סימולציית סיכון מונטה קרלו — מודל תוצאות תיק השקעות

סימולציות מונטה קרלו מאפשרות לך לדמות 100,000+ מסלולי עתיד פוטנציאליים של התיק שלך, תוך כימות מדדי סיכון כמו Value at Risk (VaR) והפסד צפוי. במקום להניח תוצאה אחת, אתה רואה את התפלגות האפשרויות.

דוגמה: הפעל 100k סימולציות של אסטרטגיית המסחר שלך. תראה: 68% מהתוצאות מרוויחות $10-$50, 25% מפסידות $10-$30, 5% מפסידות $50-$200, ו-2% מרוויחות $100+. כעת אתה מבין את פרופיל הסיכון שלך.

תנועה בראונית גיאומטרית בסיסית (GBM)

דמה מחירים עתידיים כהליכים אקראיים עם נטייה ותנודתיות:

Python — מסלולי מחיר מונטה קרלו
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: מחיר נוכחי, mu: נטייה, sigma: תנודתיות
# T: אופק זמן (ימים), dt: צעד זמן, n_sims: סימולציות
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

מדדי סיכון תיק השקעות

Value at Risk (VaR)

ההפסד שתעבור רק ב-5% מהתרחישים (ביטחון של 95%):

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

Expected Shortfall (CVaR)

הפסד ממוצע ב-5% המקרים הגרועים ביותר:

Python — חשב 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 # לדוגמה, -$3,800 (גרוע יותר מ-VaR)

סימולציה ספציפית לאסטרטגיה

דמה את כללי המסחר שלך בפועל, לא רק מסלולי מחיר:

Python — סימולציית מונטה קרלו לאסטרטגיה
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 # עצירה בהפסד של 50%
results[sim] = equity
return results

בדיקת לחץ עם אותות Smart Money

דמה תרחישי מקרה גרוע כאשר הביטחון של Smart Money יורד:

Python — תרחישי בדיקת לחץ
def stress_test_scenarios(base_win_rate):
# תרחיש 1: תנאים רגילים (ביטחון גבוה)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# תרחיש 2: אותות מתדרדרים (ביטחון בינוני)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# תרחיש 3: קריסה (תנאי VETO)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # יתרון שלילי
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)}
}

פרשנות

מ-10k סימולציות, אתה לומד:

בדוק אסטרטגיות תחת לחץ עם אותות Smart Money

הבן את סיכון התיק בתנאים רגילים, מתדרדרים ו-VETO של Smart Money. ה-API שלנו מספק לך את האותות; מונטה קרלו מדמה את התוצאות.

מודל סיכון היום →