Monte Carlo Simulation 蒙特卡洛模拟（Level II）

Monte Carlo 模拟从指定的概率模型随机生成大量风险因子路径，把每条路径输入估值或策略模型，再汇总目标变量的经验分布。

L1 基础回顾 Foundation from Level I

L1 已介绍 Monte Carlo 的基本流程：指定风险因子的概率分布与参数，随机生成输入，用定价模型计算结果，重复后汇总经验分布。它能产生历史未出现的 what-if 状态，但结论只与输入分布和估值模型一样可靠。详见 L1 数量方法：Monte Carlo Simulation。

概念解析 Explanation

L2 的增量是“联合路径 + 完整估值”

单次随机抽样只产生一个状态。真正有用的 Monte Carlo 需要把一整组风险因子联合生成，并在每条路径上执行产品或策略规则。对路径依赖证券，今天相同的终点可能因中途经历不同而产生不同现金流。

L2 把同一引擎用于三类任务：

任务	随机对象	每次抽样后的计算
路径依赖证券估值	利率或资产价格路径	路径现金流与折现价值
VaR	多个市场风险因子的联合变化	对当前组合全面重估
策略模拟	多资产/因子联合收益	组合收益、回撤、Sharpe 与 CVaR

相关性只描述常态线性共同变动时可能不够。负偏、肥尾和尾部依赖显著时，应使用能表示这些特征的多元分布，并通过改变分布设定做敏感度分析。

Monte Carlo 与历史模拟的区别不是“是否用历史数据”：Monte Carlo 参数常由历史校准，但抽样来自拟合分布；历史模拟直接抽取历史联合观察。

一次完整模拟包含两个模型

1. 风险因子生成模型：决定利率、收益、波动率和相关性如何演化；
2. 估值/决策模型：把每条路径转成现金流、持仓和价值。

风险因子模型正确而 prepayment/option exercise 模型错误，结果仍会错误；反之亦然。验证时要分别检查。

路径依赖为什么不能只抽终点

MBS 提前偿还取决于利率是否曾经下降并触发再融资。两条路径最终都回到 4%，但第一次到 4% 和第二次到 4% 的剩余借款人群不同。需要逐期模拟利率、更新 pool 状态和现金流，再沿路径折现。

策略模拟同理：再平衡、止损、交易成本和杠杆约束都会让收益依赖中间顺序。

相关性不等于完整依赖结构

线性相关系数可能无法表示负偏、肥尾或危机时共同下跌。两个分布有相同相关性，却可能有完全不同的 joint tail。模拟 VaR/CVaR 时应检查：

• 边际分布是否允许偏度和肥尾；
• 相关性是否随 regime 改变；
• 是否需要 copula 或其他尾部依赖设定；
• 极端情景下市场流动性和价格模型是否仍有效。

精度与正确性

Monte Carlo standard error 按 $1/\sqrt{N}$ 下降，所以误差减半约需四倍路径。增加路径只让模型输出更稳定；分布、参数、相关性或现金流规则设错时，会更精确地收敛到错误答案。

校准与 drift adjustment

固定收益模拟要使模型重现当前可观察基准价格。若模拟出的无权债平均价值不等于市场价，可对路径利率加入 calibration/drift adjustment。校准保证今天的横截面价格一致，不保证未来动态模型一定正确。

核心公式 Formula

模拟目标期望的估计量：

${\hat{\mu }}_N=\frac{1}{N}{\sum }_{i=1}^{N}g(X_i).$

其 Monte Carlo standard error 近似为：

$SE({\hat{\mu }}_N)=\frac{s_g}{\sqrt{N}}.$

置信度 $c$ 下的模拟 VaR：

$Va{R}_c=-Q_{1-c}(\Delta V^{(1)},\dots ,\Delta V^{(N)}).$

因此把抽样误差减半通常需要约四倍模拟次数；这只减少随机误差，不减少参数或模型误设。

图解 Visual

flowchart LR
    M["选择联合分布与参数"] --> S["随机生成 N 条路径"]
    S --> V["每条路径计算现金流/组合价值"]
    V --> D["汇总价值与损失分布"]
    D --> O["均值、VaR、CVaR、回撤"]
    O --> A["改变假设做敏感度检查"]

计算示例 Worked Example

对当前组合生成 $10,000$ 个一年期联合风险因子情景。模拟损益的第 $1$ 百分位为 $-4.8$ million，最差 $1\%$ 情景平均损益为 $-6.3$ million：

$Va{R}_{99\%}=\$4.8\text{ million},CVa{R}_{99\%}=\$6.3\text{ million}.$

若某期望值估计的模拟标准误为 $0.20$，要把它降至约 $0.10$，模拟数需从 $10,000$ 提高到约 $40,000$。但若尾部相关结构设错，四倍抽样仍会稳定地得到错误结果。

考试要点 Exam Focus

1. Monte Carlo 抽样来自拟合分布；historical simulation 抽取历史联合观察。
2. 它适合路径依赖、非线性和多风险因子问题，但计算量大。
3. 模拟次数控制 sampling error，不控制 model risk。
4. 相关性、肥尾、偏度和尾部依赖的设定可显著改变 VaR/CVaR。
5. 必须区分风险因子生成模型与每条路径上的估值模型。

涉及科目 Appears In

• 固定收益 R24：Monte Carlo 利率模拟
• 组合管理 R38：Monte Carlo VaR
• 组合管理 R39：模拟分析流程

相关概念 Related Concepts

• Historical Simulation 历史模拟 — 非参数历史冲击方法
• Sensitivity Analysis 敏感度分析 — 模型设定稳健性
• Correlation 相关性 — 联合路径生成输入
• Scenario Analysis 情景分析 — 指定而非随机生成的联合状态