Monte Carlo VaR är en metod för att uppskatta VaR (Value at Risk) som använder datorprogramvara för att generera hundratals eller tusentals möjliga resultat baserat på initialdata som användaren angett.
De erhållna resultaten ordnas från högsta till minsta lönsamhet som vid beräkning av VaR enligt den historiska metoden. Därefter identifierar vi 5% av data med lägst avkastning, och den högsta av de 5% lägsta avkastningarna kommer att vara VaR. Uppgif.webpterna presenteras vanligtvis grafiskt för att få en bättre visualisering av resultaten och deras frekvens.
Den största fördelen med att uppskatta VaR med Monte Carlo-metoden är i sin tur dess största nackdel, eftersom en serie antaganden kommer att genereras som kommer att styra resultaten (vägberoende eller beroende på den valda vägen) beroende på de inmatade initiala uppgif.webpterna. Med tanke på komplexiteten i Monte Carlo kan du ha en falsk känsla av tillförlitlighet, men om de inmatade uppgif.webpterna (ingångarna) inte är korrekta kommer informationen inte att vara tillförlitlig. Trots detta är det vanligtvis mer exakt än den parametriska VaR-metoden.
Monte Carlo-simuleringExempel på VaR med Monte Carlo-metoden
Tänk dig att efter att ha genererat 100 olika resultat av datorprogrammet (vanligtvis används fler, men vi kommer att använda 100 för att underlätta exemplet), och beställa värden som erhålls från högsta till lägsta, får vi att de fem värsta är följande :
-15,25%, -12,75%, -10,85%, -10,05%, -8,75%
Om vi vill beräkna VaR med 95% konfidens måste vi välja de 5% som har de sämsta resultaten. Vi väljer sedan det femte sämsta resultatet (5% av 100) under hela perioden, vilket är -8,75%. Om vi antar att investeringen i denna tillgång är 1 miljon euro kommer VaR på 5% att vara 87 500 euro, det vill säga det är 5% sannolikhet att förlora minst 87 500 euro och 95% sannolikhet att denna förlust är mindre. Därför måste företaget ta hänsyn till att fem av 100 månader förlorar minst 87 500 euro, eller att en av 20 månader förlorar minst 87 500 euro.
