Was ist Monte Carlo VaR Simulator?
▾
Die Monte-Carlo-VaR-Simulation ist ein rechnerischer Ansatz zur Schätzung des Value at Risk, der durch zufällige Stichproben aus modellierten Renditeverteilungen Tausende (oder Millionen) hypothetischer Portfoliorenditeszenarien generiert und dann die resultierende simulierte Verlustverteilung verwendet, um VaR und CVaR auf jedem Konfidenzniveau zu schätzen. Im Gegensatz zum parametrischen VaR (der eine feste, typischerweise normale Verteilungsform annimmt) oder der historischen Simulation (die auf beobachtete historische Szenarien beschränkt ist) kann die Monte-Carlo-Simulation komplexe Verteilungsannahmen, nichtlineare Instrumente, Multi-Faktor-Exposures und Korrelationen zwischen Vermögenswerten in einem völlig flexiblen Rahmen modellieren. Der Monte-Carlo-VaR-Prozess beginnt mit der Festlegung eines Modells für die Generierung von Vermögensrenditen – typischerweise ein multivariates Modell mit erwarteten Renditen, Volatilitäten und Korrelationen (möglicherweise mit Fat Tails oder stochastischer Volatilität). Zufällige Ziehungen aus dieser Verteilung erzeugen simulierte Rückkehrpfade. Für jedes simulierte Szenario wird der Portfoliogewinn oder -verlust berechnet. Nach Tausenden solcher Szenarien wird die resultierende Verteilung der Portfolio-Gewinne und Verluste in eine Rangfolge gebracht und der VaR als entsprechendes Perzentil gelesen (z. B. das 1. Perzentil für 99 % VaR), während der CVaR der Durchschnitt aller Verluste über diesen Punkt hinaus ist. Die Monte-Carlo-Simulation ist besonders leistungsstark für Portfolios, die Optionen und andere nichtlineare Derivate enthalten, bei denen die Reaktion des Portfolios auf Marktbewegungen nichtlinear ist und mit einfachen parametrischen Methoden nicht genau angenähert werden kann. Es kann auch pfadabhängige Instrumente (wie Barriereoptionen und hypothekenbesicherte Wertpapiere) modellieren, Fat-Tailed-Verteilungen (Student's t, Pareto) einbeziehen und asymmetrische Renditeverteilungen erfassen. Allerdings ist der Monte-Carlo-VaR rechenintensiv – große Portfolios mit Tausenden von Positionen können erhebliche Rechenressourcen erfordern – und die Ergebnisse reagieren empfindlich auf die Modellannahmen, die zur Erstellung von Szenarien verwendet werden. Eine entscheidende Einschränkung des Monte-Carlo-VaR besteht darin, dass keine Szenarien außerhalb des Modellumfangs generiert werden können. Wenn das Modell auf aktuelle Daten kalibriert wird, übersehen es möglicherweise langfristige Risiken, die in letzter Zeit noch nicht eingetreten sind. Deshalb muss der Monte-Carlo-VaR durch Stresstests anhand historischer Krisenszenarien ergänzt werden. Varianzreduktionstechniken (antithetische Variablen, Kontrollvariablen, geschichtete Stichproben) werden verwendet, um die Recheneffizienz zu verbessern und Simulationsfehler für eine bestimmte Anzahl von Szenarien zu reduzieren.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Formel
▾
1. Simulieren Sie N korrelierte Rückgabevektoren: R_sim = μ + L × Z (L=Cholesky von Σ, Z=Standardnormalen)
2. Berechnen Sie die Portfolio-Gewinn- und Verlustrechnung für jedes Szenario: P&L_i = Portfolio × R_sim_i
3. Sortieren Sie die Gewinn- und Verlustrechnung vom schlechtesten zum besten. VaR_α = −P&L beim (1−α)-ten Perzentil
4. CVaR_α = −Durchschnitt (GuV unter VaR-Schwelle)Variablenbeschreibung
▾
| Symbol | Name | Einheit | Beschreibung |
|---|---|---|---|
| N | Anzahl der Simulationen | count | Insgesamt simulierte Szenarien; typischerweise 10.000–100.000 für die Risikoberichterstattung; mehr für hochpräzise Kapitalberechnungen. |
| ρ | Asset-Korrelationsmatrix | ratio | Paarweise Korrelationen zwischen Vermögenswerten; Wird verwendet, um korrelierte Zufallsrenditen mittels Cholesky-Zerlegung zu generieren. |
| σ_i | Vermögensvolatilität | %/period | Standardabweichung der Renditen für jeden Vermögenswert i; anhand historischer Daten kalibriert oder anhand von Optionsmärkten impliziert. |
| VaR_MC | Monte-Carlo-VaR | USD | Der (1−α)-Perzentilverlust aus der simulierten Gewinn- und Verlustverteilung; das simulierte Äquivalent des parametrischen VaR. |
| SE_VaR | Simulationsstandardfehler | USD | Statistischer Schätzfehler im Monte-Carlo-VaR; nimmt mit √N ab – 4× mehr Simulationen halbieren den Fehler. |
Anleitung Monte Carlo VaR Simulator
▾
- 1Geben Sie das Renditemodell an: Definieren Sie erwartete Renditen (μ), Standardabweichungen (σ) und Korrelationsmatrix (ρ) für alle Portfolio-Assets.
