Le modèle de Monte-Carlo permet aux chercheurs d'exécuter plusieurs essais et de définir tous les résultats potentiels d'un événement ou d'un investissement. Ensemble, ils créent une distribution de probabilité ou une évaluation des risques pour un investissement ou un événement donné.
L'analyse de Monte Carlo est une technique de modélisation multivariée. Tous les modèles multivariés peuvent être considérés comme complexes "et si?" scénarios. Les analystes de recherche les utilisent pour prévoir les résultats d'investissement, pour comprendre les possibilités entourant leur exposition aux investissements et pour mieux atténuer les risques. Dans la méthode de Monte Carlo, les résultats sont comparés à la tolérance au risque. Cela aide un gestionnaire à décider de procéder à un investissement ou à un projet.
Qui utilise des modèles multivariés
Les utilisateurs de modèles multivariés modifient la valeur de plusieurs variables pour déterminer leur impact potentiel sur le projet évalué.
Les modèles sont utilisés par les analystes financiers pour estimer les flux de trésorerie et les nouvelles idées de produits. Les gestionnaires de portefeuille et les conseillers financiers les utilisent pour déterminer l'impact des investissements sur le rendement et le risque du portefeuille. Les compagnies d'assurance les utilisent pour estimer le potentiel de réclamations et pour évaluer les politiques. Certains des modèles multivariés les plus connus sont ceux utilisés pour évaluer les options d'achat d'actions. Les modèles multivariés aident également les analystes à déterminer les véritables moteurs de valeur.
À propos de l'analyse de Monte Carlo
L'analyse de Monte Carlo tire son nom de la principauté rendue célèbre par ses casinos. Avec les jeux de hasard, tous les résultats et probabilités possibles sont connus, mais avec la plupart des investissements, l'ensemble des résultats futurs est inconnu.
C'est à l'analyste de déterminer les résultats et la probabilité qu'ils se produisent. Dans la modélisation Monte Carlo, l'analyste exécute plusieurs essais, parfois des milliers d'entre eux, pour déterminer tous les résultats possibles et la probabilité qu'ils se produisent.
L'analyse de Monte Carlo est utile car de nombreuses décisions d'investissement et d'affaires sont prises sur la base d'un résultat. En d'autres termes, de nombreux analystes dérivent un scénario possible et le comparent ensuite aux différents obstacles pour décider de poursuivre ou non.
La plupart des estimations pro forma commencent par un scénario de base. En saisissant l'hypothèse de probabilité la plus élevée pour chaque facteur, un analyste peut dériver le résultat de probabilité le plus élevé. Cependant, prendre des décisions sur la base d'un scénario de base est problématique, et la création d'une prévision avec un seul résultat est insuffisante car elle ne dit rien sur les autres valeurs possibles qui pourraient se produire.
Cela ne dit rien non plus sur les chances très réelles que la valeur future réelle soit autre chose que la prédiction du cas de base. Il est impossible de se couvrir contre un événement négatif si les facteurs et les probabilités de ces événements ne sont pas calculés à l'avance.
Création du modèle
Une fois conçu, l'exécution d'un modèle de Monte Carlo nécessite un outil qui sélectionnera de manière aléatoire des valeurs de facteurs qui sont liées par certaines conditions prédéterminées. En exécutant un certain nombre d'essais avec des variables limitées par leurs propres probabilités d'occurrence indépendantes, un analyste crée une distribution qui inclut tous les résultats possibles et les probabilités qu'ils se produisent.
Il existe de nombreux générateurs de nombres aléatoires sur le marché. Les deux outils les plus courants pour concevoir et exécuter des modèles Monte Carlo sont @Risk et Crystal Ball. Ces deux éléments peuvent être utilisés comme compléments pour des feuilles de calcul et permettre l’échantillonnage aléatoire à incorporer dans des modèles de feuilles de calcul établis.
L'art de développer un modèle Monte Carlo approprié est de déterminer les contraintes correctes pour chaque variable et la relation correcte entre les variables. Par exemple, parce que la diversification du portefeuille est basée sur la corrélation entre les actifs, tout modèle développé pour créer les valeurs de portefeuille attendues doit inclure la corrélation entre les investissements.
Afin de choisir la distribution correcte pour une variable, il faut comprendre chacune des distributions possibles disponibles. Par exemple, la plus courante est une distribution normale, également connue sous le nom de courbe en cloche .
Dans une distribution normale, toutes les occurrences sont également réparties autour de la moyenne. La moyenne est l'événement le plus probable. Les phénomènes naturels, la taille des gens et l'inflation sont quelques exemples d'intrants normalement distribués.
Dans l'analyse de Monte Carlo, un générateur de nombres aléatoires sélectionne une valeur aléatoire pour chaque variable dans les contraintes définies par le modèle. Il produit ensuite une distribution de probabilité pour tous les résultats possibles.
L'écart type de cette probabilité est une statistique qui dénote la probabilité que le résultat réel estimé sera autre chose que l'événement moyen ou le plus probable. En supposant qu'une distribution de probabilité est normalement distribuée, environ 68% des valeurs tomberont dans un écart-type de la moyenne, environ 95% des valeurs tomberont dans deux écarts-types et environ 99, 7% se trouveront dans trois écarts-types de la moyenne.
C'est ce que l'on appelle la «règle 68-95-99.7» ou la «règle empirique».
Qui utilise la méthode
Les analyses de Monte-Carlo sont réalisées non seulement par des professionnels de la finance mais également par de nombreuses autres entreprises. Il s'agit d'un outil d'aide à la décision qui suppose que chaque décision aura un impact sur le risque global.
Chaque individu et chaque institution a une tolérance au risque différente. Il est donc important de calculer le risque de tout investissement et de le comparer à la tolérance au risque de l'individu.
Les distributions de probabilité produites par un modèle de Monte Carlo créent une image du risque. Cette image est un moyen efficace de transmettre les résultats à d'autres, tels que des supérieurs ou des investisseurs potentiels. Aujourd'hui, des modèles Monte Carlo très complexes peuvent être conçus et exécutés par toute personne ayant accès à un ordinateur personnel.
