Hvad er en Monte Carlo Simulation, og hvorfor har vi brug for det?

Analytikere kan vurdere mulige porteføljeafkast på mange måder. Den historiske tilgang, som er den mest populære, betragter alle de muligheder, der allerede er sket. Investorer bør dog ikke stoppe ved dette. Monte Carlo-metoden er en stokastisk (tilfældig prøveudtagning af input) -metode til løsning af et statistisk problem, og en simulering er en virtuel repræsentation af et problem. Monte Carlo-simuleringen kombinerer de to for at give os et kraftfuldt værktøj, der giver os mulighed for at opnå en distribution (array) af resultater for ethvert statistisk problem med mange input, der samles igen og igen. (For mere se: Stokastik: En nøjagtig købs- og sælgindikator .)

Monte Carlo Simulation Demystified

Monte Carlo simuleringer kan bedst forstås ved at tænke på en person, der smider terninger. En nybegynder gambler, der spiller craps for første gang, har ingen anelse om, hvad oddsene er at kaste en seks i en kombination (for eksempel fire og to, tre og tre, en og fem). Hvad er oddsene med at rulle to treer, også kendt som en "hård seks?" At kaste terningerne mange gange, ideelt set flere millioner gange, vil give en repræsentativ fordeling af resultater, som vil fortælle os, hvor sandsynligt en rulle på seks vil være en hård seks. Ideelt set bør vi køre disse tests effektivt og hurtigt, hvilket er præcis, hvad en Monte Carlo-simulering tilbyder.

Aktiekurser eller porteføljers fremtidige værdier er ikke afhængige af terningens ruller, men nogle gange ligner aktivpriserne en tilfældig gåtur. Problemet med at se på historien alene er, at det i virkeligheden kun repræsenterer et kast eller sandsynligt resultat, som måske eller ikke kan anvendes i fremtiden. En Monte Carlo-simulering betragter en lang række muligheder og hjælper os med at reducere usikkerheden. En Monte Carlo-simulering er meget fleksibel; Det giver os mulighed for at variere risikobase forudsætninger under alle parametre og dermed modellere en række mulige resultater. Man kan sammenligne flere fremtidige resultater og tilpasse modellen til forskellige aktiver og porteføljer under gennemgang. (For mere, se: Find den rigtige løsning med sandsynlighedsfordelinger .)

Anvendelser af Monte Carlo Simulation i Finance:

Monte Carlo-simuleringen har mange anvendelser inden for finans og andre områder. Monte Carlo bruges i corporate finance til modeller af projekt cash flow, som påvirkes af usikkerhed. Resultatet er en række netværdier (NPV'er) sammen med observationer af den gennemsnitlige NPV for den undersøgte investering og dens volatilitet. Investoren kan således estimere sandsynligheden for, at NPV vil være større end nul.Monte Carlo bruges til optionsprissætning, hvor der er genereret mange tilfældige stier til prisen på et underliggende aktiv, der hver især har en tilknyttet udbetaling. Disse udbetalinger er derefter tilbagediskonteret tilbage til nutiden og i gennemsnit for at få optionsprisen. Det anvendes ligeledes til prisfastsættelse af rentepapirer og rentederivater. Men Monte Carlo-simuleringen bruges mest i porteføljestyring og personlig økonomisk planlægning. (Se yderligere: Kapitalinvesteringsbeslutninger - Øgede pengestrømme .)

Monte Carlo Simulering og porteføljestyring:

En Monte Carlo-simulering gør det muligt for en analytiker at bestemme størrelsen på den portefølje, der kræves ved pensionering for at støtte den ønskede pensionstilstand og andre ønskede gaver og arv. Hun er faktorer i en fordeling af reinvesteringsrenter, inflation, returnering af aktivklasse, skattesatser og endda mulige livsforløb. Resultatet er en fordeling af porteføljestørrelser med sandsynligheden for at understøtte kundens ønskede udgiftsbehov.

