Hướng dẫn này mô tả cách chuyển đổi mô hình bảng tính Excel tĩnh thành mô phỏng Monte Carlo và loại thông tin bạn có thể tìm hiểu từ mô phỏng. Nó sẽ hướng dẫn các kỹ thuật cơ bản và các chức năng bạn sẽ cần sử dụng. Mô hình đầy đủ, bao gồm từng bước bên dưới, có sẵn để tải xuống
Các ví dụ trong hướng dẫn này sử dụng các chức năng mô phỏng RiskAMP Monte Carlo
Bạn cũng có thể sử dụng bảng tính nhúng bên dưới để chạy mô phỏng monte carlo ngay trên trang này
Mô hình danh mục đầu tư
Một mô hình danh mục đầu tư điển hình bao gồm số dư đầu kỳ, dự đoán lợi nhuận và chi phí trong vài năm và số dư cuối kỳ tại một thời điểm nào đó trong tương lai. Một mô hình bảng tính đơn giản có thể trông như thế này
Hình A. mô hình ban đầu
Trong hình A, mô hình dựa trên lợi tức cố định [hàng năm] là 5. 4%. Trong vòng 5 năm, điều này dẫn đến lợi nhuận là 30. 08%
Trong khi 5. 4% là lợi nhuận kỳ vọng, chúng tôi biết rằng lợi nhuận thực tế có thể thay đổi rất nhiều. Bước đầu tiên trong việc xây dựng mô hình Monte Carlo là thay thế các lợi nhuận cố định này bằng các giá trị được phân phối ngẫu nhiên, để ước tính chính xác hơn thế giới thực
Bước 1. Thêm dữ liệu ngẫu nhiên
Trong mô hình Monte Carlo, thay vì cố định 5. 4%, chúng tôi dự đoán rằng lợi nhuận sẽ được phân phối bình thường với giá trị trung bình [trung bình] là 5. 4% và độ lệch chuẩn là 7. 3%. Đối với mỗi ô trả về trong bảng tính [cột D], chúng tôi sử dụng hàm ngẫu nhiên NormalValue
Hình B. Thêm dữ liệu ngẫu nhiên
Trong hình B, lợi nhuận trong mỗi thời kỳ đã được thay đổi từ mức cố định 5. 4% cho lợi tức được phân phối ngẫu nhiên, sử dụng chức năng nhìn thấy trong thanh chức năng. Lợi nhuận trong mỗi giai đoạn được tạo ngẫu nhiên. Nếu bạn tính toán lại mô hình ở bước này, bạn sẽ thấy mỗi lần trả về đều thay đổi. Tổng lợi nhuận [F11] cũng có thể khác biệt đáng kể so với giá trị ban đầu [30. 08%]
Lợi nhuận được phân phối ngẫu nhiên có vẻ như là một phép tính gần đúng hơn trong thế giới thực, nhưng việc lấy một lợi nhuận ngẫu nhiên duy nhất không hữu ích. Chìa khóa để sử dụng mô phỏng Monte Carlo là lấy nhiều giá trị ngẫu nhiên, tính toán lại mô hình mỗi lần và sau đó phân tích kết quả
Bước 2. Chạy mô phỏng Monte Carlo
Mô phỏng Monte Carlo tính toán cùng một mô hình nhiều lần và cố gắng tạo thông tin hữu ích từ kết quả. Để chạy mô phỏng Monte Carlo, hãy nhấp vào nút “Phát” bên cạnh bảng tính. [Trong Excel, sử dụng nút “Run Simulation” trên thanh công cụ Monte Carlo]
Phần bổ trợ Rủi ro AMP bao gồm một số chức năng để phân tích kết quả mô phỏng Monte Carlo. Để bắt đầu, chúng ta sẽ xem xét kết quả trung bình của mô phỏng bằng hàm SimulationMean
Ghi chú. lần đầu tiên bạn nhập các hàm này vào bảng tính, bạn sẽ thấy lỗi #N/A. Điều này là do mô phỏng chưa thu thập dữ liệu cho ô. Khi bạn chạy mô phỏng, lỗi này sẽ biến mất
Hình C. Kết quả mô phỏng trung bình
Trong Hình C, chúng tôi đã thêm các kết quả mô phỏng trung bình vào cột H bằng cách sử dụng chức năng nhìn thấy trong thanh chức năng. Trong ví dụ này, ô H11 tính toán giá trị trung bình của ô F11 trên tất cả các lần thử hoặc lần lặp của mô phỏng Monte Carlo
Khi bạn chạy mô phỏng Monte Carlo, tại mỗi lần lặp lại, các giá trị ngẫu nhiên mới được đặt vào cột D và bảng tính được tính toán lại. Điều này dẫn đến một giá trị khác trong ô F11. Mô phỏng Monte Carlo chạy hàng trăm hoặc hàng nghìn lần và ở mỗi lần lặp lại, Phần bổ trợ Rủi ro AMP lưu trữ và ghi nhớ giá trị của ô F11. Khi quá trình mô phỏng hoàn tất, giá trị trung bình có thể được tính từ tập hợp các giá trị được lưu trữ này
Bạn sẽ thấy rằng giá trị trung bình, được trả về trong ô H11, gần với giá trị cố định ban đầu là 30. 08% [xem ô F11 trong Hình A]. Điều này đúng như mong đợi vì dữ liệu ngẫu nhiên mà chúng tôi đang sử dụng để trả về có trung bình là 5. 4%, là giá trị cố định trong mô hình ban đầu
Bước 3. Phân tích dữ liệu
