Kita dapat melihat sosok Monte Carlo di banyak tempat, memprediksi harga saham, memprediksi kerugian terbesar saham, memprediksi harga obligasi struktural.
Pertama-tama, simulasi Monte Carlo adalah metode statistik yang digunakan untuk mensimulasikan sejumlah besar data. Jika Anda langsung membaca kalimat ini, Anda akan langsung terjatuh, berteriak metode statistik, mengapa mensimulasikan sejumlah besar data?
Pertama, mengapa disebut simulasi Monte Carlo?
Simulasi Monte Carlo adalah sebuah metode statistik yang dikemukakan oleh matematikawan Amerika Serikat, John Newman dan Ulam, untuk memecahkan masalah penyebaran neutron acak zat fission dalam pengembangan bom atom selama Perang Dunia II. Karena pekerjaan saat itu rahasia, metode ini diberi nama Monte Carlo. Monte Carlo di Monako, adalah sebuah kasino yang sangat terkenal pada saat itu, dan esensi perjudian adalah perhitungan probabilitas, sehingga nama kasino ini disebut dengan nama kasino, dan juga mudah diingat.
Dan yang kedua, mengapa: apa sebenarnya simulasi Monte Carlo, dan mengapa itu digunakan dalam keuangan?
Jika Anda ingin tahu berapa harga saham di 100 hari ke depan, Anda pasti ingin tahu, jika Anda tahu, Anda tidak perlu mengikuti ujian CFA / FRM. Bagaimana Anda tahu?
Harga saham hari ini = harga saham kemarin + 0.2
Atau izinkan saya sedikit akademis, menggunakan sedikit rumus, yaitu St = St-1 + 0.2, yang berarti bahwa hari ini lebih banyak uang daripada kemarin, saya tahu harga penutupan kemarin, maka saya dapat mengetahui harga penutupan hari ini, dan kemudian saya dapat menemukan harga penutupan 100 hari kemudian.
Jangan lupa bahwa saham melompat-lompat seperti kelinci, jadi setiap hari ada kejutan besar, yang disebut fluktuasi harga saham. Saya tidak tahu berapa besar fluktuasi harga saham setiap hari, jadi itu acak, jadi wajar untuk berpikir bahwa ada juga hal acak dalam push:
Harga saham hari ini = harga saham kemarin + fluktuasi harga saham hari ini
Jika kita menggunakan metode statistik yang paling mudah dipahami, yaitu metode rilis rilis rilis rilis, maka kita bisa melangkah maju. Misalnya, jika saya rilis rilis rilis rilis pertama, e1 = 0.3, maka S1 = 10.3, saya melangkah maju, saya rilis rilis rilis rilis rilis e2 = -0.4, S2 = 9.9, dengan cara yang sama, saya melangkah maju, saya dapat menemukan rilis rilis rilis 100 hari kemudian, dan itu adalah cara yang baik untuk menemukan rilis rilis rilis rilis 100 hari ini.
Sampai di sini, semua orang pasti tahu, hanya dengan memodelkan satu kemungkinan itu terlalu tidak dapat diandalkan, saya secara acak menemukan harga saham VANCO setelah 100 hari dengan cara meluncurkan angka acak, saya pikir itu perkiraan saya, itu perkiraan saya juga terlalu acak. Jadi satu jalur yang tidak dapat diandalkan, itu bagus, saya menggunakan metode yang sama untuk memodelkan 100 jalur, 1000 jalur keluar, misalnya saya memodelkan 1000 jalur, maka pada hari ke-100, saya mengambil pisau, dan saya menemukan bahwa saya memasukkan 1000 data, dengan begitu banyak data keluar, yang paling sederhana, saya dapat membuat rata-rata, sehingga perkiraan harga saham VANCO relatif dapat diandalkan. Tentu saja ada 1.000 data, apa pun yang Anda inginkan, saya dapat menemukan distribusi data 1000 ini, dan Anda dapat melihat sifat data ini.
Tentu saja, pembagian bilangan acak juga tidak sepenuhnya tidak teratur, dan biasanya simulasi Monte Carlo mengasumsikan pembagian bilangan acak berdasarkan karakteristik data historis. Misalnya, jika kita menemukan bahwa fluktuasi harga saham masih sesuai dengan distribusi yang paling umum (distribusi normal), maka kita biasanya mengasumsikan bahwa e juga mematuhi distribusi normal, sehingga dapat memberi tahu komputer bagaimana untuk membagikan bilangan acak.
Dan ketiga, mengapa simulasi Monte Carlo adalah inovasi dalam penelitian keuangan?
Hal terbaik dari simulasi Monte Carlo adalah bahwa ia mengubah masalah ilmu sosial menjadi seperti ilmu alam. Ilmu alam, seperti kimia, fisika, yang paling dibutuhkan untuk penelitian adalah data, karena Anda dapat mengunci diri Anda di laboratorium dan Anda membuat mobil kecil itu berderak 10.000 kali, Anda memiliki 10.000 data, perubahan variabel yang paling halus dapat dipelajari secara komprehensif. Tetapi ilmu sosial seperti keuangan tidak dapat melakukan eksperimen, dan 100 hari berlalu, dan hanya 100 data, dan 100 hari berlalu, dan tidak mungkin untuk berjalan lagi, karena tidak ada cara untuk kembali. Jadi ketika Anda mempelajari pasar keuangan, jumlah data, ukuran sampel kecil adalah masalah terbesar, tetapi simulasi Monte Carlo dapat memecahkan masalah ini, Anda berjalan 1.000 jalur, Anda memiliki 1.000 data, Anda berjalan 10.000 jalur, Anda memiliki 10.000 data, seperti halnya jika Anda melakukannya di laboratorium, Anda bisa mendapatkan banyak buku.
Tentu saja, dari analisis di atas, kita juga dapat melihat bahwa ada keuntungan lain yang tidak terbatas pada data historis, karena data yang diperoleh adalah data simulasi, bukan data sejarah yang sebenarnya terjadi, sehingga analisis dapat lebih komprehensif. Misalnya, jika Anda melakukan penelitian hanya dengan data historis, tidak mungkin untuk memprediksi akan terjadi krisis pinjaman sekunder, karena tidak pernah terjadi dalam sejarah, tetapi dengan metode simulasi Anda bisa mendapatkan banyak data yang tidak pernah terjadi dalam sejarah, sehingga Anda dapat membuat prediksi yang lebih komprehensif.
Di atas ini adalah pengantar kita untuk model Monte Carlo, tentu saja dengan perkembangan teknologi informasi dan penyebaran pekerjaan, kita analis keuangan seringkali tidak perlu membuat model sendiri, tetapi kita masih perlu memiliki pengetahuan tentang prinsip-prinsip model sehingga kita tahu sejauh mana setiap model tidak berlaku, di mana risikonya, sehingga kita dapat membuat prediksi yang lebih baik tentang masa depan.
Dikutip dari: