Simulasi Monte Carlo adalah model matematika untuk menghitung probabilitas hasil tertentu dengan menguji atau mengambil sampel secara acak berbagai skenario dan variabel. Pertama kali digunakan oleh Stanilaw Ulam, seorang ahli matematika yang bekerja di Proyek Manhattan selama Perang Dunia II, simulasi memberikan analis jalan untuk membuat keputusan sulit dan memecahkan masalah kompleks yang memiliki banyak bidang ketidakpastian. Dinamakan setelah resor berpenduduk kasino di Monako, simulasi Monte Carlo menggunakan data statistik historis untuk menghasilkan jutaan hasil keuangan yang berbeda dengan memasukkan komponen secara acak di setiap proses yang dapat memengaruhi hasil akhir, seperti pengembalian akun, volatilitas, atau korelasi. Setelah skenario dirumuskan, metode menghitung peluang untuk mencapai hasil tertentu. Tidak seperti analisis perencanaan keuangan standar yang menggunakan rata-rata jangka panjang dan perkiraan pertumbuhan atau tabungan di masa depan, simulasi Monte Carlo, tersedia dalam perangkat lunak dan aplikasi web, dapat memberikan cara yang lebih realistis untuk menangani variabel dan mengukur probabilitas risiko atau imbalan keuangan.
Metode Monte Carlo sering digunakan untuk perencanaan keuangan pribadi, evaluasi portofolio, penilaian obligasi dan opsi obligasi, dan dalam keuangan perusahaan atau proyek. Meskipun perhitungan probabilitas bukanlah hal baru, David B. Hertz pertama kali mempeloporinya di bidang keuangan pada tahun 1964 dengan artikelnya, “Analisis Risiko dalam Investasi Modal,” yang diterbitkan di Harvard Business Review. Phelim Boyle menerapkan metode tersebut pada penilaian derivatif pada tahun 1977, menerbitkan makalahnya, “Options: A Monte Carlo Approach,” dalam Journal of Financial Economics. Teknik ini lebih sulit digunakan dengan opsi Amerika, dan dengan hasil yang bergantung pada asumsi yang mendasarinya, ada beberapa peristiwa yang tidak dapat diprediksi oleh simulasi Monte Carlo.
Simulasi menawarkan beberapa keuntungan berbeda dibandingkan bentuk lain dari analisis keuangan. Selain menghasilkan probabilitas titik akhir yang mungkin dari strategi yang diberikan, metode perumusan data memfasilitasi pembuatan grafik dan bagan, mendorong komunikasi temuan yang lebih baik kepada investor dan pemegang saham. Simulasi Monte Carlo menyoroti dampak relatif dari setiap variabel ke garis bawah. Dengan menggunakan simulasi ini, analis juga dapat melihat dengan tepat bagaimana kombinasi input tertentu mempengaruhi dan saling mempengaruhi satu sama lain. Pemahaman tentang hubungan saling ketergantungan positif dan negatif antara variabel memberikan analisis risiko yang lebih akurat dari instrumen apa pun.
Analisis risiko dengan metode ini melibatkan penggunaan distribusi probabilitas untuk menggambarkan variabel. Distribusi probabilitas yang terkenal adalah kurva normal atau lonceng, dengan pengguna menentukan nilai yang diharapkan dan kurva standar deviasi mendefinisikan variasi. Harga energi dan tingkat inflasi dapat digambarkan dengan kurva lonceng. Distribusi lognormal menggambarkan variabel positif dengan potensi peningkatan yang tidak terbatas, seperti cadangan minyak atau harga saham. Seragam, segitiga, dan diskrit adalah contoh kemungkinan distribusi probabilitas lainnya. Nilai, yang diambil sampelnya secara acak dari kurva probabilitas, diajukan dalam set yang disebut iterasi.