Методы Монте-Карло в финансах

Методы Монте-Карло впервые появились в финансовой практике в 1964 году благодаря статье^[3] американского учёного и консультанта Дэвида Б. Герца (англ. David B. Hertz), напечатанной журнале Harvard Business Review. Герц впервые предложил использовать методы Монте-Карло для анализа и принятия решений в области корпоративных финансов. Позднее, в 1977 году, ирландский экономист Фелим Бойл (англ. Phelim Boyle) опубликовал в Journal of Financial Economics исследование, в котором продемонстрировал применение методов Монте-Карло для оценки производных финансовых инструментов, открыв тем самым широкие возможности для дальнейшего использования этих методов в финансовой индустрии^[4].

Методы Монте-Карло позволяют получить решение задачи путём прямого моделирования лежащих в её основе (физических) процессов и последующего вычисления их среднего результата^[1]. Этот подход объединяет любые техники статистического моделирования, применяемые для приближённого решения количественных задач^[5]. Универсальность метода делает его востребованным в широком диапазоне дисциплин: физике, химии, информатике и, конечно, в финансах.

В финансах метод Монте-Карло используется для моделирования различных источников неопределённости, влияющих на стоимость оцениваемого инструмента, портфеля или инвестиционного проекта^[1]. Этот подход позволяет рассчитывать репрезентативное значение стоимости актива, учитывая широкий спектр возможных изменений ключевых параметров. Моделирование учитывает возможные сценарии развития ситуации и оценивает вероятности сценариев в рамках принятой модели, обеспечивая таким образом комплексный анализ рисков^[6][7]. В рамках финансовой теории этот подход соответствует принципу нейтральной оценки риска, принятому в современной финансовой теории^[8]. Области применения:

• В области корпоративных финансов^[9][10][11], проектного финансирования^[9] и при анализе реальных опционов^[1] аналитики используют метод Монте-Карло для построения стохастических (вероятностных) финансовых моделей. Такие модели отличаются от традиционных детерминированных моделей тем, что позволяют учесть значительную степень неопределённости. Для анализа характеристик чистой приведённой стоимости (англ. net present value, NPV) проекта моделируются те компоненты денежного потока, которые подвержены сильному^[11] влиянию неопределённостей. При этом учитываются любые взаимосвязи между этими компонентами, которые математически моделируются как случайные величины. Затем полученные результаты объединяются в гистограмму NPV (то есть в распределение вероятностей стоимости проекта). На её основе определяют среднее значение чистой приведённой стоимости потенциального инвестирования, его волатильность и прочие параметры чувствительности^[12]. Это распределение позволяет, например, оценить вероятность того, что чистый денежный поток проекта окажется положительным или превысит заданное пороговое значение^[13].

• При оценке опциона на акции методом Монте-Карло генерируется несколько тысяч возможных (но случайных) траекторий движения цены базовой акции. Каждая такая траектория связана с соответствующей стоимостью исполнения (или «выплатой») опциона. Полученные выплаты затем усредняются и дисконтируются до текущего момента, а итоговый результат представляет собой сегодняшнюю стоимость опциона^[14]. Важно подчеркнуть, что хотя опционы на акции чаще оценивают с помощью других моделей ценообразования, например решётчатых моделей (англ. lattice based models), для экзотических производных инструментов, зависимых от цены (таких как азиатские опционы), имитационное моделирование является наиболее распространённым методом оценки. Более подробное обсуждение и описание сложных моделей ценообразования опционов можно найти в материалах, посвящённых методам Монте-Карло для оценки опционов.

