Vad är Monte Carlo-simuleringen?
En Monte Carlo-simulering är en matematisk modell för att beräkna sannolikheten för ett specifikt resultat genom slumpmässig testning eller provtagning av en mängd olika scenarier och variabler. Simuleringarna, som först användes av Stanilaw Ulam, en matematiker som arbetade på Manhattan-projektet under andra världskriget, ger analytiker en väg för att fatta svåra beslut och lösa komplexa problem som har flera osäkerhetsområden. Uppkallad efter den kasinobefolkade orten i Monaco använder Monte Carlo-simuleringen historiska statistiska uppgifter för att generera miljontals olika ekonomiska resultat genom att slumpmässigt infoga komponenter i varje körning som kan påverka slutresultatet, såsom kontouppgift, volatilitet eller korrelationer. När scenarierna har formulerats beräknar metoden oddsen för att nå ett visst resultat. Till skillnad från standardanalyser för finansiell planering som använder långsiktiga medelvärden och uppskattningar av framtida tillväxt eller besparingar, kan Monte Carlo-simuleringen, tillgänglig i programvara och webbapplikationer, tillhandahålla ett mer realistiskt sätt att hantera variabler och mäta sannolikheterna för ekonomisk risk eller belöning.
Monte Carlo-metoder används ofta för personlig ekonomisk planering, utvärdering av portföljer, värdering av obligationer och obligationer och för företags- eller projektfinansiering. Även om sannolikhetsberäkningarna inte är nya, pionjerade David B. Hertz först dem inom finansiering 1964 med sin artikel, "Riskanalys i kapitalinvesteringar", publicerad i Harvard Business Review. Phelim Boyle använde metoden vid derivatvärdering 1977 och publicerade sitt papper, "Options: A Monte Carlo Approach," i Journal of Financial Economics. Tekniken är svårare att använda med amerikanska alternativ, och eftersom resultaten är beroende av de underliggande antagandena finns det några händelser som Monte Carlo-simuleringen inte kan förutsäga.
Simulering erbjuder flera distinkta fördelar jämfört med andra former av ekonomisk analys. Förutom att skapa sannolikheterna för möjliga slutpunkter 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 inverkan av varje variabel på bottenlinjen. Med denna simulering kan analytiker också se exakt hur vissa kombinationer av ingångar påverkar och samverkar med varandra. Förståelsen av de positiva och negativa beroendeförhållandena 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 normal- eller klockkurvan, där användare anger det förväntade värdet och en standardavvikelseskurva som definierar variationen. Energipriser och inflationstakt kan avbildas av klockkurvor. Lognormala fördelningar 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.