Brug af Monte Carlo-analyse til at estimere risiko

Monte Carlo-modellen giver forskere mulighed for at køre flere forsøg og definere alle potentielle resultater af en begivenhed eller investering. Sammen skaber de en sandsynlighedsfordeling eller risikovurdering for en given investering eller begivenhed.

Monte Carlo-analyse er en multivariat modelleringsteknik. Alle multivariate modeller kan betragtes som komplekse "hvad hvis?" scenarier. Forskningsanalytikere bruger dem til at forudsige investeringsresultater, til at forstå mulighederne omkring deres investeringseksponeringer og til bedre at afbøde risici. I Monte Carlo-metoden sammenlignes resultaterne med risikotolerance. Det hjælper en manager med at beslutte, om han skal gå videre med en investering eller et projekt.

Hvem bruger multivariate modeller

Brugere af multivariate modeller ændrer værdien af ​​flere variabler for at konstatere deres potentielle indflydelse på det projekt, der evalueres.

Modellerne bruges af finansielle analytikere til at estimere pengestrømme og idéer til nye produkter. Porteføljeforvaltere og finansielle rådgivere bruger dem til at bestemme investeringernes indflydelse på porteføljens præstation og risiko. Forsikringsselskaber bruger dem til at estimere potentialet for skader og prispolitikker. Nogle af de bedst kendte multivariate modeller er dem, der bruges til at værdsætte aktieoptioner. Multivariate modeller hjælper også analytikere med at bestemme de rigtige værdifører.

Om Monte Carlo analyse

Monte Carlo-analysen er opkaldt efter fyrstedømmet berømt af sine kasinoer. Med hasardspil er alle de mulige resultater og sandsynligheder kendte, men med de fleste investeringer er sættet med fremtidige resultater ukendt.

Det er op til analytikeren at bestemme resultaterne og sandsynligheden for, at de vil forekomme. Ved Monte Carlo-modellering kører analytikeren flere forsøg, nogle gange tusinder af dem, for at bestemme alle mulige resultater og sandsynligheden for, at de finder sted.

Monte Carlo-analyse er nyttig, fordi mange investerings- og forretningsbeslutninger træffes på grundlag af et resultat. Med andre ord, mange analytikere udleder et muligt scenario og sammenligner det derefter med de forskellige forhindringer for at beslutte, om de skal gå videre.

De fleste pro forma-skøn begynder med en base-sag. Ved at indtaste den højst sandsynlige antagelse for hver faktor, kan en analytiker udlede det højeste sandsynlighedsresultat. Det er imidlertid problematisk at tage eventuelle beslutninger på grundlag af en basissag, og at skabe en prognose med kun et resultat er utilstrækkelig, fordi det ikke siger noget om andre mulige værdier, der kan forekomme.

Det siger heller intet om den meget reelle chance for, at den faktiske fremtidige værdi vil være noget andet end basissagerforudsigelsen. Det er umuligt at afdække mod en negativ forekomst, hvis driverne og sandsynligheden for disse begivenheder ikke beregnes på forhånd.

Oprettelse af modellen

Når først en Monte Carlo-model er designet, kræver det et værktøj, der tilfældigt vælger faktorværdier, der er bundet af visse forudbestemte betingelser. Ved at køre et antal forsøg med variabler, der er begrænset af deres egne uafhængige sandsynligheder for forekomst, opretter en analytiker en fordeling, der inkluderer alle de mulige resultater og de sandsynligheder for, at de vil forekomme.

Der er mange tilfældige talgeneratorer på markedet. De to mest almindelige værktøjer til design og eksekvering af Monte Carlo-modeller er @Risk og Crystal Ball. Begge disse kan bruges som tilføjelsesprogrammer til regneark og tillader, at tilfældig sampling indarbejdes i etablerede regnearksmodeller.

Kunsten at udvikle en passende Monte Carlo-model er at bestemme de korrekte begrænsninger for hver variabel og det korrekte forhold mellem variabler. Fordi porteføljediversificering for eksempel er baseret på sammenhængen mellem aktiver, skal enhver model, der er udviklet til at skabe forventede porteføljeværdier, omfatte sammenhængen mellem investeringer.

For at vælge den korrekte distribution for en variabel, skal man forstå hver af de tilgængelige distributioner. For eksempel er den mest almindelige en normal distribution, også kendt som en klokkekurve .

I en normal fordeling er alle forekomster lige fordelt omkring gennemsnittet. Middelværdien er den mest sandsynlige begivenhed. Naturfænomener, folks højder og inflation er nogle eksempler på input, der normalt distribueres.

I Monte Carlo-analysen vælger en tilfældig talgenerator en tilfældig værdi for hver variabel inden for de begrænsninger, der er indstillet af modellen. Derefter produceres en sandsynlighedsfordeling for alle mulige resultater.

Standardafvigelsen for denne sandsynlighed er en statistik, der angiver sandsynligheden for, at det faktiske resultat, der estimeres, vil være noget andet end den gennemsnitlige eller mest sandsynlige begivenhed. Forudsat at en sandsynlighedsfordeling normalt er fordelt, vil ca. 68% af værdierne falde inden for et standardafvigelse for gennemsnittet, ca. 95% af værdierne falder inden for to standardafvigelser, og ca. 99, 7% vil ligge inden for tre standardafvigelser for gennemsnittet .

Dette er kendt som "68-95-99.7-reglen" eller "den empiriske regel."

Hvem bruger metoden

Monte Carlo-analyser udføres ikke kun af fagfolk inden for økonomi, men også af mange andre virksomheder. Det er et beslutningsværktøj, der antager, at enhver beslutning vil have en vis indflydelse på den samlede risiko.

Hver enkelt person og institution har en anden risikotolerance. Det gør det vigtigt at beregne risikoen for enhver investering og sammenligne den med den enkeltes risikotolerance.

Sandsynlighedsfordelingen produceret af en Monte Carlo-model skaber et billede af risikoen. Dette billede er en effektiv måde at formidle resultaterne til andre, såsom overordnede eller potentielle investorer. I dag kan meget komplekse Monte Carlo-modeller designes og udføres af alle, der har adgang til en personlig computer.