Använda Monte Carlo-analys för att uppskatta risk

Monte Carlo-modellen tillåter forskare att genomföra flera försök och definiera alla potentiella resultat av en händelse eller investering. Tillsammans skapar de en sannolikhetsfördelning eller riskbedömning för en given investering eller händelse.

Monte Carlo-analys är en multivariat modelleringsteknik. Alla multivariate modeller kan betraktas som komplexa "vad om?" scenarier. Forskningsanalytiker använder dem för att förutse investeringsresultat, för att förstå möjligheterna kring deras investeringsexponeringar och för att bättre mildra riskerna. I Monte Carlo-metoden jämförs resultaten mot risktolerans. Det hjälper en chef att besluta om han ska gå vidare med en investering eller ett projekt.

Vem använder multivariate modeller

Användare av multivariate modeller ändrar värdet på flera variabler för att fastställa deras potentiella påverkan på projektet som utvärderas.

Modellerna används av finansanalytiker för att uppskatta kassaflöden och idéer om nya produkter. Portföljförvaltare och finansiella rådgivare använder dem för att bestämma investeringarnas inverkan på portföljprestanda och risk. Försäkringsbolag använder dem för att uppskatta potentialen för fordringar och prispolicyer. Några av de mest kända multivariatmodellerna är de som används för att värdera aktieoptioner. Multivariate modeller hjälper också analytiker att bestämma de verkliga drivkrafterna för värde.

Om Monte Carlo-analys

Monte Carlo-analysen är uppkallad efter furstendömet berömd av sina kasinon. Med chansspel är alla möjliga utfall och sannolikheter kända, men med de flesta investeringar är uppsättningen av framtida resultat okänd.

Det är upp till analytikern att bestämma resultaten och sannolikheten för att de kommer att inträffa. Vid Monte Carlo-modellering genomför analytiker flera försök, ibland tusentals av dem, för att bestämma alla möjliga utfall och sannolikheten för att de kommer att äga rum.

Monte Carlo-analys är användbar eftersom många investerings- och affärsbeslut fattas på grundval av ett resultat. Med andra ord, många analytiker hämtar ett möjligt scenario och jämför sedan det med olika hinder för att avgöra om de ska fortsätta.

De flesta pro forma-uppskattningar börjar med ett basfall. Genom att ange det högsta sannolikhetsantagandet för varje faktor kan en analytiker härleda det högsta sannolikhetsutfallet. Det är emellertid problematiskt att fatta beslut på grundval av ett basfall och det är otillräckligt att skapa en prognos med endast ett resultat eftersom det inte säger något om andra möjliga värden som kan uppstå.

Det säger ingenting om den verkliga chansen att det verkliga framtida värdet kommer att vara något annat än basfallsprognosen. Det är omöjligt att säkra sig mot en negativ händelse om drivrutinerna och sannolikheten för dessa händelser inte beräknas i förväg.

Skapa modellen

När en Monte Carlo-modell har utformats kräver ett verktyg som slumpmässigt väljer faktorvärden som är bundna av vissa förutbestämda förhållanden. Genom att genomföra ett antal försök med variabler begränsade av sina egna oberoende sannolikheter för förekomst, skapar en analytiker en fördelning som inkluderar alla möjliga utfall och sannolikheten att de kommer att inträffa.

Det finns många generatorer av slumpmässiga nummer på marknaden. De två vanligaste verktygen för design och exekvering av Monte Carlo-modeller är @Risk och Crystal Ball. Båda dessa kan användas som tillägg för kalkylark och tillåter slumpmässig sampling att införlivas i etablerade kalkylarkmodeller.

Konsten att utveckla en lämplig Monte Carlo-modell är att bestämma de rätta begränsningarna för varje variabel och det korrekta förhållandet mellan variabler. Eftersom portföljdiversifiering till exempel bygger på sambandet mellan tillgångar, måste alla modeller som utvecklats för att skapa förväntade portföljvärden inkludera korrelation mellan investeringar.

För att välja rätt distribution för en variabel måste man förstå var och en av de tillgängliga fördelningarna. Till exempel är den vanligaste en normalfördelning, även känd som en klockkurva .

I en normalfördelning är alla händelser lika fördelade runt medelvärdet. Medelvärdet är den mest troliga händelsen. Naturfenomen, människors höjder och inflation är några exempel på insatsvaror som normalt distribueras.

I Monte Carlo-analysen väljer en slumptalsgenerator ett slumpmässigt värde för varje variabel inom de begränsningar som anges av modellen. Den producerar sedan en sannolikhetsfördelning för alla möjliga resultat.

Standardavvikelsen för denna sannolikhet är en statistik som anger sannolikheten för att det faktiska utfallet som uppskattas kommer att vara något annat än den genomsnittliga eller mest sannolika händelsen. Förutsatt att en sannolikhetsfördelning normalt fördelas, kommer cirka 68% av värdena att falla inom en standardavvikelse för medelvärdet, cirka 95% av värdena kommer att falla inom två standardavvikelser, och cirka 99, 7% kommer att ligga inom tre standardavvikelser för medelvärdet .

Detta kallas "68-95-99.7 regel" eller "empirisk regel."

Vem använder metoden

Monte Carlo-analyser utförs inte bara av ekonomer utan också av många andra företag. Det är ett beslutsfattande verktyg som antar att varje beslut kommer att ha någon inverkan på den totala risken.

Varje individ och varje institution har en annan risktolerans. Det gör det viktigt att beräkna risken för investeringar och jämföra den med individens risktolerans.

Sannolikfördelningarna som produceras av en Monte Carlo-modell skapar en bild av risken. Den bilden är ett effektivt sätt att förmedla resultaten till andra, till exempel överordnade eller potentiella investerare. Idag kan mycket komplexa Monte Carlo-modeller designas och köras av alla som har tillgång till en persondator.