans 1964 med sin artikel, "Riskanalys i kapitalinvesteringar", publicerad i Harvard Business Review. Phelim Boyle använde metoden på derivatvärdering 1977 och publicerade sitt papper, "Alternativ: en Monte Carlo -strategi", i Journal of Financial Economics. Tekniken är svårare att använda med amerikanska alternativ, och med att resultaten är beroende av de underliggande antagandena finns det några händelser som Monte Carlo -simuleringen inte kan förutsäga.
simulering erbjuder flera distinkta fördelaröver andra former av ekonomisk analys. Förutom att generera sannolikheterna för de möjliga slutpunkterna för en given strategi, underlättar metoden för dataformulering skapandet av grafer och diagram, vilket främjar bättre kommunikation av resultaten till investerare och aktieägare. Monte Carlo -simulering belyser den relativa effekten av varje variabel till slutresultatet. Med hjälp av denna simulering kan analytiker också se exakt hur vissa kombinationer av insatser påverkar och samspel med varandra. Förståelse av de positiva och negativa inbördes beroende förhållandena mellan variabler ger en mer exakt riskanalys av alla instrument.
Riskanalys med denna metod involverar användning av sannolikhetsfördelningar för att beskriva variablerna. En välkänd sannolikhetsfördelning är den normala eller klockkurvan, med användare som specificerar det förväntade värdet och en standardavvikelsekurva som definierar variationen. Energipriser och inflationsnivåer kan avbildas av klockkurvor. LognormalDistributioner visar positiva variabler med obegränsad potential att öka, till exempel oljereserver eller aktiekurser. Uniform, triangulär och diskret är exempel på andra möjliga sannolikhetsfördelningar. Värden, som slumpmässigt samplas från sannolikhetskurvorna, skickas in i uppsättningar som kallas iterationer.