Monte Carlo simulacija je matematički model za izračun vjerojatnosti određenog ishoda slučajnim testiranjem ili uzorkovanjem širokog spektra scenarija i varijabli. Prvi je upotrijebio Stanilaw Ulam, matematičar koji je radio na Projektu Manhattan tijekom Drugog svjetskog rata, a simulacije pružaju analitičarima put za donošenje teških odluka i rješavanje složenih problema koji imaju višestruka područja neizvjesnosti. Nazvana po odmaralištu u Monaku prepunom kockarnica, simulacija Monte Carla koristi povijesne statističke podatke za generiranje milijuna različitih financijskih ishoda nasumično umetanjem komponenti u svako pokretanje koje mogu utjecati na krajnji rezultat, kao što su povrati računa, volatilnost ili korelacije. Nakon što su scenariji formulirani, metoda izračunava izglede za postizanje određenog ishoda. Za razliku od standardnih analiza financijskog planiranja koje koriste dugoročne prosjeke i procjene budućeg rasta ili ušteda, Monte Carlo simulacija, dostupna u softveru i web aplikacijama, može pružiti realnije sredstvo za rukovanje varijablama i mjerenje vjerojatnosti financijskog rizika ili nagrade.
Monte Carlo metode se često koriste za osobno financijsko planiranje, procjenu portfelja, vrednovanje obveznica i opcija obveznica te u korporativnom ili projektnom financiranju. Iako izračuni vjerojatnosti nisu novi, David B. Hertz prvi ih je uveo u financije 1964. svojim člankom “Analiza rizika u kapitalnim ulaganjima” objavljenim u Harvard Business Review. Phelim Boyle primijenio je metodu na vrednovanje derivata 1977. godine, objavivši svoj rad, “Opcije: Monte Carlo pristup”, u Journal of Financial Economics. Tehniku je teže koristiti s američkim opcijama, a s obzirom da rezultati ovise o temeljnim pretpostavkama, postoje neki događaji koje Monte Carlo simulacija ne može predvidjeti.
Simulacija nudi nekoliko izrazitih prednosti u odnosu na druge oblike financijske analize. Osim generiranja vjerojatnosti mogućih krajnjih točaka zadane strategije, metoda formulacije podataka olakšava izradu grafikona i grafikona, potičući bolju komunikaciju o nalazima ulagačima i dioničarima. Monte Carlo simulacija naglašava relativni utjecaj svake varijable na krajnji rezultat. Koristeći ovu simulaciju, analitičari također mogu vidjeti kako točno određene kombinacije ulaznih podataka utječu i međusobno se međusobno djeluju. Razumijevanje pozitivnih i negativnih međuovisnih odnosa između varijabli omogućuje točniju analizu rizika bilo kojeg instrumenta.
Analiza rizika ovom metodom uključuje korištenje distribucija vjerojatnosti za opisivanje varijabli. Dobro poznata distribucija vjerojatnosti je normalna ili zvonasta krivulja, s korisnicima koji specificiraju očekivanu vrijednost i krivulju standardnog odstupanja koja definira varijaciju. Cijene energije i stope inflacije mogu se prikazati zvonastim krivuljama. Lognormalne distribucije prikazuju pozitivne varijable s neograničenim potencijalom povećanja, kao što su rezerve nafte ili cijene dionica. Ujednačeni, trokutasti i diskretni primjeri su drugih mogućih distribucija vjerojatnosti. Vrijednosti, koje su nasumično uzorkovane iz krivulja vjerojatnosti, predaju se u skupovima koji se nazivaju iteracije.