Monte Carlo Simulation

Definisi: Simulasi Monte Carlo (juga dikenali sebagai analisis Monte Carlo) adalah teknik berkomputer yang canggih yang menggunakan teori kebarangkalian untuk analisis kewangan. Ia bertujuan untuk mengukur kesan kemungkinan kejadian rawak atau peluang pada, sebagai contoh, pulangan pelaburan dan hasil perniagaan. Nama ini berasal dari kasino terkenal di Monte Carlo di Monaco, dan membangkitkan permainan peluang yang melibatkan dadu, roda rolet atau kad.

Malah, kebanyakan teori kebarangkalian moden diperoleh dari usaha untuk mengukur kemungkinan dalam permainan tersebut.

Aplikasi: Biasanya, penganalisis sekuriti, penganalisis projek dan jabatan belanjawan korporat (untuk menyebut hanya beberapa contoh) membangunkan atau meneliti hanya satu senario kes asas. Dengan menggunakan analisis Monte Carlo, mereka boleh membuat model ramalan yang menawarkan lebih banyak maklumat, dalam bentuk julat kemungkinan hasil. Perunding pencen yang lebih maju dan perancang persaraan adalah antara profesional kewangan yang menggunakan kaedah ini. Ia juga mempunyai nilai jelas bagi para pengurus risiko untuk menggunakan dalam pengiraan risiko perniagaan.

Metodologi: Yang paling sering dibangunkan oleh jabatan sains pengurusan dan quants, di tengah-tengah simulasi Monte Carlo adalah penggunaan penjana nombor rawak berkomputer untuk mengubah input dalam model kewangan. Setiap pembolehubah dalam model diberikan kemungkinan hasil, berdasarkan analisis data sebelumnya.

Kemudian, setiap kali model dijalankan, komputer secara rawak akan memberikan nilai kepada pembolehubah tersebut, dalam julat yang ditentukan. Model ini biasanya dijalankan untuk ribuan lelaran, dengan pemboleh ubah input yang dijana secara rawak setiap kali. Hasil dalam semua simulasi ini ditabulasi dan diringkaskan ke dalam taburan kebarangkalian.

Bentuk Keputusan dan Output: Daripada senario kes asas yang paling mungkin, simulasi Monte Carlo biasanya menghasilkan pelbagai hasil yang menghampiri taburan normal (popularly called bell lengkung), dengan kebarangkalian dilampirkan pada setiap julat. Sebagai contoh, dengan menggunakan model yang dibina untuk meramalkan keuntungan bagi sebuah syarikat pada tahun hadapan, simulasi Monte Carlo boleh menghasilkan hasil seperti berikut:

• Median atau hasil yang paling mungkin: keuntungan $ 15 juta
• 66% kebarangkalian keuntungan antara $ 13 juta dan $ 17 juta
• 95% kebarangkalian keuntungan antara $ 11 juta dan $ 19 juta
• 99% kebarangkalian keuntungan antara $ 9 juta dan $ 21 juta

Kaveat: Hasil analisis Monte Carlo atau simulasi akan dibentuk oleh andaian yang digunakan dalam merekabentuknya. Seperti dalam mana-mana model kewangan, ketepatan andaian adalah kunci. Khususnya, dengan simulasi Monte Carlo, julat nilai-nilai yang mungkin diberikan kepada setiap pembolehubah merupakan set anggaran yang penting di mana keseluruhan usaha itu terletak, bersama dengan kaedah untuk menukar nombor rawak yang dijana oleh komputer ke dalam nilai dalam julat ini.