Eine Monte-Carlo-Simulation ist ein mathematisches Modell zur Berechnung der Wahrscheinlichkeit eines bestimmten Ergebnisses durch zufälliges Testen oder Abtasten einer Vielzahl von Szenarien und Variablen. Die Simulationen wurden erstmals von Stanilaw Ulam verwendet, einem Mathematiker, der während des Zweiten Weltkriegs am Manhattan-Projekt arbeitete, und bieten Analysten eine Möglichkeit, schwierige Entscheidungen zu treffen und komplexe Probleme mit mehreren Unsicherheitsbereichen zu lösen. Benannt nach dem von Casinos bevölkerten Resort in Monaco, verwendet die Monte-Carlo-Simulation historische statistische Daten, um Millionen verschiedener finanzieller Ergebnisse zu generieren, indem zufällig Komponenten in jeden Lauf eingefügt werden, die das Endergebnis beeinflussen können, wie z. B. Kontorendite, Volatilität oder Korrelationen. Sobald die Szenarien formuliert sind, berechnet die Methode die Wahrscheinlichkeit, ein bestimmtes Ergebnis zu erreichen. Im Gegensatz zu herkömmlichen Finanzplanungsanalysen, die langfristige Durchschnitte und Schätzungen des zukünftigen Wachstums oder der Einsparungen verwenden, kann die Monte-Carlo-Simulation, die in Software- und Webanwendungen verfügbar ist, ein realistischeres Mittel zum Umgang mit Variablen und zur Messung der Wahrscheinlichkeit von finanziellen Risiken oder Erträgen bieten.
Monte-Carlo-Methoden werden häufig bei der persönlichen Finanzplanung, der Portfoliobewertung, der Bewertung von Anleihen und Anleihenoptionen sowie in der Unternehmens- oder Projektfinanzierung eingesetzt. Obwohl Wahrscheinlichkeitsberechnungen nicht neu sind, hat David B. Hertz 1964 mit seinem im Harvard Business Review veröffentlichten Artikel „Risk Analysis in Capital Investment“ zum ersten Mal Pionierarbeit im Finanzbereich geleistet. Phelim Boyle wandte die Methode 1977 auf die Bewertung von Derivaten an und veröffentlichte seinen Artikel „Options: A Monte Carlo Approach“ im Journal of Financial Economics. Die Technik ist bei amerikanischen Optionen schwieriger anzuwenden, und da die Ergebnisse von den zugrunde liegenden Annahmen abhängen, gibt es einige Ereignisse, die die Monte-Carlo-Simulation nicht vorhersagen kann.
Simulation bietet verschiedene Vorteile gegenüber anderen Formen der Finanzanalyse. Neben der Generierung der Wahrscheinlichkeiten der möglichen Endpunkte einer bestimmten Strategie erleichtert die Methode der Datenformulierung die Erstellung von Grafiken und Diagrammen und fördert eine bessere Kommunikation der Ergebnisse an Investoren und Aktionäre. Die Monte-Carlo-Simulation hebt den relativen Einfluss jeder Variablen auf das Endergebnis hervor. Mithilfe dieser Simulation können Analysten auch genau sehen, wie sich bestimmte Kombinationen von Eingaben gegenseitig beeinflussen und miteinander interagieren. Das Verständnis der positiven und negativen gegenseitigen Beziehungen zwischen Variablen ermöglicht eine genauere Risikoanalyse jedes Instruments.
Die Risikoanalyse nach dieser Methode beinhaltet die Verwendung von Wahrscheinlichkeitsverteilungen, um die Variablen zu beschreiben. Eine bekannte Wahrscheinlichkeitsverteilung ist die Normal- oder Glockenkurve, bei der Benutzer den erwarteten Wert und eine Standardabweichungskurve die Variation definieren. Energiepreise und Inflationsraten können durch Glockenkurven dargestellt werden. Lognormalverteilungen stellen positive Variablen mit unbegrenztem Steigerungspotenzial dar, wie beispielsweise Ölreserven oder Aktienkurse. Gleichförmig, dreieckig und diskret sind Beispiele für andere mögliche Wahrscheinlichkeitsverteilungen. Werte, die zufällig aus den Wahrscheinlichkeitskurven gezogen werden, werden in Sets, die als Iterationen bezeichnet werden, übermittelt.