- 2Führen Sie eine Cholesky-Zerlegung der Korrelationsmatrix durch, um korrelierte Zufallsvariablen zu generieren.
- 3Zeichnen Sie N Sätze unabhängiger Standard-Normalzufallszahlen. Transformation mithilfe des Cholesky-Faktors, um korrelierte Rückgabevektoren zu erstellen.
- 4Berechnen Sie die Portfolio-Gewinn- und Verlustrechnung für jeden simulierten Renditevektor: Gewinn- und Verlustrechnung = Σ(Gewicht_i × Portfoliowert × Rendite_i) für lineare Portfolios; Verwenden Sie die vollständige Neubewertung für Optionen.
- 5Sortieren Sie alle N simulierten GuV-Ergebnisse vom schlechtesten zum besten.
- 6Ablesen von VaR: der Verlust bei der (1−α) × N-ten Beobachtung (z. B. 100. Schlimmster für 99 % VaR mit 10.000 Simulationen).
- 7Berechnen Sie den CVaR: Durchschnitt aller Verluste, die schlechter als der VaR sind (z. B. Durchschnitt der schlechtesten 100 Ergebnisse für 99 % CVaR mit 10.000 Simulationen).
Gelöste Beispiele
▾
Eine negative Korrelation reduziert den Portfolio-VaR erheblich
Jährliche Portfoliovolatilität ≈ √(0,6²×0,2² + 0,4²×0,05² + 2×0,6×0,4×(-0,3)×0,2×0,05) ≈ 11,7 %. Monte Carlo generiert 10.000 korrelierte jährliche Renditepaare; Portfolio-Gewinn- und Verlustrechnung jeweils berechnet. Die schlechtesten 500 Ergebnisse (5 %) durchschnittlich etwa –23 % des Portfolios = –230.000 USD (CVaR). Das 500. schlechteste Ergebnis ≈ −17,5 % = −175.000 USD (VaR). Ohne Korrelationsvorteil (ρ=0) würde der VaR etwa 220.000 US-Dollar betragen – was die Risikoreduzierung von 45.000 US-Dollar durch die negative Korrelation zwischen Anleihen und Aktien zeigt.
Monte Carlo erfasst den nichtlinearen Gammaeffekt; Parametric verfehlt es
Optionen weisen aufgrund von Gamma (Konvexität) eine nichtlineare Gewinn- und Verlustrechnung auf. Der Delta-normale VaR nähert Optionen als linear an (verwendet nur Delta) und ergibt einen VaR von 14.000 $. Eine vollständige Monte-Carlo-Neubewertung unter Verwendung von Black-Scholes für jeden simulierten zugrunde liegenden Preis erfasst die vollständige nichtlineare Reaktion und führt zu einem VaR von 18.000 USD – 29 % höher. Das zusätzliche Risiko entsteht durch Gamma: Große Bewegungen führen zu mehr Gewinn- und Verlustveränderungen, als die delta-lineare Näherung vorhersagt. Bei großen Optionsbüchern kann diese Nichtlinearitätskorrektur erheblich sein, sodass eine vollständige Neubewertung nach Monte Carlo erforderlich ist.
