Symulacja Monte Carlo to model matematyczny do obliczania prawdopodobieństwa określonego wyniku poprzez losowe testowanie lub próbkowanie szerokiej gamy scenariuszy i zmiennych. Po raz pierwszy wykorzystane przez Stanisława Ulama, matematyka, który pracował nad Projektem Manhattan podczas II wojny światowej, symulacje zapewniają analitykom drogę do podejmowania trudnych decyzji i rozwiązywania złożonych problemów, które mają wiele obszarów niepewności. Nazwana na cześć zaludnionego kasynem kurortu w Monako, symulacja Monte Carlo wykorzystuje historyczne dane statystyczne do generowania milionów różnych wyników finansowych poprzez losowe wstawianie elementów w każdym przebiegu, które mogą wpłynąć na wynik końcowy, takich jak zwroty z kont, zmienność lub korelacje. Po sformułowaniu scenariuszy metoda oblicza szanse osiągnięcia określonego wyniku. W przeciwieństwie do standardowych analiz planowania finansowego, które wykorzystują długoterminowe średnie i szacunki przyszłego wzrostu lub oszczędności, symulacja Monte Carlo, dostępna w oprogramowaniu i aplikacjach internetowych, może zapewnić bardziej realistyczny sposób obsługi zmiennych i pomiaru prawdopodobieństwa ryzyka finansowego lub zysku.
Metody Monte Carlo są często wykorzystywane do osobistego planowania finansowego, oceny portfela, wyceny obligacji i opcji na obligacje oraz w finansowaniu korporacyjnym lub projektowym. Chociaż obliczenia prawdopodobieństwa nie są niczym nowym, David B. Hertz jako pierwszy wprowadził je w finansach w 1964 r. w swoim artykule „Risk Analysis in Capital Investment”, opublikowanym w Harvard Business Review. Phelim Boyle zastosował tę metodę do wyceny instrumentów pochodnych w 1977 r., publikując swój artykuł „Options: A Monte Carlo Approach” w Journal of Financial Economics. Technika ta jest trudniejsza w użyciu w przypadku opcji amerykańskich, a ponieważ wyniki zależą od założeń leżących u jej podstaw, istnieją pewne zdarzenia, których symulacja Monte Carlo nie jest w stanie przewidzieć.
Symulacja oferuje kilka wyraźnych zalet w porównaniu z innymi formami analizy finansowej. Oprócz generowania prawdopodobieństw możliwych punktów końcowych danej strategii, metoda formułowania danych ułatwia tworzenie wykresów i wykresów, sprzyjając lepszej komunikacji wyników z inwestorami i akcjonariuszami. Symulacja Monte Carlo podkreśla względny wpływ każdej zmiennej na wynik finansowy. Korzystając z tej symulacji, analitycy mogą również dokładnie zobaczyć, jak określone kombinacje danych wejściowych wpływają na siebie i wzajemnie na siebie oddziałują. Zrozumienie pozytywnych i negatywnych współzależnych relacji między zmiennymi pozwala na dokładniejszą analizę ryzyka dowolnego instrumentu.
Analiza ryzyka tą metodą polega na wykorzystaniu rozkładów prawdopodobieństwa do opisu zmiennych. Dobrze znanym rozkładem prawdopodobieństwa jest krzywa normalna lub dzwonowa, w której użytkownicy określają wartość oczekiwaną, a krzywa odchylenia standardowego definiująca zmienność. Ceny energii i stopy inflacji można przedstawić za pomocą krzywych dzwonowych. Rozkłady lognormalne przedstawiają dodatnie zmienne o nieograniczonym potencjale wzrostu, takie jak rezerwy ropy naftowej lub ceny akcji. Jednolite, trójkątne i dyskretne to przykłady innych możliwych rozkładów prawdopodobieństwa. Wartości, które są losowo próbkowane z krzywych prawdopodobieństwa, są przesyłane w zestawach zwanych iteracjami.