• Для оценки инструментов с фиксированным доходом и процентных производных инструментов основным источником неопределённости, подлежащим моделированию, выступает краткосрочная ставка (англ. short rate) — годовая процентная ставка, по которой субъект может заимствовать денежные средства на определённый период времени (см. модели краткосрочной ставки). Например, при оценке облигаций и опционов на облигации^[15] при каждом возможном сценарии изменения процентных ставок мы получаем различную кривую доходности и соответствующую цену облигации. Чтобы определить стоимость облигации, полученные цены затем усредняют; аналогично оценивается и опцион на облигацию — соответствующие стоимости исполнения усредняются и дисконтируются до настоящего момента (приводятся к текущей стоимости). Подобный подход применяется и при оценке свопов, свопционов^[16], конвертируемых облигаций^[17]. Как и в случае с акциями, для зависимых от истории цены процентных производных инструментов, таких как обеспеченные ипотечные обязательства (англ. Collateralized Mortgage Obligations (CMO)), имитационное моделирование является основным применяемым методом^[18] (для создания реалистичного моделирования процентных ставок иногда применяют многофакторные модели краткосрочных ставок^[19]).

• Методы Монте-Карло активно используются для оценки инвестиционных портфелей^[20]. Процесс состоит из следующих этапов:
  • имитация динамики факторов: для каждого сценария моделируется взаимозависимое поведение факторов, воздействующих на отдельные инструменты портфеля, на протяжении определённого периода времени;
  • расчёт стоимости инструментов: рассчитывается итоговая стоимость каждого отдельного инструмента по смоделированной траектории;
  • определение стоимости портфеля: на основе стоимостей компонентов определяется общая стоимость портфеля для данного сценария;
  • далее собранные данные объединяются в гистограмму, отражающую распределение значений стоимости портфеля. Это позволяет проанализировать статистические характеристики портфеля, оценить его свойства и риски. Иногда аналитики прибегают к методу главных компонент (англ. Principal Component Analysis), который позволяет снизить размерность модели: вместо моделирования каждого из индивидуальных источников неопределённости симулируется ограниченный набор основных факторов, что упрощает расчёты и повышает эффективность анализа.

• Подобный подход применяется и при расчёте показателя стоимость под риском (англ. Value-at-Risk (VaR))^[21][22], который показывает максимальный ожидаемый убыток конкретной позиции, торгового подразделения или всей организации с заданной доверительной вероятностью и в течение определённого периода времени. Данный показатель важен в инвестиционной банковской сфере, где финансовые институты обязаны поддерживать резервный капитал («экономический капитал под риском»), покрывающий возможные убытки конкретных подразделений, или рабочих групп, или последствия неблагоприятных рыночных движений (см. Финансовый риск-менеджмент) . VaR также используется в управлении рисками портфеля, где фондовые менеджеры могут применять моделирование для оценки потенциальных потерь с заданным уровнем доверия (англ. confidence level) и в установленный промежуток времени^[23], а затем принимать меры защиты (хеджироваться), если ситуация выходит за рамки приемлемых рисков^[24].
• После кризиса при определении рыночной стоимости контрактов с производными инструментами многие банки ввели практику внесения поправок стоимости деривативов (англ. X-Valuation Adjustment, XVA). Эти поправки вводятся по двум причинам: с одной стороны — это защита от возможных убытков, вызванных неспособностью контрагентов платить по контрактным обязательствам (поправка на кредитный риск [англ. Credit Valuation Adjustment, CVA]); с другой — определение необходимого размера капитала в соответствии с требованиями достаточности банковского капитала. Расчёты этих поправок выполняются методом Монте-Карло, который позволяет получать средние значения потерь или других эффектов в условиях нейтральности к риску, обеспечивая объективную оценку возможных потерь или прибыли от контрактов с производными инструментами^[25].

• Разработка структурированных продуктов (структурированные ноты, корзины активов и др.) подразумевает моделирование возможных исходов. Разработчики применяют метод Монте-Карло для оценки вероятных выплат и возможных убытков по специальным финансовым инструментам, зачастую составленным из разных классов активов или ценных бумаг^[26]. Такое моделирование помогает прогнозировать диапазон доходов и потерь инвесторов, основываясь на множестве возможных сценариев, возникающих на рынке.

• Методы Монте-Карло находят широкое применение в личном финансовом планировании^[27][28]. Например, путём моделирования рыночных колебаний можно рассчитать вероятность того, что американский пенсионный план 401(k) (накопительная программа с налоговыми преимуществами, предлагаемая работодателем) обеспечит нужную пенсию. Если прогнозы указывают на недостаточную будущую доходность, сотрудник может пересмотреть инвестиционный профиль своего пенсионного счёта, увеличив либо долю высокорискованных активов, либо общий объём регулярных взносов.