Như đã lưu ý ở trên, lợi nhuận trung bình do mô phỏng Monte Carlo đưa ra gần với mô hình cố định ban đầu. Nếu đó là điều duy nhất chúng ta có thể học được từ mô phỏng, thì nó sẽ không có ích gì nhiều. Tuy nhiên, chúng ta có thể nhận được nhiều thông tin hữu ích hơn từ mô phỏng Monte Carlo bằng cách xem phạm vi và phần trăm
Để bắt đầu, chúng ta có thể xem các giá trị tối thiểu và tối đa được xác định trong quá trình mô phỏng bằng các hàm SimulationMin và F110
Hình dung. Kết quả mô phỏng tối thiểu và tối đa
Trong Hình D, ô F111 chứa giá trị nhỏ nhất của ô F11 được thấy trong quá trình mô phỏng. Điều này tệ hơn đáng kể so với mức trung bình và thể hiện rủi ro có trong mô hình danh mục đầu tư. Điều này có nghĩa là có khả năng danh mục đầu tư này, trong hơn 5 năm, sẽ kết thúc với mức lỗ ròng 33%
Nhìn vào các giá trị tối thiểu và tối đa tuyệt đối có xu hướng cường điệu hóa các giá trị ngoại lệ hoặc đuôi của các kết quả có thể có của mô hình danh mục đầu tư. Chúng ta cũng có thể xem xét xác suất phần trăm, sử dụng hàm F113
Hình E. kết quả phần trăm
Trong Hình E, ô F111 chứa hàm SimulationPercentile như đã thấy trong thanh chức năng. Để hiểu ý nghĩa của phần trăm, hãy tưởng tượng rằng chúng ta lấy mọi kết quả nhìn thấy trong ô F11 qua mô phỏng Monte Carlo và sắp xếp chúng theo thứ tự [thấp nhất đến cao nhất]. Giá trị đầu tiên sẽ là giá trị tối thiểu, như đã thấy ở trên; . Giá trị cuối cùng sẽ là giá trị lớn nhất; . Do đó, giá trị tối đa là Phân vị thứ 100
Khi đó, Phân vị thứ 25 đại diện cho một giá trị bằng hoặc cao hơn 25% kết quả được thấy trong quá trình mô phỏng. Nói cách khác, có 25% khả năng bất kỳ giá trị nào trong mô phỏng sẽ thấp hơn hoặc bằng số tiền này;
Trong Hình E, ô F111 hiển thị kết quả Phân vị thứ 25 cho ô F11. Điều này cho chúng ta biết rằng, trong quá trình mô phỏng, 75% thời gian giá trị của F11 cao hơn hoặc bằng 16. 61%. Hoặc, có 75% khả năng mô hình của chúng ta sẽ có tổng lợi nhuận là 16. 61% hoặc cao hơn
Bằng cách thay đổi các giá trị phần trăm, chúng ta có thể xác định lợi tức kỳ vọng của danh mục đầu tư với các xác suất khác nhau. Loại phân tích này có thể hữu ích trong việc xác định mức độ rủi ro thực sự liên quan đến danh mục đầu tư.
Bước 4. Xác định mức độ tin cậy
Thay vì tìm lợi nhuận kỳ vọng ở các phần trăm khác nhau, chúng ta có thể đảo ngược phân tích và tìm xác suất đạt được lợi nhuận mục tiêu cụ thể bằng hàm F119
Hình F. Mức độ tin cậy
Phân tích này trả lời câu hỏi, trong tất cả các thử nghiệm mô phỏng, khả năng mô hình sẽ trả về ít nhất 50% là bao nhiêu?
Loại phân tích này có thể hữu ích trong việc xác định mức độ tin cậy. Ví dụ: khi đánh giá các khoản đầu tư thay thế, chúng ta có thể so sánh xác suất đạt được lợi nhuận tối thiểu nhất định. Hoặc chúng ta có thể hiểu xác suất thua lỗ liên quan đến khoản đầu tư bằng cách tìm khả năng nó sẽ trả lại 0%
* Lưu ý rằng con số chính xác sẽ thay đổi mỗi khi bạn chạy mô phỏng, nhưng trong mô hình này, nó sẽ luôn ở khoảng 16%
Phần kết luận
Phần thảo luận ở trên mô tả việc chuyển đổi mô hình danh mục đầu tư cố định đơn giản thành mô phỏng Monte Carlo và các loại phân tích có thể được thực hiện với mô phỏng Monte Carlo. Đây là một ví dụ rất đơn giản; . Xem Hướng dẫn trợ giúp về Rủi roAMP [có sẵn trong Excel hoặc từ Menu Bắt đầu] để biết thêm thông tin về các chức năng khác nhau
Tất nhiên, mọi phân tích chỉ tốt khi mô hình và dữ liệu được nhập. Mô hình này rất đơn giản ở chỗ nó bỏ qua chi phí đầu tư và lạm phát. Mô hình này cũng rất nhạy cảm với giá trị trung bình và độ lệch chuẩn của lợi nhuận kỳ vọng của chúng tôi
Tuy nhiên, rõ ràng từ phân tích rằng mô hình cố định đơn giản che giấu phần lớn rủi ro liên quan đến danh mục đầu tư. Bằng cách sử dụng mô phỏng Monte Carlo và với một số phân tích cơ bản về kết quả, chúng tôi có nhiều thông tin chi tiết hơn về các kết quả có thể có của danh mục đầu tư này