En Monte Carlo-simulering är en matematisk modell för att beräkna sannolikheten för ett specifikt utfall genom att slumpmässigt testa eller ta ett urval av en mängd olika scenarier och variabler. Simuleringarna användes först av Stanilaw Ulam, en matematiker som arbetade på Manhattan-projektet under andra världskriget, och ger analytiker en väg för att fatta svåra beslut och lösa komplexa problem som har flera områden av osäkerhet. Monte Carlo-simuleringen är uppkallad efter den kasinobefolkade resorten i Monaco och använder historiska statistiska data för att generera miljontals olika ekonomiska utfall genom att slumpmässigt infoga komponenter i varje körning som kan påverka slutresultatet, såsom kontoavkastning, volatilitet eller korrelationer. När scenarierna väl är formulerade, beräknar metoden oddsen för att nå ett visst resultat. Till skillnad från standardanalyser av finansiell planering som använder långsiktiga medelvärden och uppskattningar av framtida tillväxt eller besparingar, kan Monte Carlo-simuleringen, tillgänglig i mjukvara och webbapplikationer, ge ett mer realistiskt sätt att hantera variabler och mäta sannolikheterna för finansiell risk eller belöning.
Monte Carlo-metoder används ofta för personlig finansiell planering, portföljutvärdering, värdering av obligationer och obligationsoptioner och inom företags- eller projektfinansiering. Även om sannolikhetsberäkningar inte är nya, var David B. Hertz först pionjär inom finans 1964 med sin artikel, ”Risk Analysis in Capital Investment”, publicerad i Harvard Business Review. Phelim Boyle tillämpade metoden för derivatvärdering 1977 och publicerade sin artikel, ”Options: A Monte Carlo Approach”, i Journal of Financial Economics. Tekniken är svårare att använda med amerikanska alternativ, och eftersom resultaten är beroende av de underliggande antagandena finns det några händelser som Monte Carlo-simuleringen inte kan förutsäga.
Simulering erbjuder flera distinkta fördelar jämfört med andra former av finansiell analys. Förutom att generera sannolikheterna för de möjliga slutpunkterna för en given strategi, underlättar metoden för dataformulering skapandet av grafer och diagram, vilket främjar bättre kommunikation av resultaten till investerare och aktieägare. Monte Carlo-simulering belyser den relativa inverkan av varje variabel på den nedersta raden. Med hjälp av denna simulering kan analytiker också se exakt hur vissa kombinationer av input påverkar och samspelar med varandra. Förståelse av de positiva och negativa ömsesidigt beroende förhållandena mellan variabler ger en mer exakt riskanalys av alla instrument.
Riskanalys med denna metod innebär användning av sannolikhetsfördelningar för att beskriva variablerna. En välkänd sannolikhetsfördelning är normalkurvan eller klockkurvan, där användare anger det förväntade värdet och en standardavvikelsekurva som definierar variationen. Energipriser och inflationstakt kan avbildas med klockkurvor. Lognormalfördelningar visar positiva variabler med obegränsad potential att öka, såsom oljereserver eller aktiekurser. Uniform, triangulär och diskret är exempel på andra möjliga sannolikhetsfördelningar. Värden, som är slumpmässigt samplade från sannolikhetskurvorna, skickas i uppsättningar som kallas iterationer.