Monte Carlo Risk Simulation — Modellering av portföljutfall

Monte Carlo-simuleringar låter dig modellera 100 000+ potentiella framtida vägar för din portfölj, och kvantifierar riskmått som Value at Risk (VaR) och förväntat underskott. Istället för att anta ett enda utfall ser du fördelningen av möjligheter.

Exempel: Kör 100k simuleringar av din handelsstrategi. Du kommer att se: 68% av utfallen ger en vinst på $10-$50, 25% förlorar $10-$30, 5% förlorar $50-$200 och 2% ger en vinst på $100+. Nu förstår du din riskprofil.

Grundläggande geometrisk Brownsk rörelse (GBM)

Modellera framtida priser som slumpmässiga vandringar med drift och volatilitet:

Python — Monte Carlo-prisvägar
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: aktuellt pris, mu: drift, sigma: volatilitet
# T: tidshorisont (dagar), dt: tidssteg, n_sims: simuleringar
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

Portföljriskmått

Value at Risk (VaR)

Förlusten du skulle överskrida i endast 5% av scenarierna (95% konfidens):

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

Expected Shortfall (CVaR)

Genomsnittlig förlust i de värsta 5% av fallen:

Python — Beräkna 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 # t.ex., -$3,800 (värre än VaR)

Strategispecifik simulering

Simulera dina faktiska handelsregler, inte bara prisvägar:

Python — Strategi 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 # Avbryt vid 50% förlust
results[sim] = equity
return results

Belastningstestning med Smart Money-signaler

Modellera worst-case-scenarier när Smart Money-konfidensen sjunker:

Python — Belastningstestscenarier
def stress_test_scenarios(base_win_rate):
# Scenario 1: Normal förhållanden (HÖG konfidens)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# Scenario 2: Försämrade signaler (MEDEL konfidens)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# Scenario 3: Sammanbrott (VETO-villkor)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # negativ fördel
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)}
}

Tolkning

Från 10k simuleringar lär du dig:

Belastningstesta strategier med Smart Money-signaler

Förstå portföljrisk under normala, försämrade och VETO Smart Money-förhållanden. Vår API ger dig signalerna; Monte Carlo modellerar utfallen.

Risk Model Today →