• Дискретно-событийное моделирование (англ. Discrete event simulation (DES)) применяется для оценки воздействия запланированных капитальных вложений на текущую операционную деятельность. Сначала строится модель текущего состояния бизнеса, которая тестируется и калибруется на исторических данных для проверки точности. Затем в модель вводятся новые условия, отражающие планируемые инвестиции, и создаётся новая модель будущего состояния системы. Эта модель позволяет оценить экономическую выгоду от инвестиций путём сопоставления показателей прироста доходности с издержками реализации проекта (аналогично описанному ранее методу построения гистограмм, что облегчает принятие взвешенного управленческого решения). Дополнительно модель может пройти процедуру стресс-тестирования, которая предполагает искусственное создание кризисных или экстремальных экономических условий, чтобы проанализировать реакцию и устойчивость компании в ситуациях серьёзных потрясений или неожиданных негативных событий^[29].

Хотя методы Монте-Карло эффективны при обработке множества источников неопределённости, их использование не всегда оправдано. Рекомендуется обращаться к этому подходу только в случаях, когда проблема характеризуется наличием нескольких одновременно действующих факторов неопределённости^[1]. Стоит учитывать, что методы Монте-Карло ограничены в применении при оценке специфических финансовых инструментов, таких как американские опционы, что объясняется необходимостью больших вычислительных мощностей и относительной погрешностью результатов. Подробнее об этих особенностях будет сказано ниже.

В финансовой математике часто возникает потребность вычислить интеграл для нахождения арбитражно-нейтральной стоимости производного инструмента. Многие подобные интегралы можно решить аналитически, остальные — численными методами, такими как методы интегрирования или решения дифференциальных уравнений в частных производных. Однако, если количество переменных (или степеней свободы) значительно увеличивается, стандартные численные методы и дифференциальные уравнения в частных производных становятся неэффективными, и в таких ситуациях методы Монте-Карло показывают лучшие результаты.

Если число переменных превышает три-четыре, точные аналитические решения, такие как формула Блэка — Шоулза, отсутствуют, а другие численные методы, например биномиальная модель или методы конечных разностей, становятся непригодными из-за сложности реализации. В таких случаях методы Монте-Карло оказываются эффективнее с точки зрения потребления памяти, быстрее и проще в программировании. Однако для простых задач с небольшим числом переменных использование метода Монте-Карло неоправданно из-за высоких временных затрат и значительной вычислительной нагрузки на вычислительную мощность^[30].

Одно из преимуществ методов Монте-Карло заключается в способности эффективно обрабатывать производные инструменты с выплатами, зависящими от истории цены, тогда как методы конечных разностей испытывают серьёзные затруднения при таком типе задач.

Методы Монте-Карло сложнее использовать для оценки американских опционов. Причина в том, что, в отличие от подхода, основанного на дифференциальных уравнениях в частных производных, стандартный метод Монте-Карло реально оценивает стоимость опциона только для определённой начальной точки и момента времени.

Тем не менее для оценки целесообразности досрочного исполнения опциона также необходимы цены опциона в промежуточные моменты времени, вплоть до даты экспирации. В отличие от аналитических методов, основанных на уравнении Блэка — Шоулза, где можно просчитать цену обратным ходом от даты экспирации, в методах Монте-Карло подобная операция осложняется. Чтобы преодолеть это ограничение, были разработаны специальные алгоритмы, такие как алгоритм наименьших квадратов Жака Каррьера^[31] (англ. Jacques F. Carrière), позволяющий аппроксимировать цену опциона в промежуточные моменты времени (См. Модель оценки опционов методом Монте-Карло § Метод наименьших квадратов Монте-Карло (англ. Least Square Monte Carlo)). Дальнейшее развитие получил подход, предложенный в 2001 году Фрэнсисом Лонгстаффом (англ. Francis A. Longstaff) и Эдвардом Шварцем (англ. Edward S. Schwartz), который стал основой современного подхода к оценке американских опционов методом Монте-Карло^[32].

