Wir können die Figuren der Monte Carlo-Simulation an vielen Orten sehen, die Aktienpreise vorhersagen, die größten Verluste von Aktien vorhersagen, die Preise von strukturellen Anleihen vorhersagen.
Zunächst einmal ist die Monte Carlo-Simulation eine statistische Methode, die verwendet wird, um große Mengen an Daten zu simulieren. Wenn Sie diesen Satz direkt lesen, werden Sie direkt getrocknet und rufen: "Warum soll ich eine große Menge an Daten simulieren?"
Erstens: Warum heißt es die Monte Carlo-Simulation?
Die Monte-Carlo-Modelle ist eine statistische Methode, die von den US-amerikanischen Mathematikern Neumann und Ulam und anderen während des Zweiten Weltkriegs zur Lösung der Felsbruchprobleme in der Atomwaffenentwicklung entwickelt wurde. Sie wurde als Monte-Carlo bezeichnet, weil ihre Arbeit zu dieser Zeit geheim war. Monte-Carlo war in Monaco eine sehr bekannte Spielburg, und die Essenz des Glücksspiels war die Wahrscheinlichkeit, so dass die Methode mit dem Namen der Spielburg benannt wurde und leicht zu erinnern ist.
Zweitens: Was ist die Monte Carlo-Simulation und warum wird sie in der Finanzwelt eingesetzt?
Wenn man sich vorstellt, dass die Werckbörse gestern Abend 10 Dollar geschlossen hat, möchte man nicht wissen, was die Werckbörse in 100 Tagen sein wird?
Der heutige Aktienkurs ist gleich dem gestrigen Aktienkurs +0.2.
Oder lassen Sie mich ein bisschen akademisch sein, mit einer Formel, nämlich St = St-1 + 0.2, das bedeutet, dass ich heute zwei Mal mehr verdiene als gestern, und ich weiß, dass ich gestern den Schlusskurs habe, um den heutigen Schlusskurs zu wissen, und dann kann ich den Schlusskurs nach 100 Tagen finden.
Vergessen Sie nicht, dass Aktien wie ein Hunde auf und ab springen, also gibt es jeden Tag eine ungewöhnliche Überraschung, die wir Aktienpreisschwankungen nennen.
Der heutige Aktienkurs ist gleich dem heutigen Aktienkurs + der heutigen Aktienfluktuation.
Die mathematische Darstellung ist, dass St = St-1 + e, und e steht für die tägliche Kursschwankung, und es ist eine zufällige Zahl, und die zufällige Zahl ist eine unbestimmte Zahl. Jetzt müssen wir nur eine der am besten verständlichen statistischen Methoden verwenden, nämlich die Methode der Zufallsbewegung, und ich kann vorwärts gehen. Zum Beispiel, wenn ich zu diesem Zeitpunkt die erste zufällige Zahl S0 = 10 der ersten Millionen Aktien ausspiele, und e1 = 0.3, dann ist S1 = 10.3, gehe ich einen Schritt vorwärts, ich sende eine weitere zufällige Zahl e2 = -0.4, S2 = 9.9, und nach der gleichen Methode, indem ich vorwärts gehe, kann ich den Preis der Millionen Aktien nach 100 Tagen finden.
Wenn ich nur ein mögliches Ergebnis simuliere, ist es sicherlich zu unzuverlässig. Ich habe den Kurs der Aktie nach 100 Tagen durch die Methode der randomisierten Zahlen herausgefunden, und ich denke, das ist meine Schätzung, also meine Schätzung ist zu zufällig. Also ein unzuverlässiger Weg, das ist gut, ich habe 100 oder 1000 Wege mit derselben Methode simuliert.
Natürlich ist die Ausgabe von Zufallszahlen auch nicht völlig unregelmäßig. Im Allgemeinen geht man mit einem Monte Carlo-Simulationen anhand der Eigenschaften der historischen Daten von der Ausgabe von Zufallszahlen aus. Zum Beispiel, wenn wir feststellen, dass die Kursschwankungen der Aktien die häufigste Ausgabe (die normale Ausgabe) entsprechen, dann gehen wir im Allgemeinen davon aus, dass e auch der normalen Ausgabe unterliegt, um dem Computer zu sagen, wie die Zufallszahlen ausgegeben werden sollen.
Und drittens: Warum ist die Monte Carlo-Analyse so innovativ in der Finanzforschung?
Das Beste an Monte Carlo-Simulationen ist, dass sie ein Problem der Sozialwissenschaften in die Naturwissenschaften verwandeln. Die Naturwissenschaften, wie Chemie oder Physik, brauchen am meisten Zeit für ihre Forschung an Daten, denn man kann sich in einem Labor einschließen, und wenn man den Wagen 10.000 Mal abstoßen lässt, hat man 10.000 Daten, die man mit den kleinsten Variablen untersuchen kann. Aber die Sozialwissenschaften der Finanzen haben keine Möglichkeit, Experimente zu machen, und wenn 100 Tage vergangen sind, sind es nur 100 Daten.
Natürlich können wir aus der obigen Analyse auch sehen, dass es einen Vorteil hat, dass es sich nicht auf historische Daten beschränkt, da es simulierte Daten erhält, nicht auf historische Fakten, so dass die Analyse umfassender sein kann. Zum Beispiel, wenn Sie nur mit historischen Daten forschen, ist es unmöglich, eine Subkreditkrise vorherzusagen, weil sie sich in der Geschichte nie ereignet hat, aber mit einer simulierten Methode können Sie viele Daten erhalten, die sich in der Geschichte nicht ereignet haben, um eine umfassendere Vorhersage zu machen.
Das ist unsere Einführung in die Monte Carlo-Simulation. Natürlich brauchen wir Finanz-Analysten mit der Entwicklung der Informationstechnologie und der Komplexität der Arbeitsteilung oft keine eigenen Modelle, aber wir brauchen ein gewisses Verständnis für die Prinzipien der Modelle, um zu wissen, wo jedes Modell nicht zutrifft, wo es Risiken birgt, um bessere Prognosen für die Zukunft zu machen.
Übersetzt von: