Vad är en Monte Carlo-simulering och varför behöver vi det?

Analytiker kan bedöma eventuella portföljers avkastning på många sätt. Det historiska tillvägagångssättet, som är det mest populära, betraktar alla möjligheter som redan har hänt. Emellertid borde investerare inte stanna vid detta. Monte Carlo-metoden är en stokastisk metod för att lösa ett statistiskt problem, och en simulering är en virtuell representation av ett problem. Monte Carlo-simuleringen kombinerar de två för att ge oss ett kraftfullt verktyg som gör det möjligt för oss att få en distribution (array) av resultat för alla statistiska problem med många insamlingar som samplas om och om igen. (För mer, se: Stokastik: En exakt köp- och säljindikator .)

Monte Carlo Simulation Demystified

Monte Carlo simuleringar kan bäst förstås genom att tänka på en person som kastar tärningar. En nybörjare som spelar craps för första gången har ingen aning om vad oddsen är att rulla en sex i vilken kombination som helst (till exempel fyra och två, tre och tre, en och fem). Vad är oddsen för att rulla två trear, även känd som en "hård sex?" Att kasta tärningen många gånger, helst flera miljoner gånger, kommer att ge en representativ fördelning av resultat som kommer att berätta för oss hur troligt en rulle på sex blir en hård sex. Helst bör vi köra dessa tester effektivt och snabbt, vilket är precis vad en Monte Carlo-simulering erbjuder.

Aktiepriser eller portföljernas framtida värden beror inte på tärningens rullar, men ibland prissätter tillgångspriserna en slumpmässig promenad. Problemet med att titta på historia ensam är att det i själva verket bara utgör en rulle eller ett sannolikt resultat som eventuellt kan vara tillämpligt i framtiden. En Monte Carlo-simulering beaktar ett brett utbud av möjligheter och hjälper oss att minska osäkerheten. En Monte Carlo-simulering är mycket flexibel; Det gör att vi kan differentiera riskantagandena under alla parametrar och därmed modellera en rad möjliga resultat. Man kan jämföra flera framtida resultat och anpassa modellen till olika tillgångar och portföljer som granskas. (För mer, se: Hitta rätt passform med sannolikhetsfördelningar .)

Tillämpningar av Monte Carlo Simulering i Finans:

Monte Carlo-simuleringen har många tillämpningar inom finans och andra områden. Monte Carlo används i företagsfinansiering för att modellera komponenter i projektets kassaflöde, vilket påverkas av osäkerhet. Resultatet är ett antal nätvärden (NPV) tillsammans med observationer av den genomsnittliga NPV för den investerade analysen och volatiliteten. Investeraren kan således uppskatta sannolikheten för att NPV kommer att vara större än noll.Monte Carlo används för optionsprissättning där många slumpmässiga vägar för priset på en underliggande tillgång genereras, var och en har en tillhörande utdelning. Dessa utbetalningar diskonteras sedan tillbaka till nutid och i genomsnitt för att få optionspriset. Det används på liknande sätt för prissättning av räntebärande värdepapper och räntederivat. Men Monte Carlo-simuleringen används mest i portföljhantering och personlig ekonomisk planering. (För mer, se: Kapitalinvesteringsbeslut - Inkrementella kassaflöden .)

Monte Carlo Simulering och Portföljförvaltning:

En Monte Carlo-simulering gör att en analytiker kan bestämma storleken på den portfölj som krävs vid pension för att stödja den önskade pensionslivsstilen och andra önskade gåvor och erövringar. Hon är en faktor i fördelningen av återinvesteringsräntor, inflation, tillgångsklassens avkastning, skattesatser och till och med möjliga livslängder. Resultatet är en fördelning av portföljstorlekar med sannolikheten att stödja kundens önskade utgiftsbehov.

Analytikern använder sedan Monte Carlo-simuleringen för att bestämma det förväntade värdet och fördelningen av en portfölj vid ägarens pensionsdatum. Simuleringen möjliggör för analytikern att ta en flerårig vy och faktor i banberoende. Portföljvärdet och tillgångsallokeringen vid varje period beror på avkastning och volatilitet under föregående period. Analytikern använder olika tillgångsfördelningar med varierande grad av risk, olika korrelationer mellan tillgångar och fördelning av ett stort antal faktorer, inklusive besparingarna i varje period och pensionsdatum, för att nå en fördelning av portföljer tillsammans med sannolikheten att anlända till Det önskade portföljvärdet vid pensionering. Klienternas olika utgifter och livslängd kan beaktas för att bestämma sannolikheten för att kunderna kommer att rinna ut för pengar (sannolikheten för att riskerna för ruin eller livslängd) kommer före deras dödsfall.

En kunds risk- och avkastningsprofil är den viktigaste faktorn som påverkar besluten om portföljhantering. Klientens obligatoriska avkastning är en funktion av hennes pensions- och utgiftsmål. hennes riskprofil bestäms av hennes förmåga och villighet att ta risker. Ofta synkroniseras inte retur- och riskprofilen hos klienterna med varandra. till exempel den risknivå som är acceptabel för dem kan det göra det omöjligt eller mycket svårt att uppnå den önskade avkastningen. Dessutom kan en minimibelopp behövas före pensionering för att uppnå sina mål, och kundernas livsstil skulle inte tillåta besparingarna, eller hon kan vara ovilliga att ändra den.

Låt oss överväga ett exempel på ett ungt par som arbetar mycket hårt och har en livlig livsstil, inklusive dyra semester varje år. De har ett pensionsmål att spendera $ 170 000 per år (ca $ 14 000 / månad) och lämnar ett $ 1 miljon gods till sina barn. En analytiker driver en simulering och finner att deras sparande per period är otillräcklig för att bygga det önskade portföljvärdet vid pensionering. Det kan emellertid uppnås om tilldelningen till småkapitalstockar fördubblas (upp till 50% - 70% från 25% - 35%), vilket kommer att öka risken avsevärt.Inget av ovanstående alternativ (högre besparingar eller ökad risk) är acceptabla för kunden. Således analyserar analytikern i andra justeringar innan simuleringen körs igen. Han försenar pensionen med 2 år och minskar sina månatliga utgifter efter pensionering till $ 12 500. Den resulterande fördelningen visar att det önskade portföljvärdet kan uppnås genom att öka tilldelningen till småkapitalandel med endast 8%. Med den tillgängliga insikten föreslår han kunderna att försena pensionen och minska utgifterna marginellt, som paret instämmer i. (För mer, se: Planera din pension med Monte Carlo Simulation .)

Bottom line

En Monte Carlo-simulering gör det möjligt för analytiker och rådgivare att omvandla investeringsmöjligheter till val. Fördelen med Monte Carlo är dess förmåga att faktor i ett antal värden för olika ingångar; Detta är också sin största nackdel i den meningen att antaganden måste vara rättvisa, eftersom utmatningen bara är lika bra som ingångarna. En annan stor nackdel är att Monte Carlo-simuleringen tenderar att underskatta sannolikheten för extrema björnhändelser som en finansiell kris, som blir alltför frekvent för komfort. Faktum är att experter hävdar att en simulering som Monte Carlo inte kan inverka på beteendemässiga aspekter av finans och irrationellitet utställd av marknadsaktörer. Det är dock en kunnig tjänare till rådgivare som behöver fråga smarta frågor från den.