Hva er en Monte Carlo-simulering og hvorfor trenger vi det?

Analytikere kan vurdere mulige porteføljeavkastning på mange måter. Den historiske tilnærmingen, som er den mest populære, vurderer alle mulighetene som allerede har skjedd. Imidlertid bør investorene ikke stoppe ved dette. Monte Carlo-metoden er en stokastisk (tilfeldig prøvetaking av innganger) for å løse et statistisk problem, og en simulering er en virtuell representasjon av et problem. Monte Carlo-simuleringen kombinerer de to for å gi oss et kraftig verktøy som gjør at vi kan få en distribusjon (array) av resultater for ethvert statistisk problem med mange innganger samplet om og om igjen. (For mer, se: Stokastikk: En nøyaktig kjøps- og salgsindikator .)

Monte Carlo Simulering Demystified

Monte Carlo simuleringer kan best forstås ved å tenke på en person som kaster terninger. En nybegynner gambler som spiller craps for første gang, har ingen anelse om hva sjansen er å rulle en seks i en kombinasjon (for eksempel fire og to, tre og tre, ett og fem). Hva er oddsen for å rulle to treår, også kjent som en "hard seks?" Kast terningene mange ganger, ideelt flere millioner ganger, vil gi en representativ fordeling av resultater som vil fortelle oss hvor sannsynlig et rulle på seks vil være en hard seks. Ideelt sett bør vi kjøre disse testene effektivt og raskt, noe som er akkurat det en Monte Carlo-simulering tilbyr.

Eiendomsprisene eller porteføljens fremtidige verdier er ikke avhengige av terningsruller, men noen ganger ser eiendomsprisene ut som en tilfeldig spasertur. Problemet med å se på historien alene er at det representerer i virkeligheten bare ett kast eller et sannsynlig utfall, som kanskje eller ikke er aktuelt i fremtiden. En Monte Carlo-simulering vurderer et bredt spekter av muligheter og hjelper oss med å redusere usikkerheten. En Monte Carlo simulering er veldig fleksibel; Det tillater oss å variere risikobaseansjoner under alle parametere og dermed modellere en rekke mulige utfall. Man kan sammenligne flere fremtidige resultater og tilpasse modellen til ulike eiendeler og porteføljer under vurdering. (For mer, se: Finn riktig passform med sannsynlighetsfordelinger .)

Programmer av Monte Carlo Simulering i Finans:

Monte Carlo-simuleringen har mange applikasjoner innen finans og andre felt. Monte Carlo brukes i bedriftsfinansiering til modellkomponenter av prosjekt kontantstrøm, som påvirkes av usikkerhet. Resultatet er en rekke netto nåverdier (NPVer) sammen med observasjoner på gjennomsnittlig NPV av investeringen under analyse og volatiliteten. Investoren kan dermed estimere sannsynligheten for at NPV vil være større enn null.Monte Carlo brukes til opsjonsprising hvor mange tilfeldige baner for prisen på en underliggende eiendel genereres, hver med en tilknyttet utbetaling. Disse utbetalingene blir deretter diskontert tilbake til nåtiden og i gjennomsnitt for å få opsjonsprisen. Det brukes også til prising av rentepapirer og rentederivater. Men Monte Carlo-simuleringen brukes mest i porteføljestyring og personlig økonomisk planlegging. Monte Carlo Simulering og porteføljestyring: En Monte Carlo-simulering tillater en analytiker å bestemme størrelsen på porteføljen som kreves ved pensjonering for å støtte ønsket pensjonsalder og andre ønskede gaver og arvinger. Hun er involvert i distribusjon av reinvesteringsrenter, inflasjonsrenter, avkastning på eiendomsklasse, skattesatser og til og med mulige livsløp. Resultatet er en fordeling av porteføljestørrelser med sannsynligheten for å støtte kundens ønskede utgifter.

Analytikeren bruker neste Monte Carlo-simuleringen for å bestemme forventet verdi og distribusjon av en portefølje på eierens pensjonsdato. Simuleringen gjør det mulig for analytikeren å ta en flerårig visning, og faktor i stiavhengighet; Porteføljeverdien og eiendelfordelingen i hver periode avhenger av avkastningen og volatiliteten i foregående periode. Analytikeren bruker ulike aktivitetsfordeler med varierende grad av risiko, ulike sammenhenger mellom eiendeler og en fordeling av et stort antall faktorer, inkludert besparelser i hver periode og pensjonsdato, for å komme til en fordeling av porteføljer sammen med sannsynligheten for å ankomme ønsket porteføljeverdi ved pensjonering. Klienternes ulike utgiftsrater og levetid kan innregnes for å fastslå sannsynligheten for at klientene vil gå tom for midler (sannsynligheten for ødeleggelse eller levetidsrisiko) før deres dødsfall.

En kundes risiko- og returprofil er den viktigste faktoren som påvirker beslutninger om porteføljestyring. Klientens obligatoriske avkastning er en funksjon av pensjons- og utgiftsmålene; hennes risikoprofil er bestemt av hennes evne og vilje til å ta risiko. Oftere er ikke retur- og risikoprofilen til klientene ikke synkronisert med hverandre; for eksempel risikonivået som er akseptabelt for dem, kan det gjøre det umulig eller svært vanskelig å oppnå ønsket avkastning. Videre kan det være nødvendig med et minimumsbeløp før pensjonering for å nå sine mål, og kundenes livsstil vil ikke tillate besparelsene, eller hun kan være motvillig til å endre det.

La oss tenke på et eksempel på et ungt arbeidspar som jobber veldig hardt og har en overdådig livsstil, inkludert dyre ferier hvert år. De har et pensjonsmål for å bruke $ 170 000 i året (ca $ 14 000 / måned), og forlater en $ 1 million eiendom til sine barn. En analytiker driver en simulering og finner at deres spare per periode ikke er tilstrekkelig til å bygge ønsket porteføljeverdi ved pensjonering; Det kan imidlertid oppnås dersom tildeling til småkapitalbeholdninger blir doblet (opptil 50% - 70% fra 25% - 35%), noe som vil øke risikoen betydelig.Ingen av de ovennevnte alternativene (høyere besparelser eller økt risiko) er akseptabelt for kunden. Dermed analyserer analytikeren i andre justeringer før du kjører simuleringen igjen. Han forsinker pensjonering med 2 år, og reduserer månedlige utgifter etter pensjonering til $ 12, 500. Den resulterende distribusjonen viser at ønsket porteføljeverdi kan oppnås ved å øke allokering til small cap-aksjer med bare 8%. Med den tilgjengelige innsikt foreslår han at klientene forsinker pensjonering og reduserer kostnadene marginalt, som paret er enig i. (For mer, se:

Planlegg pensjonering ved hjelp av Monte Carlo Simulering

.) Bottom line En Monte Carlo simulering gjør det mulig for analytikere og rådgivere å konvertere investeringskanser til valg. Fordelen med Monte Carlo er dens evne til å faktorere i en rekke verdier for ulike innganger; Dette er også sin største ulempe i den forstand at forutsetninger må være rettferdige fordi utgangen bare er like god som inngangene. En annen stor ulempe er at Monte Carlo-simuleringen har en tendens til å undervurdere sannsynligheten for ekstreme bjørnhendelser som en finanskrise, som blir for hyppige for komfort. Faktisk hevder eksperter at en simulering som Monte Carlo ikke kan faktor i atferdsmessige aspekter ved finans og irrasjonellitet utstillet av markedsdeltakere. Det er imidlertid en dyktig tjener til rådighet for rådgivere som trenger å stille smarte spørsmål fra den.