Simulasi Risiko Monte Carlo — Pemodelan Hasil Portofolio

Simulasi Monte Carlo memungkinkan Anda memodelkan 100.000+ jalur potensial masa depan portofolio Anda, mengukur metrik risiko seperti Value at Risk (VaR) dan expected shortfall. Alih-alih mengasumsikan satu hasil, Anda melihat distribusi kemungkinan.

Contoh: Jalankan 100k simulasi strategi trading Anda. Anda akan melihat: 68% hasil untung $10-$50, 25% rugi $10-$30, 5% rugi $50-$200, dan 2% untung $100+. Sekarang Anda memahami profil risiko Anda.

Gerak Brown Geometris Dasar (GBM)

Modelkan harga masa depan sebagai random walk dengan drift dan volatilitas:

Python — Jalur harga Monte Carlo
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: harga saat ini, mu: drift, sigma: volatilitas
# T: horizon waktu (hari), dt: langkah waktu, n_sims: simulasi
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

Metrik Risiko Portofolio

Value at Risk (VaR)

Kerugian yang akan Anda lewati hanya dalam 5% skenario (95% confidence):

Python — Hitung VaR
def calculate_var(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var = np.percentile(pnl, (1 - confidence) * 100)
return var # mis., -$2.340

Expected Shortfall (CVaR)

Rata-rata kerugian dalam 5% kasus terburuk:

Python — Hitung 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 # mis., -$3.800 (lebih buruk dari VaR)

Simulasi Spesifik Strategi

Simulasikan aturan trading aktual Anda, bukan hanya jalur harga:

Python — Monte Carlo Strategi
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 pada kerugian 50%
results[sim] = equity
return results

Stress Testing dengan Sinyal Smart Money

Modelkan skenario terburuk saat kepercayaan Smart Money turun:

Python — Skenario stress test
def stress_test_scenarios(base_win_rate):
# Skenario 1: Kondisi normal (HIGH confidence)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# Skenario 2: Sinyal memburuk (MEDIUM confidence)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# Skenario 3: Breakdown (kondisi VETO)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # negative edge
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)}
}

Interpretasi

Dari 10k simulasi, Anda belajar:

Stress-test strategi dengan sinyal Smart Money

Pahami risiko portofolio dalam kondisi Smart Money normal, memburuk, dan VETO. API kami memberikan sinyal; Monte Carlo memodelkan hasilnya.

Model Risiko Hari Ini →