Fat Tails (T-Verteilung) führen zu einem deutlich höheren VaR
Für tägliches σ=2 %: normaler 99 % VaR = 2,326 × 2 % × 10 Mio. $ = 465.200 $. Student-t mit 4 Freiheitsgraden hat schwerere Ausläufer: Das 99. Perzentil beträgt ungefähr 3,747 σ (gegenüber 2,326 σ im Normalfall), was VaR = 3,747 × 2 % × 10 Mio. $ = 749.400 $ ergibt. Der Unterschied von 51 % zeigt, warum die Annahme von Normalität in Monte Carlo das Extremrisiko drastisch unterschätzen kann. Tatsächliche Aktienrenditen haben eine Kurtosis von 4–8 (normale Kurtosis = 3), was das Fat-Tail-Modell für die Schätzung extremer Verluste wesentlich genauer macht.
Der Standardfehler schrumpft um 1/√N – 100× mehr Sims = 10× mehr Präzision
Monte-Carlo-VaR-Standardfehler ≈ σ_portfolio × √(α(1−α)/N) / f(VaR), wobei f die PDF am VaR-Quantil ist. Bei N=100 Simulationen weist die Schätzung eine Unsicherheit von ±45.000 $ auf – zu ungenau für den praktischen Einsatz. N=10.000 ergibt ±4.500 $, akzeptabel für die tägliche Berichterstattung. Für das regulatorische Kapital (wobei 4.500 US-Dollar bei einem VaR von 200.000 US-Dollar einem relativen Fehler von 2,25 % entsprechen) kann N=100.000 oder mehr erforderlich sein. Techniken zur Varianzreduktion (antithetische Stichprobe, Wichtigkeitsstichprobe) können mit weitaus weniger Simulationen eine Genauigkeit von N=100.000 erreichen.
Praktische Anwendungen
▾
VaR- und Kapitalberechnung des Investmentbank-Handelsbuchs
Tägliche Risikoüberwachung und Portfoliooptimierung für Hedgefonds
Optionsdesk-Risikomanagement mit vollständiger Neubewertung
Reservierungs- und Solvency-II-Kapitalmodelle für Versicherungsunternehmen
Asset-Liability-Management von Pensionsfonds und verbindlichkeitsorientiertes Investieren
Sonderfälle
▾
In der Praxis muss dieser Randfall sorgfältig geprüft werden, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Monte-Carlo-Var-Simulatorberechnungen auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
In der Praxis muss dieser Randfall sorgfältig geprüft werden, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Monte-Carlo-Var-Simulatorberechnungen auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
In der Praxis muss dieser Randfall sorgfältig geprüft werden, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Monte-Carlo-Var-Simulatorberechnungen auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
Präzision der Monte-Carlo-Simulation nach Stichprobengröße
▾
| Simulationen (N) | Tail Obs. bei 99 % | VaR-Standardfehler | Empfohlen für |
|---|---|---|---|
| 1,000 | 10 | ~15 % relativ | Nur erstes Prototyping |
| 10,000 | 100 | ~5 % relativ | Tägliches 95 % VaR-Reporting |
| 100,000 | 1,000 | ~1,5 % relativ | 99 % VaR / regulatorisches Reporting |
| 1,000,000 | 10,000 | ~0,5 % relativ | 99,9 % ökonomisches Kapital |
| 10,000,000 | 100,000 | ~0,15 % relativ | Extreme Tail-Schätzung für Versicherungen |
Häufig gestellte Fragen
▾
Was sind die Vorteile des Monte-Carlo-VaR gegenüber parametrischen und historischen Methoden?
Monte-Carlo-VaR bietet drei wesentliche Vorteile. Erstens kann es nichtlineare Instrumente (Optionen, hypothekenbesicherte Wertpapiere, strukturierte Produkte) verarbeiten, die mit parametrischen Delta-Normal-Methoden nicht genau erfasst werden können. Zweitens kann es jede Renditeverteilung modellieren – normal, fettschwänzig (T-Verteilung), schief (asymmetrisch) oder benutzerspezifiziert – und ist nicht auf die Normalität beschränkt. Drittens kann es Szenarien generieren, die in historischen Daten nicht vorhanden sind, und so ein breiteres Spektrum potenzieller Ergebnisse abdecken. Die historische Simulation beschränkt sich auf das, was tatsächlich passiert ist; Monte Carlo kann Szenarien simulieren, die noch nicht eingetreten sind, aber aufgrund der modellierten Verteilung möglich sind.
Wie viele Simulationen sind für einen zuverlässigen Monte-Carlo-VaR erforderlich?
