Мы можем видеть в разных местах фигуры Монте-Карло, которые предсказывают цены на акции, прогнозируют максимальные потери на акции, прогнозируют цены на структурные облигации.
Прежде всего, мотомодели Монте-Карло - это статистический метод, который используется для моделирования большого количества данных. Если вы посмотрите прямо на это предложение, вы будете сразу же высушены, и вы будете кричать: "Статистический метод, зачем моделировать большое количество данных?"
Во-первых, почему мы называем это симуляцией Монте-Карло?
Модель Монте-Карло - это статистический метод, разработанный американскими математиками Б. Б. Нойманом и Уламом во время Второй мировой войны для решения задачи случайного расширения нейтронов расщепленных веществ в процессе разработки атомной бомбы. Поскольку эта работа была секретной, данный метод получил название Монте-Карло.
Во-вторых, почему: что такое модель Монте-Карло и почему она используется в финансах?
Например, если вчера ночью цены на акции компании были 10 долларов США, вы не хотите знать цены на акции компании через 100 дней?
Сегодняшняя стоимость акций = вчерашняя стоимость акций +0.2
Или позвольте мне немного поэтизировать, используя формулу St = St-1 + 0.2, это означает, что сегодня я выиграл два раза больше, чем вчера, и я знаю, что цена закрытия вчерашнего дня, и я могу узнать цену закрытия сегодня, и я смогу найти цену закрытия через 100 дней. Но эта формула слишком ненадежна, и мне не нужно больше изучать CFA / FRM, и я могу купить акции VANCO, зарабатывая два раза в день.
Не стоит забывать, что акции скачут вверх и вниз, как кролики, поэтому каждый день будет еще один сюрприз, который мы называем колебаниями цен на акции.
Сегодняшняя стоимость акций = вчерашняя стоимость акций + сегодняшнее колебание цен.
Математическое представление - это St = St-1 + e, и e представляет колебания цен на акции в течение дня, это случайное число, а так называемое случайное число - неопределенное значение. Теперь нам нужно только использовать наиболее понятный статистический метод, который называется способом выпуска случайных чисел, и я могу двигаться вперед. Например, если я выпустил первое случайное число, e1 = 0.3, то S1 = 10.3, я иду на шаг вперед, я выпустил еще одно случайное число e2 = -0.4, S2 = 9.9, и, следуя тому же методу, я иду на шаг вперед, и я могу найти цену на акции в 100 000 дней, и я могу найти лучший способ найти движение цен на акции в 100 000 дней.
Я думаю, что это моя оценка, и я думаю, что моя оценка слишком случайна. Так что один путь, который не является надежным, это хорошо, я использую тот же метод, я моделирую 100, 1000 путей, например, я моделирую 1000 путей, и когда я беру на 100 день, я вырезаю, и я нахожу, что есть 1000 данных, с таким количеством данных, простейший способ, который я могу сделать, это получить среднее, так что оценка цены на акции Ванко является относительно надежным. Конечно, есть 1000 данных, что бы вы ни сделали, я могу найти эти 1000 распределений данных, чтобы рассмотреть качество данных.
Конечно, распределение случайных чисел также не является полностью нерегулярным, и обычно модели Монте-Карло предполагают распределение случайных чисел на основе характеристик исторических данных. Например, мы обнаруживаем, что колебания цен на акции соответствуют наиболее распространенному распределению (обычное распределение), тогда мы обычно предполагаем, что e также подчиняется нормальному распределению, чтобы рассказать компьютеру, как распределить случайные числа.
В-третьих, почему модели Монте-Карло являются инновационными в финансовых исследованиях?
Самое великое в моделировании Монте-Карло заключается в том, что оно превращает проблему социальной науки в естественную науку. В естественных науках, таких как химия или физика, наиболее часто исследуемые являются данные, потому что вы можете закрыть себя в лаборатории, и если вы запустите эту машину 10 000 раз, у вас будет 10 000 данных, мельчайшие изменения переменных, которые можно изучить. Но финансовая социальная наука не может проводить эксперименты, которые проходят через 100 дней, а затем только 100 данных, и через 100 дней невозможно вернуться, потому что время не может повториться.
Конечно, из вышеизложенного анализа мы также можем увидеть, что есть еще одно преимущество - это то, что он не ограничивается историческими данными, поскольку он получает данные, которые были смоделированы, а не данные, которые действительно произошли в истории, поэтому анализ может быть более полным. Например, если вы делаете исследование только с историческими данными, невозможно предсказать, что произойдет кризис вторичных кредитов, поскольку в истории этого никогда не было, но с помощью моделируемого метода можно получить много данных, которые не произошли в истории, и можно сделать более полный прогноз.
Конечно, с развитием информационных технологий и всеобъемлющим делением работы мы, финансовые аналитики, нередко не нуждаемся в собственной модели, но нам необходимо иметь некоторое понимание принципов модели, чтобы знать, в какой степени каждая модель не применима, где риски, которые она несет, чтобы лучше прогнозировать будущее.
Перевод и трансляция