Согласно фундаментальной теореме о ценообразовании без арбитража, стоимость производного инструмента равна дисконтированному математическому ожиданию будущей выплаты, где ожидание берётся в риск-нейтральной мере^[a]. Математическое ожидание, в строгих математических терминах, представляет собой интеграл по этой мере вероятности. Именно поэтому методы Монте-Карло идеально подходят для вычисления сложных интегралов.Допустим, что риск-нейтральная мера вероятности обозначается ${\displaystyle \mathbb {P} }$, а производный инструмент ${\displaystyle H}$ зависит от ряда базовых активов ${\displaystyle S_{1},...,S_{n}}$. Тогда, выбрав элемент (исход) ${\displaystyle \omega }$ из этого пространства вероятностей, стоимость производного инструмента можно записать как ${\displaystyle H(S_{1}(\omega ),S_{2}(\omega ),\dots ,S_{n}(\omega ))=:H(\omega )}$.

Сегодняшнюю стоимость инструмента находим, вычисляя математическое ожидание по всему пространству вероятностей и дисконтируя полученный результат по безрисковой ставке. Иными словами, производный инструмент имеет следующую стоимость:

${\displaystyle H_{0}={DF}_{T}\int _{\omega }H(\omega )\,d\mathbb {P} (\omega )}$,

где ${\displaystyle {DF}_{T}}$ — коэффициент дисконтирования, соответствующий безрисковой ставке для периода сроком в ${\displaystyle T}$ лет, ${\displaystyle P}$ — мера нейтральных к риску вероятностей, ${\displaystyle H(\omega )}$ — выплата по производному инструменту при состоянии мира ${\displaystyle \omega }$.

Предположим, что указанный интеграл трудно вычислить аналитически. Мы можем приблизить его значение, генерируя выборочные траектории и затем находя их среднее значение. Допустим, мы создали ${\displaystyle N}$ образцов, тогда приближённое значение стоимости производного инструмента выражается формулой:

${\displaystyle H_{0}\approx {DF}_{T}{\frac {1}{N}}\sum _{\omega \in {\text{sample set}}}H(\omega )}$,

которая существенно проще в вычислении и даёт хорошую аппроксимацию истинного значения интеграла. Таким образом, методы Монте-Карло позволяют эффективно решать сложные задачи, делая невозможные ранее вычисления доступными и практичными^[33].

В финансовой сфере базовые случайные величины (например, цена базовой акции) обычно предполагаются следующими по траектории, которая является функцией броуновского движения^[b]. Например, в стандартной модели Блэка — Шоулза цена акции меняется следующим образомː

${\displaystyle dS=\mu S\,dt+\sigma S\,dW_{t}.}$

Чтобы построить выборочную траекторию для этого распределения от времени 0 до ${\displaystyle T}$, интервал делится на ${\displaystyle M}$ частей длиной ${\displaystyle \delta t}$. Броуновское движение на каждом интервале ${\displaystyle dt}$ аппроксимируется одной нормальной случайной величиной со средним значением 0 и дисперсией ${\displaystyle \delta t}$. Это приводит к следующему виду выборочной траектории:

${\displaystyle S(k\delta t)=S(0)\exp \left(\sum _{i=1}^{k}\left[\left(\mu -{\frac {\sigma ^{2}}{2}}\right)\delta t+\sigma \varepsilon _{i}{\sqrt {\delta t}}\right]\right)}$

для каждого ${\displaystyle k}$ от 1 до ${\displaystyle M}$, где каждое ${\displaystyle \varepsilon _{i}}$ выбирается из стандартного нормального распределения.

