Bruke Monte Carlo-analyse for å estimere risiko

Monte Carlo-modellen lar forskere gjennomføre flere studier og definere alle potensielle utfall av en hendelse eller investering. Sammen lager de en sannsynlighetsfordeling eller risikovurdering for en gitt investering eller hendelse.

Monte Carlo-analyse er en multivariat modelleringsteknikk. Alle multivariate modeller kan betraktes som kompliserte "hva om?" scenarier. Forskningsanalytikere bruker dem til å forutsi investeringsresultater, for å forstå mulighetene rundt investeringseksponeringene og for å redusere risikoen bedre. I Monte Carlo-metoden blir resultatene sammenlignet med risikotoleranse. Det hjelper en leder med å bestemme om han skal fortsette med en investering eller prosjekt.

Hvem bruker multivariate modeller

Brukere av multivariate modeller endrer verdien av flere variabler for å fastslå hvilken potensiell innvirkning de har på prosjektet som evalueres.

Modellene brukes av finansanalytikere for å estimere kontantstrømmer og ideer om nye produkter. Porteføljeforvaltere og økonomiske rådgivere bruker dem for å bestemme effekten av investeringer på porteføljeutvikling og risiko. Forsikringsselskaper bruker dem for å estimere potensialet for krav og prispolicyer. Noen av de mest kjente multivariate modellene er de som brukes til å verdsette aksjeopsjoner. Multivariate modeller hjelper også analytikere med å bestemme de sanne driverne av verdi.

Om Monte Carlo analyse

Monte Carlo-analysen er oppkalt etter fyrstedømmet som ble berømt av kasinoene. Med sjansespill er alle mulige utfall og sannsynligheter kjent, men med de fleste investeringer er settet med fremtidige utfall ukjent.

Det er opp til analytikeren å bestemme resultatene og sannsynligheten for at de vil oppstå. I Monte Carlo-modellering kjører analytikeren flere studier, noen ganger tusenvis av dem, for å bestemme alle mulige utfall og sannsynligheten for at de vil finne sted.

Monte Carlo-analyse er nyttig fordi mange investerings- og forretningsvedtak tas på grunnlag av ett utfall. Med andre ord, mange analytikere henter et mulig scenario og sammenligner det deretter med de forskjellige hindringene for å bestemme om de skal fortsette.

De fleste pro forma-estimater starter med en grunnsak. Ved å legge inn den høyeste sannsynlighetsforutsetningen for hver faktor, kan en analytiker utlede det høyeste sannsynlighetsutfallet. Å ta eventuelle avgjørelser på grunnlag av en basesak er imidlertid problematisk, og det å lage en prognose med bare ett utfall er ikke tilstrekkelig fordi det ikke sier noe om andre mulige verdier som kan oppstå.

Den sier heller ikke noe om den reelle sjansen for at den faktiske fremtidige verdien vil være noe annet enn basissakens prediksjon. Det er umulig å sikre seg mot en negativ forekomst hvis driverne og sannsynligheten for disse hendelsene ikke er beregnet på forhånd.

Lage modellen

Når den er designet, krever utførelse av en Monte Carlo-modell et verktøy som vil tilfeldig velge faktorverdier som er bundet av visse forhåndsbestemte forhold. Ved å utføre en rekke studier med variabler begrenset av sine egne uavhengige sannsynligheter for forekomst, oppretter en analytiker en fordeling som inkluderer alle mulige utfall og sannsynlighetene for at de vil oppstå.

Det er mange generatorer av tilfeldige tall på markedet. De to vanligste verktøyene for å designe og utføre Monte Carlo-modeller er @Risk og Crystal Ball. Begge disse kan brukes som tillegg for regneark og tillater tilfeldig sampling å bli integrert i etablerte regnearkmodeller.

Kunsten å utvikle en passende Monte Carlo-modell er å bestemme de riktige begrensningene for hver variabel og riktig forhold mellom variabler. Fordi porteføljediversifisering for eksempel er basert på korrelasjonen mellom eiendeler, må enhver modell utviklet for å skape forventede porteføljeverdier inkludere korrelasjonen mellom investeringene.

For å velge riktig distribusjon for en variabel, må man forstå hver av de tilgjengelige distribusjonene som er tilgjengelige. For eksempel er den vanligste en normalfordeling, også kjent som en bjellekurve .

I en normalfordeling er alle forekomstene likt fordelt rundt gjennomsnittet. Gjennomsnittet er den mest sannsynlige hendelsen. Naturfenomener, folks høyder og inflasjon er noen eksempler på innspill som normalt distribueres.

I Monte Carlo-analysen velger en tilfeldig tallgenerator en tilfeldig verdi for hver variabel innenfor begrensningene satt av modellen. Deretter produserer det en sannsynlighetsfordeling for alle mulige utfall.

Standardavviket for denne sannsynligheten er en statistikk som angir sannsynligheten for at det faktiske utfallet som blir estimert vil være noe annet enn den gjennomsnittlige eller mest sannsynlige hendelsen. Forutsatt at en sannsynlighetsfordeling normalt fordeles, vil omtrent 68% av verdiene falle innenfor ett standardavvik for gjennomsnittet, omtrent 95% av verdiene vil falle innenfor to standardavvik, og omtrent 99, 7% vil ligge innenfor tre standardavvik for gjennomsnittet .

Dette er kjent som "68-95-99.7-regelen" eller "den empiriske regelen."

Hvem bruker metoden

Monte Carlo-analyser utføres ikke bare av fagpersoner i finans, men også av mange andre virksomheter. Det er et beslutningsverktøy som forutsetter at enhver beslutning vil ha en viss innvirkning på den generelle risikoen.

Hver enkelt person og enhver institusjon har en annen risikotoleranse. Det gjør det viktig å beregne risikoen for investeringer og sammenligne den med individets risikotoleranse.

Sannsynlighetsfordelingene produsert av en Monte Carlo-modell skaper et bilde av risiko. Dette bildet er en effektiv måte å formidle resultatene til andre, for eksempel overordnede eller potensielle investorer. I dag kan veldig komplekse Monte Carlo-modeller designes og utføres av alle som har tilgang til en personlig datamaskin.