Una simulazione Monte Carlo è un modello matematico per calcolare la probabilità di un risultato specifico testando o campionando in modo casuale un’ampia varietà di scenari e variabili. Utilizzate per la prima volta da Stanilaw Ulam, un matematico che ha lavorato al Progetto Manhattan durante la seconda guerra mondiale, le simulazioni forniscono agli analisti una via per prendere decisioni difficili e risolvere problemi complessi che presentano molteplici aree di incertezza. Prende il nome dal resort popolato da casinò a Monaco, la simulazione Monte Carlo utilizza dati statistici storici per generare milioni di risultati finanziari diversi inserendo in modo casuale componenti in ogni corsa che possono influenzare il risultato finale, come i rendimenti del conto, la volatilità o le correlazioni. Una volta formulati gli scenari, il metodo calcola le probabilità di raggiungere un determinato risultato. A differenza delle analisi di pianificazione finanziaria standard che utilizzano medie a lungo termine e stime della crescita o dei risparmi futuri, la simulazione Monte Carlo, disponibile nel software e nelle applicazioni web, può fornire un mezzo più realistico per gestire le variabili e misurare le probabilità di rischio o rendimento finanziario.
I metodi Monte Carlo sono spesso utilizzati per la pianificazione finanziaria personale, la valutazione del portafoglio, la valutazione di obbligazioni e opzioni obbligazionarie e nella finanza aziendale o di progetto. Sebbene i calcoli di probabilità non siano nuovi, David B. Hertz li ha introdotti per la prima volta nella finanza nel 1964 con il suo articolo “Risk Analysis in Capital Investment”, pubblicato sulla Harvard Business Review. Phelim Boyle ha applicato il metodo alla valutazione dei derivati nel 1977, pubblicando il suo articolo, “Opzioni: un approccio Monte Carlo”, nel Journal of Financial Economics. La tecnica è più difficile da usare con le opzioni americane e, poiché i risultati dipendono dalle ipotesi sottostanti, ci sono alcuni eventi che la simulazione Monte Carlo non può prevedere.
La simulazione offre diversi vantaggi distinti rispetto ad altre forme di analisi finanziaria. Oltre a generare le probabilità dei possibili endpoint di una determinata strategia, il metodo di formulazione dei dati facilita la creazione di grafici e diagrammi, favorendo una migliore comunicazione dei risultati a investitori e azionisti. La simulazione Monte Carlo evidenzia l’impatto relativo di ciascuna variabile sulla linea di fondo. Utilizzando questa simulazione, gli analisti possono anche vedere esattamente come determinate combinazioni di input influiscono e interagiscono tra loro. La comprensione delle relazioni interdipendenti positive e negative tra le variabili consente un’analisi del rischio più accurata di qualsiasi strumento.
L’analisi del rischio con questo metodo prevede l’uso di distribuzioni di probabilità per descrivere le variabili. Una ben nota distribuzione di probabilità è la curva normale o a campana, con gli utenti che specificano il valore atteso e una curva di deviazione standard che definisce la variazione. I prezzi dell’energia ei tassi di inflazione possono essere rappresentati da curve a campana. Le distribuzioni lognormali ritraggono variabili positive con un potenziale illimitato di aumento, come le riserve di petrolio oi prezzi delle azioni. Uniforme, triangolare e discreta sono esempi di altre possibili distribuzioni di probabilità. I valori, che sono campionati casualmente dalle curve di probabilità, sono presentati in insiemi chiamati iterazioni.
Smart Asset.