Chúng ta có thể thấy mô hình Monte Carlo ở nhiều nơi, dự đoán giá cổ phiếu, dự đoán mức thua lỗ lớn nhất của cổ phiếu, dự đoán giá trái phiếu cấu trúc.
Để bắt đầu, hãy giới thiệu rằng mô phỏng Monte Carlo là một phương pháp thống kê được sử dụng để mô phỏng một lượng lớn dữ liệu. Nếu bạn nhìn thẳng vào câu nói này, bạn sẽ bị khô ngay lập tức, kêu lên phương pháp thống kê, tại sao bạn nên mô phỏng một lượng lớn dữ liệu?
Thứ nhất, tại sao lại được gọi là mô phỏng Monte Carlo?
Mô phỏng Monte Carlo là một phương pháp thống kê được đưa ra bởi các nhà toán học người Mỹ, bao gồm Dunnoyman và Ulam, để giải quyết vấn đề phân tán ngẫu nhiên neutron trong công việc phát triển bom nguyên tử trong Thế chiến II. Vì công việc của họ là bí mật, nó được đặt tên là Monte Carlo. Monte Carlo ở Monaco là một thành phố sòng bạc rất nổi tiếng vào thời điểm đó, và bản chất của cờ bạc là tính toán xác suất, vì vậy nó được đặt tên theo tên của thành phố sòng bạc và dễ nhớ.
Thứ hai, tại sao: Mô hình Monte Carlo là gì và tại sao nó được sử dụng trong tài chính?
Nếu giá cổ phiếu của chúng tôi là 10 đô la tối qua, bạn có muốn biết giá cổ phiếu của chúng tôi trong 100 ngày tới không? Chắc chắn bạn muốn biết, nếu bạn biết, bạn sẽ không cần phải kiểm tra CFA / FRM. Làm thế nào để biết?
Giá cổ phiếu ngày hôm nay = giá cổ phiếu ngày hôm qua + 0.2
Hoặc cho phép tôi học thuật một chút, sử dụng một công thức, đó là St = St-1 + 0.2, điều đó có nghĩa là ngày hôm nay tăng gấp đôi so với ngày hôm qua, tôi biết giá đóng cửa ngày hôm qua, tôi có thể biết giá đóng cửa ngày hôm nay, và sau đó tôi có thể tìm giá đóng cửa sau 100 ngày.
Đừng quên rằng cổ phiếu nhảy vọt như một con chuột, vì vậy mỗi ngày sẽ có một điều bất ngờ, chúng ta gọi đó là biến động giá cổ phiếu. Giá cổ phiếu thay đổi mỗi ngày tôi không biết bao nhiêu, vì vậy nó là ngẫu nhiên, vì vậy nó là tự nhiên để nghĩ rằng trong quá trình đẩy này cũng có một điều ngẫu nhiên:
Giá cổ phiếu hôm nay = giá cổ phiếu ngày hôm qua + biến động giá cổ phiếu hôm nay
Ví dụ, nếu tôi phát một số ngẫu nhiên đầu tiên, e1 = 0.3, sau đó S1 = 10.3, tôi sẽ đi một bước phía trước, tôi phát một số ngẫu nhiên khác e2 = -0.4, S2 = 9.9, theo cùng một phương pháp, đi trước, bạn có thể tìm ra giá cổ phiếu của một triệu ngày sau đó, và đó là một con đường tốt hơn để tìm ra biến động giá cổ phiếu của 100 ngày này.
Vì vậy, một con đường không đáng tin cậy, đó là tốt, tôi đã mô phỏng 100 con đường, 1000 con đường, ví dụ như tôi mô phỏng 1000 con đường, sau đó vào ngày thứ 100, tôi lấy dao cắt, và tôi sẽ thấy có 1000 dữ liệu, với số lượng dữ liệu này, đơn giản nhất, tôi có thể tạo ra một trung bình, và giá cổ phiếu của VANCO đã được ước tính tương đối đáng tin cậy. Dĩ nhiên, có 1.000 dữ liệu, bạn có thể làm gì đó, tôi có thể tìm thấy 1.000 phân bố dữ liệu, bạn có thể xem xét chất lượng dữ liệu này.
Tất nhiên, việc phát ra các số ngẫu nhiên cũng không hoàn toàn bất thường, thường mô phỏng Monte Carlo giả định phân bố số ngẫu nhiên dựa trên các đặc điểm của dữ liệu lịch sử. Ví dụ, nếu chúng ta thấy sự biến động của giá cổ phiếu vẫn phù hợp với phân bố phổ biến nhất ("phân bố bình thường"), thì chúng ta thường giả định e cũng tuân theo phân bố bình thường, để cho máy tính biết cách phát ra số ngẫu nhiên.
Và thứ ba: Tại sao mô phỏng Monte Carlo lại là một bước đột phá trong nghiên cứu tài chính?
Một trong những điểm tuyệt vời nhất của mô phỏng Monte Carlo là nó biến một vấn đề khoa học xã hội thành một vấn đề khoa học tự nhiên. Các ngành khoa học tự nhiên, như hóa học, vật lý, những nghiên cứu mà chúng ta cần nhiều nhất là dữ liệu, bởi vì bạn có thể tự nhốt mình trong phòng thí nghiệm, bạn có thể làm cho chiếc xe nhỏ đó đập 10 000 lần, bạn có 10 000 dữ liệu, những thay đổi nhỏ nhất của các biến có thể được nghiên cứu toàn diện. Nhưng khoa học xã hội như tài chính không thể thực hiện các thí nghiệm, và 100 ngày trôi qua, chỉ có 100 dữ liệu, và 100 ngày trôi qua, bạn không thể đi lại một lần nữa, bởi vì thời gian không thể quay lại một lần nữa.
Tất nhiên, từ phân tích trên, chúng ta cũng có thể thấy rằng nó cũng có một lợi thế là nó không giới hạn trong dữ liệu lịch sử, bởi vì dữ liệu mà nó nhận được là mô phỏng, chứ không phải dữ liệu thực tế lịch sử, và phân tích có thể được toàn diện hơn. Ví dụ, nếu bạn chỉ nghiên cứu bằng dữ liệu lịch sử, không thể dự đoán rằng cuộc khủng hoảng vay nợ sẽ xảy ra, bởi vì lịch sử chưa bao giờ xảy ra, nhưng với phương pháp mô phỏng, bạn có thể nhận được nhiều dữ liệu không xuất hiện trong lịch sử, bạn có thể làm một dự đoán toàn diện hơn.
Tất nhiên, với sự phát triển của công nghệ thông tin và sự phân chia công việc, các nhà phân tích tài chính thường không cần phải tự tạo ra mô hình, nhưng vẫn cần một số kiến thức về các nguyên tắc của mô hình để biết phạm vi không phù hợp của mỗi mô hình, rủi ro của nó để có thể dự đoán tốt hơn về tương lai.
Được chuyển từ Nhà quản lý