Vad är en Monte Carlo-simulering och varför behöver vi den?
Analytiker kan bedöma möjlig portföljavkastning på många sätt. Den historiska metoden, som är den mest populära, tar hänsyn till alla de möjligheter som redan har hänt. Investerare bör dock inte stanna vid detta. Monte Carlo-metoden är en stokastisk (slumpmässig sampling av ingångar) -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 att vi kan få en fördelning (matris) av resultat för alla statistiska problem med många insatser som samplats om och om igen. (För mer, se: Stokastik: en noggrann indikator för köp och sälj .)
Monte Carlo Simulation Demystifierad
Monte Carlo-simuleringar kan förstås bäst 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 någon kombination (till exempel fyra och två, tre och tre, en och fem). Vilka är oddsen för att rulla två trekanter, även känd som "hårda sex?" Att kasta tärningarna många gånger, helst flera miljoner gånger, skulle ge en representativ fördelning av resultaten, vilket kommer att säga hur troligt att en rull med sex är en hård sex. Helst bör vi köra dessa tester effektivt och snabbt, vilket är exakt vad en Monte Carlo-simulering erbjuder.
Tillgångspriser eller portföljens framtida värden beror inte på tärningar, men ibland liknar tillgångspriser en slumpvis promenad. Problemet med att se till historien ensam är att det i själva verket representerar bara en roll eller ett troligt resultat, som kanske eller inte kommer att vara tillämpligt i framtiden. En Monte Carlo-simulering överväger ett brett spektrum av möjligheter och hjälper oss att minska osäkerheten. En Monte Carlo-simulering är mycket flexibel; det tillåter oss att variera riskantaganden under alla parametrar och därmed modellera ett antal 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 .)
Ansökningar av Monte Carlo Simulation i finans
Monte Carlo-simuleringen har många applikationer inom finans och andra områden. Monte Carlo används inom företagsfinansiering för att modellera komponenter i projektets kassaflöde, som påverkas av osäkerhet. Resultatet är en rad nuvarande värden (NPV) tillsammans med observationer av den genomsnittliga NPV för den investering som analyseras och dess volatilitet. Investeraren kan således uppskatta sannolikheten för att NPV kommer att vara större än noll. Monte Carlo används för optionsprissättning där många slumpmässiga banor för priset på en underliggande tillgång genereras, var och en med en tillhörande vinst. Dessa utbetalningar diskonteras sedan tillbaka till i dag och beräknas i genomsnitt för att få optionskursen. 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: Kapitalinvesteringar - Inkrementella kassaflöden .)
Monte Carlo simulering och portföljhantering
En Monte Carlo-simulering gör det möjligt för en analytiker att bestämma storleken på den portfölj som krävs vid pensioneringen för att stödja den önskade pensioneringsstilen och andra önskade gåvor och testamenter. Hon tänker på en fördelning av återinvesteringsnivåer, inflationstakter, tillgångsklassavkastning, skattesatser och till och med möjliga livslängder. Resultatet är en fördelning av portföljstorlekar med sannolikheten att stödja kundens önskade utgiftsbehov.
Därefter använder analytikern Monte Carlo-simuleringen för att bestämma det förväntade värdet och distributionen av en portfölj vid ägarens pensionsdatum. Simuleringen gör det möjligt för analytiker att ta en flerfaldig syn och faktor i banberoende; portföljvärdet och tillgångsfördelningen för varje period beror på avkastningen och volatiliteten under föregående period. Analytikern använder olika tillgångsfördelningar med varierande risknivå, olika korrelationer mellan tillgångar och fördelning av ett stort antal faktorer - inklusive besparingarna i varje period och pensionsdatum - för att komma fram till en distribution av portföljer tillsammans med sannolikheten för att komma fram till önskat portföljvärde vid pensionering. Klientens olika utgiftsnivåer och livslängd kan tas fram för att bestämma sannolikheten för att klienten kommer att få slut på pengar (sannolikheten för ruin eller livslängdsrisk) före sin död.
En klients risk- och avkastningsprofil är den viktigaste faktorn som påverkar besluten om portföljhantering. Kundens nödvändiga avkastning är en funktion av hennes mål för pensionering och utgifter; hennes riskprofil bestäms av hennes förmåga och vilja att ta risker. Oftare än inte är den önskade avkastningen och riskprofilen för en klient inte synkroniserade med varandra. Exempelvis kan den risk som är acceptabel för en kund göra det omöjligt eller mycket svårt att uppnå önskad avkastning. Dessutom kan ett minimibelopp behövas före pension för att uppnå klientens mål, men klientens livsstil skulle inte möjliggöra besparingar eller klienten kan vara motvillig att ändra den.
Låt oss överväga ett exempel på ett ungt arbetande par som arbetar mycket hårt och har en påkostad livsstil inklusive dyra semester varje år. De har ett pensionsmål att spendera $ 170 000 per år (cirka $ 14 000 / månad) och lämna en egendom på 1 miljon till sina barn. En analytiker kör en simulering och upptäcker att deras besparing per period är otillräcklig för att bygga det önskade portföljvärdet vid pensioneringen; emellertid kan det uppnås om fördelningen till småkapitalaktier fördubblas (upp till 50 till 70 procent från 25 till 35 procent), vilket kommer att öka deras risk avsevärt. Inget av ovanstående alternativ (högre besparingar eller ökad risk) är acceptabelt för kunden. Således faktorn analytiker faktorer i andra justeringar innan simuleringen körs igen. analytikern försenar sin pension med två år och minskar deras månatliga utgifter efter pensionering till 12 500 $. Den resulterande distributionen visar att det önskade portföljvärdet kan uppnås genom att öka tilldelningen till småkapital med bara 8 procent. Med den tillgängliga insikten råder analytikern klienterna att försena pension och minska sina utgifter marginellt, som paret samtycker till. (För mer, se: Planera din pension med Monte Carlo-simuleringen .)
Slutsats
En Monte Carlo-simulering gör det möjligt för analytiker och rådgivare att konvertera investeringschanser till val. Fördelen med Monte Carlo är dess förmåga att ta del av ett antal värden för olika ingångar; detta är också dess största nackdel i den meningen att antaganden måste vara rättvisa eftersom produktionen bara är lika bra som inputen. En annan stor nackdel är att Monte Carlo-simuleringen tenderar att underskatta sannolikheten för extrema björnhändelser som en finanskris. Faktum är att experter hävdar att en simulering som Monte Carlo inte kan ta del av beteendemässiga aspekter av finanser och den irrationalitet som marknadsaktörer uppvisar. Det är dock ett användbart verktyg för rådgivare.