Die erforderliche Anzahl an Simulationen hängt vom Konfidenzniveau und der gewünschten Präzision ab. Für 95 % VaR: N=1.000 ergibt etwa 50 Tail-Beobachtungen – kaum ausreichend. N=10.000 ergibt 500 Schwanzbeobachtungen – normalerweise ausreichend für die tägliche Berichterstattung. Für 99 % VaR: N=10.000 ergibt nur 100 Tail-Beobachtungen; N=100.000 wird bevorzugt. Für 99,9 % VaR (ökonomisches Kapital): Möglicherweise sind Millionen von Simulationen erforderlich. Als Regel gilt: Zielen Sie für stabile Schätzungen auf mindestens 100–200 Beobachtungen im Tail. Techniken zur Varianzreduktion können den Rechenaufwand erheblich reduzieren.
Was ist die Cholesky-Zerlegung und warum wird sie in Monte Carlo verwendet?
Die Cholesky-Zerlegung faktorisiert eine Korrelations- (oder Kovarianz-)Matrix in eine untere Dreiecksmatrix L, so dass LL' = Σ. Es wird in der Monte-Carlo-Simulation verwendet, um korrelierte Zufallsvariablen zu generieren: Wenn Z ein Vektor unabhängiger Standardnormal-Zufallszahlen ist, dann ist R = L × Z ein Vektor korrelierter Normal-Zufallsvariablen mit der Kovarianzstruktur Σ. Ohne diesen Schritt wären die zufällig generierten Renditen unabhängig von allen Vermögenswerten und würden die Korrelationen ignorieren, die für das Portfoliorisiko von entscheidender Bedeutung sind. Die Cholesky-Zerlegung erfordert, dass die Kovarianzmatrix positiv semidefinit ist. Wenn die Matrix nahezu singulär ist oder negative Eigenwerte aufweist (bei vielen Vermögenswerten möglich), sind Regularisierungstechniken erforderlich.
Was ist der „Fluch der Dimensionalität“ in der Monte-Carlo-Simulation?
Mit zunehmender Anzahl von Risikofaktoren (Vermögenswerte, Zinskurvenpunkte, Volatilitätsoberflächenpunkte) nimmt die Anzahl der Simulationen, die zur angemessenen Abdeckung der multivariaten Verteilung erforderlich sind, schnell zu. Für zwei Assets decken ein paar tausend Simulationen den Raum einigermaßen gut ab. Bei 100 korrelierten Assets können selbst Millionen von Simulationen zu einer spärlichen Abdeckung extremer gemeinsamer Szenarien führen. Diese rechnerische Herausforderung – der Fluch der Dimensionalität – wird durch Faktorreduktion (Hauptkomponentenanalyse der Korrelationsstruktur), geschichtete Stichproben und quasi-zufällige (geringe Diskrepanz) Sequenzen (Halton, Sobol) angegangen, die den Parameterraum gleichmäßiger abdecken als rein zufällige Stichproben.
Wie geht der Monte-Carlo-VaR mit stochastischer Volatilität um?
Standard-Monte-Carlo geht von einer konstanten Volatilität (σ) aus, die tatsächliche Marktvolatilität ist jedoch zeitlich veränderlich und kehrt zum Mittelwert zurück. Stochastische Volatilitätsmodelle (Heston-Modell, SABR-Modell, GARCH) modellieren die Volatilität selbst als einen zufälligen Prozess. Im Heston-Modell Monte Carlo werden sowohl der Vermögenspreis als auch der Volatilitätsprozess gleichzeitig mithilfe korrelierter Brownscher Bewegungen simuliert, wodurch die negative Korrelation zwischen Aktienrenditen und impliziter Volatilität (das „Volatilitätslächeln“) erfasst wird. Dies führt zu realistischeren Gewinn- und Verlustverteilungen mit negativer Schiefe und stärkeren linken Rändern, was besonders wichtig für Optionsportfolios ist, bei denen das Vega-Risiko (Sensibilität gegenüber Volatilitätsänderungen) erheblich ist.
Was ist Wichtigkeitsstichprobe im Monte-Carlo-VaR?