Analytikeren næste bruger Monte Carlo-simuleringen til at bestemme den forventede værdi og distribution af en portefølje på ejerens pensionsdato. Simuleringen gør det muligt for analytikeren at tage en flertidsvisning og faktor i stiafhængighed; Porteføljens værdi og aktivfordeling i hver periode afhænger af afkast og volatilitet i den foregående periode. Analytikeren anvender forskellige aktivbevillinger med varierende grad af risiko, forskellige sammenhænge mellem aktiver og fordelingen af ​​et stort antal faktorer, herunder besparelserne i hver periode og pensionsdagen, for at nå frem til en fordeling af porteføljer sammen med sandsynligheden for at ankomme til den ønskede portefølje værdi ved pensionering. Klienternes forskellige udgiftsrater og levetid kan indregnes i at bestemme sandsynligheden for, at kunderne vil løbe tør for penge (sandsynligheden for ødelæggelse eller lang levetidrisiko) før deres dødsfald.

En kundes risiko- og afkastprofil er den vigtigste faktor, der påvirker beslutninger om porteføljestyring. Klientens krævede afkast er en funktion af hendes pensions- og udgiftsmål; Hendes risikoprofil er bestemt af hendes evne og vilje til at tage risici. Oftere synkroniseres ikke returnerings- og risikoprofilen hos klienter med hinanden; For eksempel kan risikoeniveauet acceptabelt for dem det muliggøre det umulige eller meget vanskeligt at opnå det ønskede afkast. Desuden kan der kræves et minimumsbeløb før pensionering for at nå sine mål, og kundernes livsstil ville ikke tillade besparelserne, eller hun kan være tilbageholdende med at ændre det.

Lad os overveje et eksempel på et ungt par, der arbejder meget hårdt og har en overdådig livsstil, herunder dyre ferier hvert år. De har et pensionsmål med at bruge $ 170.000 om året (ca. $ 14.000 / måned) og forlader en $ 1 million ejendom til deres børn. En analytiker driver en simulering og finder, at deres opsparing per periode ikke er tilstrækkelig til at opbygge den ønskede portefølje værdi ved pensionering; Det kan dog nås, hvis tildelingen til småkapitalbeholdninger fordobles (op til 50% - 70% fra 25% - 35%), hvilket vil øge deres risiko betydeligt.Ingen af ​​ovennævnte alternativer (højere besparelser eller øget risiko) er acceptable for kunden. Således analyserer analytikeren i andre justeringer, før du kører simuleringen igen. Han forsinker pensionen med 2 år og reducerer deres månedlige udgifter efter pensionering til $ 12, 500. Den resulterende fordeling viser, at den ønskede porteføljeværdi kan opnås ved at øge allokering til small cap-aktier med kun 8%. Med den foreliggende indsigt foreslår han kunderne at forsinke pensionering og reducere udgifterne marginalt, som parret er enig i. (Se mere om: Planlægning af din pension ved hjælp af Monte Carlo Simulation .)

Bundlinje

En Monte Carlo-simulering gør det muligt for analytikere og rådgivere at konvertere investeringschancerne til valg. Fordelen ved Monte Carlo er dens evne til at faktorere i en række værdier for forskellige input; Dette er også dets største ulempe i den forstand, at antagelser skal være retfærdige, fordi output kun er så godt som input. En anden stor ulempe er, at Monte Carlo-simuleringen har tendens til at undervurdere sandsynligheden for ekstreme bjørnbegivenheder som en finansiel krise, som bliver for hyppig til komfort. Faktisk hævder eksperter, at en simulering som Monte Carlo ikke kan medvirke i de adfærdsmæssige aspekter af finansiering og irrationelle udstillinger, som markedsdeltagerne udviser. Det er dog en dygtig tjener til rådighed for rådgivere, der skal stille smarte spørgsmål fra den.