蒙特卡洛模拟

一条预测线会把不确定性伪装成确定性。Monte Carlo Simulation（蒙特卡洛模拟）把它重新展开成一个分布。

方法很直接：反复抽取不确定输入，让每组输入通过同一个完整模型，再记录结果。一次运行代表一个内部一致的可能世界；数千次运行则揭示范围、中位数、尾部、阈值与失败路径。

最关键的词是条件式。结果只描述模型允许生成的世界，不代表模型发现了真实未来的客观概率。

一场户外活动

假设你要举办户外活动。“平均气温 22°C”并不足以决定是否需要租帐篷。

更有用的做法，是根据合理的气温、降雨和风速，把当天重播数千次，同时保留它们之间的关系。有些版本晴朗温暖，有些又冷、又湿、又刮风。然后你可以问：

• 有多少版本越过失败阈值？
• 下行尾部究竟有多糟？
• 哪一项准备最能减少脆弱结果？

蒙特卡洛模拟把同一逻辑应用到任何含不确定输入的模型。赌场只是名称来源；真正的核心是有纪律的抽样。

工作机制

先把结果写成模型：

Y = f(X₁, X₂, …, Xₖ)

Y 是关心的结果，X 是不确定输入。一套有用的模拟通常包含七步：

1. 明确决策与成功条件。 “资产在 30 年内没有耗尽”可以检验；“方案看起来不错”不行。
2. 表达输入不确定性。 为回报、需求、价格、增长、成本、通胀、工期或故障率定义范围或分布。
3. 表达依赖关系。 相关性与因果约束让抽出的世界保持一致。每个输入单独合理，组合起来仍可能不可能。
4. 联合抽样一次。 得到一个可能世界。
5. 跑完整模型。 保留复利、时点、提款、再投资、排队等真正造成路径依赖的机制。
6. 反复运行。 所有结果组成经验分布。
7. 阅读并挑战分布。 报告范围、分位数、越线频率和失败路径，再改变假设并增加压力测试。

更多运行次数只会减少所选模型里的抽样噪音。它不会修复错误模型、遗漏风险、陈旧数据或不现实的分布。

一个长期资金模型

设模型从资产 B₀ 开始，每年年初提款且提款随通胀增长，随后应用当年的净组合回报：

Bₜ = max(0, [Bₜ₋₁ − W₀(1 + π)ᵗ⁻¹] × [1 + Rₜ − f])

• Bₜ：第 t 年末资产。
• W₀：第一次提款。
• π：通胀率。
• Rₜ：抽样得到的组合回报。
• f：年度费用率。

每次运行都会抽取不同的股票与债券回报顺序，同时保留假设中的相互关系，然后走完整条路径。若资产不足以支付某次提款，这条路径就被标为耗尽。

假设 2,000 条路径中有 1,640 条撑完整个期间。准确的表达是：

在这组回报、波动、相关性、通胀、费用、时点与提款规则之下，82% 的合成路径没有耗尽。

它不是“某个人客观上有 82% 的成功概率”。这个数字更适合在同一组假设下比较规则变化：降低支出、改变配置、降低成本、增加时间，或采用弹性提款策略。

本页只用于概念学习，不提供个性化投资建议。互动结果均为假设性结果，完全取决于页面上可见的模型假设。

为什么顺序会改变结局？

如果没有存入或取出现金，同一组年度回报无论怎样换序，最终复利结果都相同，因为乘法不在乎顺序。

一旦存在提款，顺序就重要了。早期亏损发生时，现金仍持续流出，本金会更快缩小；后来的反弹只能作用在更少的资产上。因此，两条平均回报相同的路径可能走向完全不同的结局。

这也是“平均路径”经常误导的原因。它可能不是任何一条真实路径，会隐藏中途耗尽，还会抹掉真正造成失败的机制。

应该读什么输出？

平均数通常不够。支持决策的读法一般包括：

• 中位数： 模拟结果的中点，可以描述中心，但不是承诺。
• 分位数范围： 例如第 10 至第 90 百分位区间。
• 越线频率： 抽样世界中穿过指定失败线或目标线的比例。
• 失败时点： 问题集中在早期、后期，还是某个特殊条件附近。
• 尾部严重度： 越过阈值之后，结果还能坏到什么程度。
• 敏感度： 哪些假设改变时，结果移动最大。

不说明条件的概率，会制造虚假精确。好的表达会把假设与输出放在一起。

什么时候有用？

蒙特卡洛模拟适合这些问题：

• 多个不确定输入会联合影响结果；
• 事件顺序与时点重要；
• 决策关注范围、尾部或阈值，而不只是平均数；
• 需要在同一套假设下比较不同规则；
• 没有简洁解析解，或解析解会隐藏完整路径。

应用并不限于金融模型，也包括项目工期、库存、可靠性、排队、能源需求、保险损失与测量不确定性。

失败长什么样？

垃圾输入，分布输出

专业外观的直方图不会让缺乏依据的输入变可信。最难的工作通常是定义可信世界，而不是生成随机数。

虚假精确

84.7% 可能只是把同一模型的答案算得更稳定。假设误差往往远大于蒙特卡洛抽样误差。

尾部失明

如果薄尾分布从不生成流动性冻结、跳跃、制度切换或相关性飙升，模拟当然看不到这些风险。需要额外加入明确的压力测试。

独立性幻想

把每个变量独立抽样会生成不可能的世界。增长、利润率、利率、违约与资产回报常常一起变化。

策略遗漏

现实中的个人与组织会调整支出、价格、人员、融资、库存或项目范围。固定策略模型可能高估或低估韧性。

目标错误

模型可能优化了错误的成功定义。期末余额刚好大于零，仍可能在途中违反流动性、服务、安全或质量约束。

容易混淆的邻近方法

• 情景分析讲述少量内部一致的未来，容易解释，但覆盖的世界更少。
• 压力测试强迫模型进入指定极端环境，适合补足分布没有覆盖的尾部。
• 敏感度分析识别最值得研究或监控的假设，比单独一张分布图更直接地解释驱动因素。
• 历史模拟保留真实历史组合，却无法展示样本中从未发生的环境。
• 自助抽样从观测数据重复抽取；区块方法还能保留一部分时间结构。
• 预测试图识别更可能发生的未来路径；蒙特卡洛通常更擅长条件式范围与稳健性，而不是指出哪条路径会成真。

记住五件事

1. 蒙特卡洛生成许多条件式路径，不提供一条特权预测。
2. 模型、输入分布、依赖关系与策略规则共同决定哪些世界可以存在。
3. 阅读范围、尾部、越线频率与失败路径，不要只看平均数。
4. 更多迭代减少的是抽样噪音，不是模型风险。
5. 在一致假设下比较决策，并把模拟与敏感度分析、压力测试配合使用。

自测

1. 为什么“每年固定 6%”与“平均回报 6% 的随机路径”可能产生不同结果？
2. 报告“82%”时，必须同时说明哪些假设？
3. 哪一种错误无法靠增加模拟次数修复？
4. 即使模拟已经有第 5 百分位，什么情况仍应加入指定压力测试？
5. 你的模型中，哪些输入不应该独立抽样？

延伸阅读

• Metropolis & Ulam (1949), “The Monte Carlo Method”
• National Institute of Standards and Technology · New Tool to Account for Uncertainty
• Financial Industry Regulatory Authority Rule 2214 · Requirements for Investment Analysis Tools
• Certified Financial Planner Board · Core Financial Planning Technologies questionnaire