몬테카를로 시뮬레이션이란 무엇이며 왜 필요한가?
분석가는 여러 가지 방법으로 가능한 포트폴리오 수익을 평가할 수 있습니다. 가장 인기있는 역사적 접근 방식은 이미 발생한 모든 가능성을 고려합니다. 그러나 투자자는 이것에 멈추지 않아야합니다. Monte Carlo 방법은 통계적 문제를 해결하기위한 확률 론적 (입력의 임의 샘플링) 방법이며 시뮬레이션은 문제의 가상 표현입니다. Monte Carlo 시뮬레이션은이 두 가지를 결합하여 여러 번의 입력으로 반복해서 샘플링 된 통계 문제에 대한 결과 분포 (배열)를 얻을 수있는 강력한 도구를 제공합니다. (자세한 내용은 확률 론적: 정확한 구매 및 판매 지표를 참조하십시오.)
몬테카를로 시뮬레이션
몬테 카를로 시뮬레이션은 주사위를 던지는 사람에 대해 생각하면 가장 잘 이해할 수 있습니다. 처음으로 크랩을하는 초보자 도박꾼은 어떤 조합 (예를 들어, 4, 2, 3, 3, 1, 5)으로 6을 굴릴 확률이 무엇인지 알 수 없습니다. "하드 6"이라고도 알려진 2 개의 3을 굴릴 확률은 얼마입니까? 주사위를 여러 번, 이상적으로는 수백만 번 던지면 결과의 대표적인 분포를 얻을 수 있으며, 이는 6 개의 롤이 어려운 6이 될 가능성을 알려줍니다. 이상적으로는 이러한 테스트를 효율적이고 신속하게 실행해야합니다. 이것이 바로 Monte Carlo 시뮬레이션이 제공하는 것입니다.
자산 가격 또는 포트폴리오의 미래 가치는 주사위의 롤에 의존하지 않지만 때로는 자산 가격이 임의의 산책과 비슷합니다. 역사를 혼자 바라 보는 데있어서의 문제점은 사실상 하나의 롤 또는 가능한 결과를 나타내며, 이는 미래에 적용될 수도 있고 그렇지 않을 수도 있다는 것입니다. Monte Carlo 시뮬레이션은 광범위한 가능성을 고려하여 불확실성을 줄이는 데 도움이됩니다. Monte Carlo 시뮬레이션은 매우 유연합니다. 모든 매개 변수에 따라 위험 가정을 다양화할 수 있으므로 다양한 결과를 모델링 할 수 있습니다. 여러 미래의 결과를 비교하고 검토중인 다양한 자산 및 포트폴리오에 맞게 모델을 사용자 정의 할 수 있습니다. 자세한 내용은 확률 분포에 적합한 피팅 찾기를 참조하십시오.
금융에서 몬테카를로 시뮬레이션의 응용
Monte Carlo 시뮬레이션은 금융 및 기타 분야에서 수많은 응용 분야를 가지고 있습니다. Monte Carlo는 기업 재무에서 불확실성에 의해 영향을받는 프로젝트 현금 흐름의 구성 요소를 모델링하는 데 사용됩니다. 결과는 순 현재 가치 (NPV) 범위와 분석중인 투자의 평균 NPV에 대한 관측치 및 변동성입니다. 따라서 투자자는 NPV가 0보다 클 확률을 추정 할 수 있습니다. Monte Carlo는 기초 자산의 가격에 대한 수많은 임의의 경로가 생성되는 옵션 가격 책정에 사용됩니다. 이 대가는 현재로 다시 할인되고 옵션 가격을 얻기 위해 평균화됩니다. 고정 수입 증권 및 이자율 파생 상품의 가격 책정에도 유사하게 사용됩니다. 그러나 Monte Carlo 시뮬레이션은 포트폴리오 관리 및 개인 재무 계획에서 가장 광범위하게 사용됩니다. (자세한 내용은 자본 투자 결정-증분 현금 흐름을 참조하십시오.)
몬테카를로 시뮬레이션 및 포트폴리오 관리
Monte Carlo 시뮬레이션을 통해 분석가는 원하는 은퇴 라이프 스타일 및 기타 원하는 선물 및 요청을 지원하기 위해 은퇴에 필요한 포트폴리오의 크기를 결정할 수 있습니다. 그녀는 재투자 비율, 인플레이션 비율, 자산 군 수익률, 세율 및 가능한 수명의 분포를 고려합니다. 그 결과 고객의 원하는 지출 요구를 지원할 가능성이있는 포트폴리오 크기가 분배됩니다.