Предположим, что производный инструмент ${\displaystyle H}$ платит средний доход ${\displaystyle S}$ за период от 0 до ${\displaystyle T}$. Тогда выборочная траектория ${\displaystyle \omega }$ соответствует набору ${\displaystyle \{\varepsilon _{1},\dots ,\varepsilon _{M}\}}$, и значение ${\displaystyle H}$ равно:

${\displaystyle H(\omega )={\frac {1}{M}}\sum _{k=1}^{M}S(k\delta t).}$

Мы получаем значение производного инструмента методом Монте-Карло, генерируя ${\displaystyle N}$ наборов по ${\displaystyle M}$ нормальных случайных чисел, образующих ${\displaystyle N}$ выборочных траекторий и, соответственно, ${\displaystyle N}$ значений ${\displaystyle H}$, после чего берём их среднее. Часто производный инструмент зависит от двух или более (коррелирующих) базовых активов. Представленный метод можно расширить для генерации выборочных траекторий нескольких переменных, где нормальные случайные числа, образующие траектории, должным образом зависят друг от друга^[34].

Центральная предельная теорема утверждает, что увеличение числа выборочных траекторий в четыре раза приблизительно снижает погрешность оценки вдвое (то есть ошибка имеет порядок сходимости ${\displaystyle \epsilon ={\mathcal {O}}\left(N^{-1/2}\right)}$ в смысле стандартного отклонения решения).

На практике методы Монте-Карло используются преимущественно для европейских производных инструментов, имеющих минимум три переменные (для случаев с одним-двумя факторами обычно подходят лучше более эффективные прямые методы, использующие численное интегрирование).

Производные стоимости опциона по отношению к входным параметрам (так называемые греки) могут быть найдены с помощью численного дифференцирования. Но такой подход требует повторного запуска модели Монте-Карло для каждого малозначимого изменения параметра, что усложняет процесс и замедляет его выполнение. Кроме того, численное дифференцирование усиливает шумы (случайные флуктуации и погрешности) в результатах моделирования, заставляя резко увеличивать количество выборочных траекторий. Это обстоятельство практикующие специалисты рассматривают как одну из существенных трудностей при использовании методов Монте-Карло.

Низкая скорость сходимости (пропорциональная корню из числа испытаний) означает, что упрощённый подход, описанный выше, требует чрезвычайно большого количества выборочных траекторий (например, около миллиона для типичной задачи), чтобы получить достаточно точную оценку. Стоит помнить, что оценка стоимости производного инструмента сама по себе является случайной величиной, и в рамках риск-менеджмента неточность в оценке стоимости портфеля производных инструментов или их рисков может приводить к ошибочным управленческим решениям.

Решить эту проблему помогают специальные методы сокращения дисперсии^[35]. Они позволяют уменьшить случайные флуктуации и достичь необходимой точности с меньшими вычислительными усилиями.

Простой метод снижения дисперсии в методах Монте-Карло основывается на технике формирования парных выборочных траекторий, известных как антитетические траектории. Суть метода проста: если дан ряд случайных отклонений ${\displaystyle \{\varepsilon _{1},\dots ,\varepsilon _{M}\}}$, то параллельно строится вторая последовательность с противоположными знаками элементов ${\displaystyle \{-\varepsilon _{1},\dots ,-\varepsilon _{M}\}}$. Эти две последовательности называются антитетическими (англ. antithetic paths), поскольку при положительном значении одной величины соответствующее значение другой оказывается отрицательным.

Поскольку положительные и отрицательные отклонения частично компенсируют друг друга, возникает эффект снижения дисперсии: необычные значения, возникающие на первой траектории, выравниваются за счёт второй^[36]. В итоге метод антитетических траекторий не только уменьшает необходимое количество случайных выборок для генерации N траекторий, но и заметно снижает дисперсию самих выборок, что приводит к существенному улучшению точности оценки^[37].

Ещё один естественный способ снижения дисперсии — использование контрольных переменных^[38]. Рассмотрим ситуацию, когда нам нужно получить оценку стоимости производного инструмента ${\displaystyle H}$ методом Монте-Карло, но известна аналитическая стоимость похожего инструмента. Этот аналогичный инструмент, имеющий близкие характеристики, можно использовать как контрольную переменную, что позволит улучшить оценку и существенно снизить дисперсию результатов моделирования:

${\displaystyle H}$* = (стоимость ${\displaystyle H}$ по Монте-Карло) + ${\displaystyle B}$*[(аналитическая стоимость ${\displaystyle I}$) − (стоимость ${\displaystyle I}$ по тем же путям Монте-Карло)], где ${\displaystyle B}$ = covar${\displaystyle (H,I)}$) / var ${\displaystyle (H)}$ — коэффициент, пропорциональный соотношению ковариации между ${\displaystyle H}$ и ${\displaystyle I}$ к дисперсии ${\displaystyle H}$.