Wichtigkeitsstichprobe ist eine Technik zur Varianzreduzierung, die Simulationen auf die Randbereiche konzentriert, die für die VaR- und CVaR-Schätzung am wichtigsten sind. Anstatt eine gleichmäßige Stichprobe zu erstellen, wird die Simulationswahrscheinlichkeit hin zu extremeren Szenarien verschoben und die Ergebnisse werden neu gewichtet, um diese Verzerrung zu korrigieren. Das Ergebnis sind weitaus mehr Tail-Beobachtungen für eine bestimmte Anzahl von Simulationen, wodurch der Standardfehler der VaR-Schätzung im interessierenden Bereich drastisch reduziert wird. Importance Sampling kann die Tail-Schätzgenauigkeit von 1.000.000 Standard-Monte-Carlo-Simulationen mit nur 10.000–50.000 Simulationen erreichen, was es für Institutionen praktisch macht, die hochpräzises VaR mit begrenzten Rechenressourcen benötigen.
Wie wirkt sich die Wahl der Renditeverteilung auf den Monte-Carlo-VaR aus?
Die Verteilungsannahme ist die wichtigste Modellauswahl im Monte-Carlo-VaR. Durch die Verwendung einer Normalverteilung wird das Tail-Risiko unterschätzt, da die realen Finanzrenditen leptokurtisch (fat-tailed) und oft negativ verzerrt sind. Die T-Verteilung eines Studenten mit 4–8 Freiheitsgraden passt in der Regel besser zu Aktienrenditen und führt bei einem Konfidenzniveau von 99 % zu einem um 30–80 % höheren VaR. Die Extremwerttheorie (EVT) – insbesondere die verallgemeinerte Pareto-Verteilung für die Tail-Modellierung – ist der strengste Ansatz zur Schätzung der sehr tiefen Tails, die für einen VaR von 99,9 % erforderlich sind. In der Praxis verwenden hochentwickelte Risikosysteme häufig die Normalverteilung für den Großteil der Renditeverteilung, passen jedoch ein separates Tail-Modell unter Verwendung von EVT für die extremen Perzentile an.
Häufige Fehler vermeiden
▾
- !Die Verwendung zu weniger Simulationen für das gewünschte Konfidenzniveau führt zu einem hohen Simulationsfehler, der die erforderliche VaR-Präzision übersteigt.
- !Gehen Sie von normalen Renditen aus, wenn die tatsächlichen Renditeverteilungen fettschwänzig sind – verwenden Sie die T-Verteilung oder EVT für eine bessere Schwanzmodellierung.
- !Ignorieren der Korrelationsstruktur oder Verwenden einer einfachen Einzelkorrelationsannahme, wenn komplexe Faktormodelle erforderlich sind.
- !Es wird keine vollständige Neubewertung für Optionen durchgeführt, sondern es wird eine Delta-Normal-Näherung verwendet, die das Gamma-Risiko (Konvexität) außer Acht lässt.
- !Behandlung des Monte-Carlo-VaR als vollständige Risikomessung ohne Ergänzung durch Stresstests für spezifische historische Krisenszenarien.
Profi-Tipp
Führen Sie immer einen Konvergenztest durch: Zeichnen Sie die Monte-Carlo-VaR-Schätzung als Funktion der Anzahl der Simulationen auf. Wenn sich die Schätzung nach 10.000 Simulationen immer noch wesentlich ändert, erhöhen Sie N oder wenden Sie eine Varianzreduzierung an, bevor Sie die Ergebnisse verwenden.
Wussten Sie?
Die Monte-Carlo-Simulation wurde während des Zweiten Weltkriegs von den Physikern des Los Alamos National Laboratory – Stanislaw Ulam, John von Neumann und Nicholas Metropolis – entwickelt, um die Neutronendiffusion in Kernreaktoren zu modellieren. Der Name stammt vom Monte-Carlo-Casino in Monaco, wo Ulams Onkel häufig spielte. Die gleiche Technik liegt heute dem modernen Finanzrisikomanagement, der Modellierung der Arzneimittelwirksamkeit und der Simulation des Klimawandels zugrunde.
Referenzen
- ›Glasserman, P.: Monte-Carlo-Methoden im Financial Engineering, Springer (2003)
- ›Basler Ausschuss: Aufsichtsrahmen für die Messung und Kontrolle von Großkrediten (2014)
- ›McNeil, Frey & Embrechts: Quantitatives Risikomanagement, Princeton University Press
- ›Investopedia: Monte-Carlo-Simulation im Risikomanagement
Read the full guide on how to use this calculator effectively
Weiterlesen →Holen Sie sich wöchentliche Mathe-Tipps
Schließen Sie sich 12.000+-Abonnenten an, die jede Woche Taschenrechner-Tipps erhalten.