다음으로 분석가는 Monte Carlo 시뮬레이션을 사용하여 소유자의 은퇴 날짜에 포트폴리오의 예상 가치와 분포를 결정합니다. 시뮬레이션을 통해 분석가는 다중 기간보기 및 경로 의존성을 고려할 수 있습니다. 모든 기간의 포트폴리오 가치와 자산 배분은 이전 기간의 수익률과 변동성에 따라 다릅니다. 분석가는 다양한 위험 등급, 자산 간 서로 다른 상관 관계 및 각 기간의 비용 절감 및 퇴직 날짜를 포함하여 많은 요인의 분포와 함께 다양한 자산 할당을 사용하여 도착 확률과 함께 포트폴리오 분포에 도달합니다. 은퇴시 원하는 포트폴리오 가치. 고객이 사망하기 전에 자금이 소진 될 확률 (파멸 또는 수명 위험)을 결정하기 위해 고객의 다양한 지출률과 수명을 고려할 수 있습니다.
포트폴리오 관리 결정에 영향을 미치는 가장 중요한 요소는 고객의 리스크 및 수익 프로파일입니다. 고객이 요구하는 수익은 은퇴와 지출 목표의 기능입니다. 그녀의 위험 프로파일은 위험을 감수 할 능력과 의지에 의해 결정됩니다. 종종 고객의 원하는 수익과 위험 프로필이 서로 동기화되지 않습니다. 예를 들어, 고객이 수용 할 수있는 위험 수준으로 인해 원하는 수익을 얻는 것이 불가능하거나 매우 어려울 수 있습니다. 또한, 은퇴하기 전에 고객의 목표를 달성하기 위해 최소 금액이 필요할 수 있지만, 고객의 라이프 스타일은 저축을 허용하지 않거나 고객이이를 변경하기를 꺼려 할 수 있습니다.
매년 열심히 일하고 값 비싼 휴일을 포함하여 호화로운 생활을하는 젊은 일하는 부부의 예를 생각해 봅시다. 그들은 연간 170, 000 달러 (약 14, 000 달러 / 월)를 지출하고 자녀들에게 100 만 달러의 재산을 남기는 은퇴 목표를 가지고 있습니다. 분석가는 시뮬레이션을 실행하고 퇴직시 원하는 포트폴리오 가치를 구축하기에 기간 당 저축이 충분하지 않다는 것을 알게됩니다. 그러나 소액 주식에 대한 배분이 두 배가되면 (25 ~ 35 %에서 최대 50 ~ 70 %) 위험을 크게 증가시킬 수 있습니다. 상기 대안들 중 어느 것도 (높은 절약 또는 증가 된 위험) 클라이언트에 수용 될 수 없다. 따라서 분석가는 시뮬레이션을 다시 실행하기 전에 다른 조정을 고려합니다. 애널리스트는 퇴직을 2 년 연기하고 퇴직 후 월 지출을 12, 500 달러로 줄입니다. 결과 분포는 소액 주식에 대한 할당을 8 % 만 늘림으로써 원하는 포트폴리오 가치를 달성 할 수 있음을 보여줍니다. 분석가는 통찰력을 바탕으로 고객에게 퇴직을 연기하고 지출을 소폭 줄 이도록 조언합니다. (자세한 내용 은 Monte Carlo Simulation을 사용한 은퇴 계획을 참조하십시오.)
결론
몬테카를로 시뮬레이션은 분석가와 자문가가 투자 기회를 선택으로 전환 할 수 있도록합니다. Monte Carlo의 장점은 다양한 입력에 대해 다양한 값을 고려할 수 있다는 것입니다. 이는 출력이 입력만큼만 우수하기 때문에 가정이 공정해야한다는 점에서 가장 큰 단점입니다. 또 다른 큰 단점은 Monte Carlo 시뮬레이션이 금융 위기와 같은 극심한 곰 사건의 확률을 과소 평가하는 경향이 있다는 것입니다. 실제로 전문가들은 몬테카를로와 같은 시뮬레이션은 금융의 행동 적 측면과 시장 참여자가 보여주는 비이성 성을 고려할 수 없다고 주장합니다. 그러나 어드바이저에게는 유용한 도구입니다.
