Mit jelent?
A Monte Carlo-szimuláció nevét a monacói kaszinóvárosról kapta, mert a módszer lényege maga is a véletlenre épül. Ahelyett, hogy egyetlen forgatókönyvet (pl. "a hozam évi 6% lesz") feltételeznénk, a szimuláció ezer vagy akár tízezer véletlenszerű, de valószínűségileg reális kimenetet generál — mindegyiket kicsit más hozam-, infláció- vagy kamatpályával —, majd összegzi az eredményeket.
A végeredmény nem egyetlen szám, hanem egy eloszlás: megmutatja, hogy a szimulált esetek hány százalékában érte el a portfólió a kitűzött célt, mekkora volt a legrosszabb 5%-os forgatókönyv, és mekkora a medián kimenet. Ez sokkal árnyaltabb képet ad, mint egy statikus, egyetlen feltételezésre épülő számítás.
Hol használják?
Nyugdíj-tervezésben gyakori kérdés: "ha havi X forintot teszek félre Y évig, mekkora eséllyel lesz elég a megtakarításom a nyugdíjas éveimre?" Erre egyetlen átlaghozammal számolt válasz félrevezető, mert a hozamok éves ingadozása (volatilitása) is számít — két portfólió lehet ugyanolyan átlaghozamú, mégis nagyon eltérő eséllyel éri el a célt, ha az egyik sokkal hektikusabb.
A módszert emellett opcióárazásban, kockázatkezelésben és a sztochasztikus portfóliómodellezésben is alkalmazzák — utóbbi lényegében a Monte Carlo-logika portfóliószintű, sok eszközosztályt egyszerre kezelő kiterjesztése.
Mire figyelj?
A szimuláció eredménye csak annyira megbízható, amennyire a bemeneti feltételezések — például a hozamok szórása és korrelációja — reálisak. Ha a modell a múltbeli, esetleg szokatlanul nyugodt vagy szokatlanul viharos időszak adataira épül, torz képet adhat. Éppen ezért a jó Monte Carlo-elemzés mindig feltünteti, milyen historikus vagy feltételezett paraméterekkel dolgozott, és a végeredményt valószínűségi sávként (pl. "70% esély a cél elérésére"), nem pedig biztos ígéretként érdemes kezelni. Ha egy alap vagy tanácsadó ilyen elemzéssel áll elő, érdemes rákérdezni a felhasznált feltételezésekre.