Wykorzystanie analizy Monte Carlo do oszacowania ryzyka

Model Monte Carlo pozwala badaczom na przeprowadzenie wielu prób i zdefiniowanie wszystkich potencjalnych wyników wydarzenia lub inwestycji. Razem tworzą rozkład prawdopodobieństwa lub ocenę ryzyka dla danej inwestycji lub zdarzenia.

Analiza Monte Carlo jest techniką modelowania wielowymiarowego. Wszystkie modele wielowymiarowe można uznać za złożone „a co jeśli?” scenariusze. Analitycy naukowi wykorzystują je do prognozowania wyników inwestycyjnych, zrozumienia możliwości związanych z ich ekspozycjami inwestycyjnymi i lepszego ograniczenia ryzyka. W metodzie Monte Carlo wyniki są porównywane z tolerancją ryzyka. Pomaga to menedżerowi zdecydować, czy kontynuować inwestycję, czy projekt.

Kto używa modeli wielowymiarowych

Użytkownicy modeli wielowymiarowych zmieniają wartość wielu zmiennych, aby ustalić ich potencjalny wpływ na oceniany projekt.

Modele są używane przez analityków finansowych do szacowania przepływów pieniężnych i pomysłów na nowe produkty. Zarządzający portfelami i doradcy finansowi używają ich do określania wpływu inwestycji na wyniki portfela i ryzyko. Firmy ubezpieczeniowe używają ich do oszacowania potencjalnych roszczeń i polis cenowych. Niektóre z najbardziej znanych modeli wielowymiarowych to te, które służą do wyceny opcji na akcje. Modele wielowymiarowe pomagają również analitykom ustalić prawdziwe czynniki napędzające wartość.

O analizie Monte Carlo

Analiza Monte Carlo pochodzi od księstwa rozsławionego przez kasyna. W grach losowych znane są wszystkie możliwe wyniki i prawdopodobieństwa, ale przy większości inwestycji zestaw przyszłych wyników jest nieznany.

Od analityka zależy określenie wyników i prawdopodobieństwa ich wystąpienia. W modelowaniu Monte Carlo analityk przeprowadza wiele prób, czasem tysiące, w celu ustalenia wszystkich możliwych wyników i prawdopodobieństwa ich wystąpienia.

Analiza Monte Carlo jest przydatna, ponieważ wiele decyzji inwestycyjnych i biznesowych jest podejmowanych na podstawie jednego wyniku. Innymi słowy, wielu analityków wyprowadza jeden możliwy scenariusz, a następnie porównuje go z różnymi przeszkodami, aby zdecydować, czy kontynuować.

Większość szacunków pro forma rozpoczyna się od przypadku podstawowego. Wprowadzając założenie o najwyższym prawdopodobieństwie dla każdego czynnika, analityk może uzyskać wynik o najwyższym prawdopodobieństwie. Jednak podejmowanie jakichkolwiek decyzji na podstawie przypadku podstawowego jest problematyczne, a tworzenie prognozy z tylko jednym wynikiem jest niewystarczające, ponieważ nie mówi nic o innych możliwych wartościach, które mogłyby wystąpić.

Nie mówi też nic o bardzo realnej szansie, że rzeczywista wartość w przyszłości będzie czymś innym niż przewidywanie przypadku podstawowego. Nie można zabezpieczyć się przed negatywnym wystąpieniem, jeśli czynniki i prawdopodobieństwa tych zdarzeń nie zostaną z góry obliczone.

Tworzenie modelu

Po zaprojektowaniu wykonanie modelu Monte Carlo wymaga narzędzia, które losowo wybierze wartości współczynników, które są powiązane pewnymi z góry określonymi warunkami. Przeprowadzając szereg prób ze zmiennymi ograniczonymi własnymi niezależnymi prawdopodobieństwami wystąpienia, analityk tworzy rozkład obejmujący wszystkie możliwe wyniki i prawdopodobieństwa ich wystąpienia.

Na rynku dostępnych jest wiele generatorów liczb losowych. Dwa najpopularniejsze narzędzia do projektowania i wykonywania modeli Monte Carlo to @Risk i Crystal Ball. Oba mogą być używane jako dodatki do arkuszy kalkulacyjnych i pozwalają na włączenie losowego próbkowania do ustalonych modeli arkuszy kalkulacyjnych.

Sztuka tworzenia odpowiedniego modelu Monte Carlo polega na określeniu poprawnych ograniczeń dla każdej zmiennej i prawidłowego związku między zmiennymi. Na przykład, ponieważ dywersyfikacja portfela opiera się na korelacji między aktywami, każdy model opracowany w celu stworzenia oczekiwanych wartości portfela musi uwzględniać korelację między inwestycjami.

Aby wybrać poprawny rozkład dla zmiennej, należy zrozumieć każdy z możliwych dostępnych rozkładów. Na przykład najczęstszym jest rozkład normalny, znany również jako krzywa dzwonowa .

W rozkładzie normalnym wszystkie zdarzenia są równomiernie rozmieszczone wokół średniej. Średnia jest najbardziej prawdopodobnym zdarzeniem. Zjawiska naturalne, wzrosty ludzi i inflacja to niektóre przykłady czynników normalnie rozłożonych.

W analizie Monte Carlo generator liczb losowych wybiera losową wartość dla każdej zmiennej w ramach ograniczeń określonych przez model. Następnie tworzy rozkład prawdopodobieństwa dla wszystkich możliwych wyników.

Odchylenie standardowe tego prawdopodobieństwa jest statystyką, która wskazuje prawdopodobieństwo, że szacowany rzeczywisty wynik będzie czymś innym niż średnie lub najbardziej prawdopodobne zdarzenie. Zakładając, że rozkład prawdopodobieństwa jest zwykle rozkładany, około 68% wartości będzie mieściło się w granicach jednego odchylenia standardowego średniej, około 95% wartości będzie mieściło się w dwóch odchyleniach standardowych, a około 99, 7% będzie mieściło się w granicach trzech odchyleń standardowych od średniej .

Jest to znane jako „reguła 68–95–99, 7” lub „reguła empiryczna”.

Kto korzysta z metody

Analizy Monte Carlo są prowadzone nie tylko przez specjalistów z branży finansowej, ale także przez wiele innych firm. Jest to narzędzie do podejmowania decyzji, które zakłada, że ​​każda decyzja będzie miała pewien wpływ na ogólne ryzyko.

Każda osoba i instytucja ma inną tolerancję ryzyka. Dlatego ważne jest, aby obliczyć ryzyko każdej inwestycji i porównać ją z tolerancją na ryzyko danej osoby.

Rozkłady prawdopodobieństwa wytworzone przez model Monte Carlo tworzą obraz ryzyka. Ten obraz jest skutecznym sposobem przekazywania wyników innym osobom, takim jak przełożeni lub potencjalni inwestorzy. Obecnie bardzo złożone modele Monte Carlo mogą być zaprojektowane i wykonane przez każdego, kto ma dostęp do komputera osobistego.