Ошибка в оценке стоимости производного инструмента напрямую обусловлена его чувствительностью к изменению базового актива (дельта, вега и другие показатели риска). Любая ошибка в прогнозе, например, будущей стоимости базового актива приведёт к пропорциональной ошибке в стоимости самого инструмента. Простой иллюстрацией этого служит сравнение ошибки при оценке обычной длинной позиции (например, колл-опциона) и сложной комбинации опционов (страддл), обладающей минимальной чувствительностью (маленькой дельтой).

Традиционно для выбора контрольного инструмента ${\displaystyle I}$ используется портфель опционов, подобранный таким образом, чтобы его чувствительность к базовым факторам (дельта, вега и др.) совпадала с чувствительностью оцениваемого инструмента ${\displaystyle H}$. Другими словами, контролирующим инструментом становится специально созданный синтетический портфель, состоящий из опционов, чьё поведение близко к поведению инструмента ${\displaystyle H}$.

На практике процедура сводится к следующему: сначала находят стоимость ${\displaystyle H}$ без учёта коррекции дисперсии, измеряют его дельту и вегу, а затем создают комбинацию колл- и пут-опционов с аналогичными характеристиками, которая и выступает в качестве контрольной переменной^[39].

Выборка по значимости (англ. importance sampling) заключается в том, что траектории Монте-Карло генерируются с использованием иного распределения вероятностей (это называют сменой меры), которое повышает вероятность попадания базового актива в область, где выплата производного инструмента демонстрирует наибольшую выпуклость (например, рядом со страйком в случае ванильного опциона). Полученные по каждой траектории результаты не просто усредняются, как в классическом методе Монте-Карло, а предварительно умножаются на отношение плотностей вероятностей нового и исходного распределений (которое вычисляется аналитически по формулам, характерным для выбранного распределения).

Благодаря такому подходу, траектории, вероятность которых произвольно увеличилась ввиду изменения меры, получают пониженный вес при усреднении, что позволяет добиться существенного снижения дисперсии^[40][41].

Данный метод особенно полезен при расчёте рисков производных инструментов. Обычный подход к оценке дельты методом Монте-Карло — это так называемый метод чёрного ящика (англ. black-box), состоящий в выполнении двух отдельных симуляций Монте-Карло: одна проводится на исходных рыночных данных, вторая — на изменённых, после чего разница между результатами принимается за оценку риска.

Вместо этого метод выборки по важности предусматривает выполнение единственной симуляции на заранее выбранных рыночных данных (идеально — с низкой дисперсией), а потом цены корректируются с применением указанных выше весовых коэффициентов. В итоге получается намного более устойчивый и надёжный результат оценки риска по сравнению с обычным подходом чёрного ящика.

Традиционные методы Монте-Карло основаны на случайной генерации выборочных траекторий, что порождает значительные колебания в результатах, особенно при малом числе выборок. Альтернативой служат квазислучайные методы, которые предлагают систематический подход к выбору точек в пространстве вероятностей^[42]. Вместо хаотической генерации случайных чисел, эти методы выбирают точки так, чтобы равномерно заполнить пространство, минимизируя избыточность и пропуски^[43]. Такие точки формируют специальную последовательность с низкой дисперсией (англ. low-discrepancy sequence), одним из популярных примеров которых является последовательность Соболя, обеспечивающая оптимальное покрытие пространства при любом количестве переменных.

Вычисление средних значений выплат производных инструментов на таких низкодисперсных последовательностях обычно оказывается более эффективным, чем аналогичные вычисления на случайных выборках, приводящих к значительным ошибкам из-за неравномерного заполнения пространства.