Monte Carlo Risk Simulation — Modelování výsledků portfolia

Monte Carlo simulace vám umožní modelovat 100 000+ potenciálních budoucích cest vašeho portfolia, kvantifikují rizikové metriky jako Value at Risk (VaR) a očekávaný nedostatek. Místo předpokládání jediného výsledku vidíte distribuci možností.

Příklad: Spusťte 100k simulací vaší obchodní strategie. Uvidíte: 68 % výsledků přináší zisk $10–$50, 25 % ztrácí $10–$30, 5 % ztrácí $50–$200 a 2 % přináší zisk $100+. Nyní rozumíte svému rizikovému profilu.

Základní geometrický Brownův pohyb (GBM)

Modelujte budoucí ceny jako náhodné procházky s driftem a volatilitou:

Python — Monte Carlo cenové cesty
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: aktuální cena, mu: drift, sigma: volatilita
# T: časový horizont (dny), dt: časový krok, n_sims: simulace
steps = int(T / dt)
paths = np.zeros((n_sims, steps))
paths[:, 0] = S0
for i in range(1, steps):
# dS = mu*S*dt + sigma*S*sqrt(dt)*Z
Z = np.random.normal(0, 1, n_sims)
dS = mu * paths[:, i-1] * dt + sigma * paths[:, i-1] * np.sqrt(dt) * Z
paths[:, i] = paths[:, i-1] + dS
return paths

Rizikové metriky portfolia

Value at Risk (VaR)

Ztráta, kterou byste překročili pouze v 5 % scénářů (95% spolehlivost):

Python — Výpočet VaR
def calculate_var(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var = np.percentile(pnl, (1 - confidence) * 100)
return var # např., -$2,340

Expected Shortfall (CVaR)

Průměrná ztráta v nejhorších 5 % případů:

Python — Výpočet CVaR
def calculate_cvar(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var_threshold = np.percentile(pnl, (1 - confidence) * 100)
worst_5_pct = pnl[pnl <= var_threshold]
cvar = np.mean(worst_5_pct)
return cvar # např., -$3,800 (horší než VaR)

Simulace specifická pro strategii

Simulujte své skutečné obchodní pravidla, nejen cenové cesty:

Python — Strategie Monte Carlo
def simulate_strategy(capital, win_rate, avg_win, avg_loss, trades_per_day=10, days=30, n_sims=10000):
results = np.zeros(n_sims)
for sim in range(n_sims):
equity = capital
n_trades = trades_per_day * days
for _ in range(n_trades):
if np.random.rand() < win_rate:
pnl = np.random.normal(avg_win, avg_win * 0.2)
else:
pnl = -np.random.normal(avg_loss, avg_loss * 0.2)
equity += pnl
if equity < capital * 0.5:
break # Stop-out při 50% ztrátě
results[sim] = equity
return results

Stresové testování pomocí signálů Smart Money

Modelujte nejhorší scénáře, když se sníží důvěra Smart Money:

Python — Scénáře stresového testu
def stress_test_scenarios(base_win_rate):
# Scénář 1: Normální podmínky (VYSOKÁ důvěra)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# Scénář 2: Zhoršující se signály (STŘEDNÍ důvěra)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# Scénář 3: Kolaps (VETO podmínka)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # negativní hrana
return {
'normal': {'var': np.percentile(scenario_normal, 5), 'mean': np.mean(scenario_normal)},
'medium': {'var': np.percentile(scenario_medium, 5), 'mean': np.mean(scenario_medium)},
'veto': {'var': np.percentile(scenario_veto, 5), 'mean': np.mean(scenario_veto)}
}

Interpretace

Z 10k simulací se dozvíte:

Stresujte strategie pomocí signálů Smart Money

Pochopte riziko portfolia za normálních, zhoršujících se a VETO podmínek Smart Money. Naše API vám poskytuje signály; Monte Carlo modeluje výsledky.

Risk Model Today →