Usando a análise de Monte Carlo para estimar o risco

O modelo de Monte Carlo permite que os pesquisadores executem várias tentativas e definam todos os possíveis resultados de um evento ou investimento. Juntos, eles criam uma distribuição de probabilidade ou avaliação de risco para um determinado investimento ou evento.

A análise de Monte Carlo é uma técnica de modelagem multivariada. Todos os modelos multivariados podem ser considerados complexos "e se?" cenários. Os analistas de pesquisa os utilizam para prever resultados de investimentos, entender as possibilidades em torno de suas exposições de investimentos e mitigar melhor os riscos. No método de Monte Carlo, os resultados são comparados com a tolerância ao risco. Isso ajuda o gerente a decidir se deseja prosseguir com um investimento ou projeto.

Quem usa modelos multivariados

Usuários de modelos multivariados alteram o valor de múltiplas variáveis ​​para determinar seu impacto potencial no projeto que está sendo avaliado.

Os modelos são usados ​​por analistas financeiros para estimar fluxos de caixa e novas idéias de produtos. Os gerentes de portfólio e consultores financeiros os utilizam para determinar o impacto dos investimentos no desempenho e no risco do portfólio. As companhias de seguros as utilizam para estimar o potencial de reclamações e apólices de preços. Alguns dos modelos multivariados mais conhecidos são aqueles usados ​​para avaliar opções de ações. Modelos multivariados também ajudam os analistas a determinar os verdadeiros direcionadores de valor.

Sobre a análise de Monte Carlo

A análise de Monte Carlo recebeu o nome do principado que ficou famoso por seus cassinos. Nos jogos de azar, todos os resultados e probabilidades possíveis são conhecidos, mas com a maioria dos investimentos o conjunto de resultados futuros é desconhecido.

Cabe ao analista determinar os resultados e a probabilidade de que eles ocorram. Na modelagem de Monte Carlo, o analista executa várias tentativas, às vezes milhares delas, para determinar todos os resultados possíveis e a probabilidade de que eles ocorram.

A análise de Monte Carlo é útil porque muitas decisões de investimento e de negócios são tomadas com base em um resultado. Em outras palavras, muitos analistas derivam um cenário possível e o comparam aos vários obstáculos para decidir se devem prosseguir.

A maioria das estimativas pró-forma começa com um caso base. Ao inserir a suposição de maior probabilidade para cada fator, um analista pode derivar o resultado de maior probabilidade. No entanto, tomar qualquer decisão com base em um caso base é problemático e criar uma previsão com apenas um resultado é insuficiente porque não diz nada sobre outros valores possíveis que possam ocorrer.

Também não diz nada sobre a chance muito real de que o valor futuro real seja algo diferente da previsão do caso base. É impossível proteger contra uma ocorrência negativa se os fatores e probabilidades desses eventos não forem calculados com antecedência.

Criando o modelo

Uma vez projetada, a execução de um modelo de Monte Carlo requer uma ferramenta que seleciona aleatoriamente valores de fatores que são limitados por determinadas condições predeterminadas. Ao executar uma série de tentativas com variáveis ​​restritas por suas próprias probabilidades independentes de ocorrência, um analista cria uma distribuição que inclui todos os resultados possíveis e as probabilidades de que eles ocorram.

Existem muitos geradores de números aleatórios no mercado. As duas ferramentas mais comuns para projetar e executar modelos de Monte Carlo são @Risk e Crystal Ball. Ambos podem ser usados ​​como suplementos para planilhas e permitem que a amostragem aleatória seja incorporada nos modelos de planilhas estabelecidos.

A arte no desenvolvimento de um modelo apropriado de Monte Carlo é determinar as restrições corretas para cada variável e o relacionamento correto entre as variáveis. Por exemplo, como a diversificação de portfólio é baseada na correlação entre ativos, qualquer modelo desenvolvido para criar valores esperados de portfólio deve incluir a correlação entre investimentos.

Para escolher a distribuição correta para uma variável, é preciso entender cada uma das possíveis distribuições disponíveis. Por exemplo, a mais comum é uma distribuição normal, também conhecida como curva de sino .

Em uma distribuição normal, todas as ocorrências são igualmente distribuídas em torno da média. A média é o evento mais provável. Fenômenos naturais, altura das pessoas e inflação são alguns exemplos de insumos normalmente distribuídos.

Na análise de Monte Carlo, um gerador de números aleatórios seleciona um valor aleatório para cada variável dentro das restrições definidas pelo modelo. Em seguida, produz uma distribuição de probabilidade para todos os resultados possíveis.

O desvio padrão dessa probabilidade é uma estatística que indica a probabilidade de o resultado real estimado ser algo diferente do evento médio ou mais provável. Supondo que uma distribuição de probabilidade seja normalmente distribuída, aproximadamente 68% dos valores cairão dentro de um desvio padrão da média, cerca de 95% dos valores cairão dentro de dois desvios padrão e cerca de 99, 7% estarão dentro de três desvios padrão da média .

Isso é conhecido como "regra 68-95-99.7" ou "regra empírica".

Quem usa o método

As análises de Monte Carlo não são conduzidas apenas por profissionais de finanças, mas também por muitas outras empresas. É uma ferramenta de tomada de decisão que assume que toda decisão terá algum impacto no risco geral.

Cada indivíduo e instituição tem uma tolerância a riscos diferente. Isso torna importante calcular o risco de qualquer investimento e compará-lo com a tolerância ao risco do indivíduo.

As distribuições de probabilidade produzidas por um modelo de Monte Carlo criam uma imagem de risco. Essa imagem é uma maneira eficaz de transmitir os resultados a outras pessoas, como superiores ou potenciais investidores. Hoje, modelos muito complexos de Monte Carlo podem ser projetados e executados por qualquer pessoa com acesso a um computador pessoal.