Uso del análisis de Monte Carlo para estimar el riesgo

El modelo de Monte Carlo permite a los investigadores realizar múltiples ensayos y definir todos los resultados potenciales de un evento o inversión. Juntos, crean una distribución de probabilidad o una evaluación de riesgos para una inversión o evento dado.

El análisis de Monte Carlo es una técnica de modelado multivariante. Todos los modelos multivariados pueden considerarse complejos "¿y si?" escenarios Los analistas de investigación los utilizan para pronosticar resultados de inversión, para comprender las posibilidades que rodean sus exposiciones de inversión y para mitigar mejor los riesgos. En el método de Monte Carlo, los resultados se comparan con la tolerancia al riesgo. Eso ayuda a un gerente a decidir si procede con una inversión o proyecto.

Quién usa modelos multivariados

Los usuarios de modelos multivariados cambian el valor de múltiples variables para determinar su impacto potencial en el proyecto que se está evaluando.

Los analistas financieros utilizan los modelos para estimar los flujos de efectivo y las ideas de nuevos productos. Los gerentes de cartera y los asesores financieros los usan para determinar el impacto de las inversiones en el desempeño y el riesgo de la cartera. Las compañías de seguros los usan para estimar el potencial de reclamos y para fijar precios de pólizas. Algunos de los modelos multivariados más conocidos son aquellos utilizados para valorar las opciones sobre acciones. Los modelos multivariados también ayudan a los analistas a determinar los verdaderos impulsores del valor.

Sobre el análisis de Monte Carlo

El análisis de Monte Carlo lleva el nombre del principado hecho famoso por sus casinos. Con los juegos de azar, se conocen todos los posibles resultados y probabilidades, pero con la mayoría de las inversiones se desconoce el conjunto de resultados futuros.

Depende del analista determinar los resultados y la probabilidad de que ocurran. En el modelo de Monte Carlo, el analista ejecuta múltiples ensayos, a veces miles de ellos, para determinar todos los resultados posibles y la probabilidad de que tengan lugar.

El análisis de Monte Carlo es útil porque muchas decisiones comerciales y de inversión se toman sobre la base de un resultado. En otras palabras, muchos analistas obtienen un escenario posible y luego lo comparan con los diversos obstáculos para decidir si proceder.

La mayoría de las estimaciones pro forma comienzan con un caso base. Al ingresar el supuesto de probabilidad más alta para cada factor, un analista puede derivar el resultado de probabilidad más alto. Sin embargo, tomar cualquier decisión sobre la base de un caso base es problemático, y crear un pronóstico con un solo resultado es insuficiente porque no dice nada sobre ningún otro valor posible que pueda ocurrir.

Tampoco dice nada acerca de la posibilidad muy real de que el valor futuro real sea algo más que la predicción del caso base. Es imposible protegerse contra una ocurrencia negativa si los factores y las probabilidades de estos eventos no se calculan por adelantado.

Creando el modelo

Una vez diseñado, la ejecución de un modelo de Monte Carlo requiere una herramienta que seleccione aleatoriamente valores de factores que están sujetos a ciertas condiciones predeterminadas. Al ejecutar una serie de ensayos con variables limitadas por sus propias probabilidades independientes de ocurrencia, un analista crea una distribución que incluye todos los resultados posibles y las probabilidades de que ocurran.

Hay muchos generadores de números aleatorios en el mercado. Las dos herramientas más comunes para diseñar y ejecutar modelos de Monte Carlo son @Risk y Crystal Ball. Ambos pueden usarse como complementos para hojas de cálculo y permiten incorporar muestras aleatorias en modelos de hojas de cálculo establecidos.

El arte en el desarrollo de un modelo apropiado de Monte Carlo es determinar las restricciones correctas para cada variable y la relación correcta entre las variables. Por ejemplo, debido a que la diversificación de la cartera se basa en la correlación entre activos, cualquier modelo desarrollado para crear valores de cartera esperados debe incluir la correlación entre las inversiones.

Para elegir la distribución correcta para una variable, uno debe comprender cada una de las posibles distribuciones disponibles. Por ejemplo, la más común es una distribución normal, también conocida como curva de campana .

En una distribución normal, todas las ocurrencias se distribuyen equitativamente alrededor de la media. La media es el evento más probable. Los fenómenos naturales, las alturas de las personas y la inflación son algunos ejemplos de insumos que normalmente se distribuyen.

En el análisis de Monte Carlo, un generador de números aleatorios elige un valor aleatorio para cada variable dentro de las restricciones establecidas por el modelo. Luego produce una distribución de probabilidad para todos los resultados posibles.

La desviación estándar de esa probabilidad es una estadística que denota la probabilidad de que el resultado real que se estima sea algo más que la media o el evento más probable. Suponiendo que una distribución de probabilidad se distribuye normalmente, aproximadamente el 68% de los valores caerán dentro de una desviación estándar de la media, aproximadamente el 95% de los valores caerán dentro de dos desviaciones estándar, y aproximadamente el 99.7% se ubicarán dentro de las tres desviaciones estándar de la media .

Esto se conoce como la "regla 68-95-99.7" o la "regla empírica".

Quién usa el método

Los análisis de Monte Carlo no solo son realizados por profesionales financieros sino también por muchas otras empresas. Es una herramienta de toma de decisiones que supone que cada decisión tendrá algún impacto en el riesgo general.

Cada individuo e institución tiene una tolerancia al riesgo diferente. Eso hace que sea importante calcular el riesgo de cualquier inversión y compararlo con la tolerancia al riesgo del individuo.

Las distribuciones de probabilidad producidas por un modelo de Monte Carlo crean una imagen de riesgo. Esa imagen es una forma efectiva de transmitir los resultados a otros, como superiores o posibles inversores. Hoy en día, cualquier persona con acceso a una computadora personal puede diseñar y ejecutar modelos muy complejos de Monte Carlo.