ETFFIN Finance >> Corso di Finanza Personale >  >> Gestione Finanziaria >> Finanze

Simulazione di Monte Carlo: Probabilità, Rischio e Applicazioni

Cos'è una Simulazione di Monte Carlo?

Le simulazioni di Monte Carlo modellano la probabilità di diversi esiti in processi difficili da prevedere a causa di variabili aleatorie. Sono una tecnica per comprendere l'impatto di rischio e incertezza in modelli previsionali e di forecasting.

Possono affrontare problemi in quasi ogni campo: finanza, ingegneria, supply chain, scienza. Sono anche chiamate simulazioni a probabilità multipla.

Punti Chiave

  • Modello per prevedere la probabilità di diversi esiti con variabili aleatorie.
  • Spiegano l'impatto di rischio e incertezza in modelli previsionali.
  • Usate in finanza, ingegneria, supply chain, scienza.
  • Assegnano valori multipli a una variabile incerta per ottenere più risultati, poi calcolano la media per una stima.
  • Assumono mercati perfettamente efficienti.

Comprendere le Simulazioni di Monte Carlo

Di fronte a significativa incertezza in una previsione o stima, invece di sostituire la variabile incerta con una singola media, Monte Carlo usa molteplici valori, offrendo una soluzione migliore.

Business e finanza sono pieni di variabili aleatorie: Monte Carlo ha vastissime applicazioni. Stima la probabilità di sforamenti di costo in grandi progetti e la likelihood che un prezzo si muova in un certo modo.

Le telecom le usano per valutare le performance di rete in scenari diversi, ottimizzandola. Gli analisti le usano per valutare il rischio di default di un'entità e analizzare derivati come le opzioni.

Assicurazioni e trivellazioni petrolifere le impiegano. Hanno applicazioni anche fuori business/finanza: meteorologia, astronomia, fisica delle particelle.

Storia della Simulazione di Monte Carlo

Il nome deriva dalla famosa destinazione di gioco d'azzardo a Monaco, poiché il caso e gli esiti aleatori sono centrali nella tecnica, come in roulette, dadi, slot machine.

La tecnica fu sviluppata da Stanislaw Ulam, matematico del Progetto Manhattan. Dopo la guerra, durante la convalescenza da un intervento al cervello, Ulam giocò innumerevoli partite a solitario. Si interessò a tracciare gli esiti per osservarne la distribuzione e determinare la probabilità di vincere. Condivise l'idea con John Von Neumann e i due collaborarono per sviluppare la simulazione di Monte Carlo.

Metodo della Simulazione di Monte Carlo

La base è che la probabilità di esiti variabili non può essere determinata per l'interferenza di variabili aleatorie. Quindi la simulazione ripete costantemente campioni casuali per ottenere certi risultati.

Prende la variabile incerta e le assegna un valore casuale. Il modello gira e produce un risultato. Il processo si ripete assegnando alla variabile molti valori diversi. Completata la simulazione, i risultati sono mediati per fornire una stima.

Calcolare una Simulazione di Monte Carlo in Excel

Un modo per usare Monte Carlo è modellare possibili movimenti di prezzo di asset con Excel. Due componenti nel movimento del prezzo: drift (movimento direzionale costante) e input casuale (volatilità di mercato).

Analizzando dati storici dei prezzi, si determinano drift, deviazione standard, varianza e movimento medio del prezzo. Questi sono i mattoni della simulazione.

Per proiettare una possibile traiettoria di prezzo, si usano i dati storici per generare una serie di rendimenti giornalieri periodici usando il logaritmo naturale (diverso dalla formula usuale del cambiamento percentuale):

Rendimento Giornaliero Periodico=ln(Prezzo del GiornoPrezzo Giorno Precedente)

Poi si usano le funzioni MEDIA, STDEV.P e VAR.P sull'intera serie per ottenere rendimento medio giornaliero, deviazione standard e varianza. Il drift è:

Drift=Rendimento Medio Giornaliero−2 dove: Rendimento Medio Giornaliero = Prodotto dalla funzione MEDIA di Excel dalla serie rendimenti periodici Varianza = Prodotto dalla funzione VAR.P di Excel dalla serie rendimenti periodici

In alternativa, il drift può essere impostato a 0; riflette un orientamento teorico, ma la differenza non è enorme, almeno per orizzonti brevi.

Poi si ottiene un input casuale:

Valore Casuale=σ×NORMSINV(CASUALE()) dove: σ=Deviazione standard, dalla funzione STDEV.P di Excel dalla serie rendimenti periodici NORMSINV e CASUALE = Funzioni Excel

L'equazione per il prezzo del giorno successivo è:

Prezzo Giorno Successivo=Prezzo Odierno×e(Drift+Valore Casuale)

Per elevare e a una potenza x in Excel, si usa la funzione EXP: EXP(x). Si ripete il calcolo per il numero di volte desiderato (ogni ripetizione = un giorno) per ottenere una simulazione del movimento futuro. Generando un numero arbitrario di simulazioni, si valuta la probabilità che il prezzo di un titolo segua una data traiettoria.

Considerazioni Particolari

Le frequenze dei diversi esiti generati formano una distribuzione normale, una curva a campana. Il rendimento più probabile è al centro: uguale chance che il rendimento reale sia più alto o più basso.

La probabilità che il rendimento reale sia entro una deviazione standard dal tasso più probabile ("atteso") è 68%, entro due deviazioni 95%, entro tre 99,7%. Tuttavia, non c'è garanzia che l'esito più atteso si verifichi, né che i movimenti reali non superino le proiezioni più estreme.

Crucialmente, le simulazioni di Monte Carlo ignorano tutto ciò che non è incorporato nel movimento del prezzo (macro trend, leadership aziendale, hype, fattori ciclici); in altre parole, assumono mercati perfettamente efficienti.