Co je Monte Carlo simulace?

Monte Carlo simulace je výpočetní metoda, která využívá náhodné vzorkování k řešení složitých matematických a statistických problémů. Místo aby se snažila nalézt přesné řešení pomocí vzorců, provádí tisíce až miliony náhodných „pokusů“ a z jejich výsledků odvozuje pravděpodobnostní závěry.

Metoda vznikla koncem 40. let 20. století v americké laboratoři Los Alamos. Matematik Stanisław Ulam při hraní karetního pasiánsu přemýšlel, jak spočítat pravděpodobnost výhry. Zjistil, že místo složitého výpočtu je jednodušší sehrát mnoho her a výsledky prostě spočítat. Spolu s Johnem von Neumannem tuto myšlenku rozvinuli pro potřeby jaderného výzkumu a metodu pojmenovali podle monackého města Monte Carlo, proslulého kasiny a hazardními hrami.

Základní princip je překvapivě jednoduchý. Představte si, že chcete zjistit průměrnou hmotnost jablek v bedně. Místo vážení všech jablek jich náhodně vyberete padesát, zvážíte je a spočítáte průměr. Pokud je výběr dostatečně velký a skutečně náhodný, výsledek se bude blížit skutečnosti. Tuto myšlenku formálně zajišťuje zákon velkých čísel — čím více vzorků, tím přesnější odhad.

V investiční praxi se Monte Carlo simulace používá především pro modelování nejistoty a rizika. Investoři ji využívají k odhadu budoucího vývoje portfolia, kdy každý scénář představuje jednu možnou trajektorii výnosů. Typické aplikace zahrnují:

• Plánování důchodového spoření a odhad pravděpodobnosti, že naspořená částka vydrží po celou dobu důchodu
• Oceňování opcí, zejména amerických opcí s možností předčasného uplatnění
• Analýzu rizika portfolia a výpočet hodnoty v riziku (Value at Risk)
• Strategickou alokaci aktiv pro dlouhodobé investiční horizonty

Pro investory je klíčovým přínosem schopnost zachytit takzvané riziko sekvence výnosů. Dva investoři mohou mít stejný průměrný roční výnos, ale pokud jeden zažije špatné roky na začátku období a druhý na konci, jejich konečné výsledky se mohou výrazně lišit. Monte Carlo simulace tento efekt přirozeně zohledňuje, protože každá simulovaná trajektorie prochází vlastním pořadím dobrých a špatných let.

Při čtení výsledků simulace je důležité zaměřit se na medián spíše než na průměr. Rozdělení výsledků je obvykle asymetrické směrem doprava, což znamená, že průměr je tažen vzhůru několika extrémně příznivými scénáři. Medián představuje realističtější střed. Stejně tak je vhodné sledovat pátý percentil jako realistický špatný scénář, nikoli jako absolutní nejhorší případ.

Monte Carlo simulace není dokonalá. Její výsledky jsou tak dobré, jak dobré jsou vstupní předpoklady o rozdělení výnosů, volatilitě a vzájemných korelacích. Pokud jsou tyto předpoklady chybné, mohou být i závěry zavádějící. Přesto jde o jeden z nejuniverzálnějších nástrojů pro kvantifikaci nejistoty v investičním rozhodování.

Zdroj
https://is.muni.cz/th/jcoe5/DP_505546.pdf
https://www.portfoliovisualizer.com/monte-carlo-simulation