Monte-Carlo-Simulationen

Monte-Carlo-Simulationen werden eingesetzt, um eine große Bandbreite möglicher Ergebnisse zu modellieren.

Monte-Carlos lassen sich auf viele Arten konstruieren, aber alle Varianten erzeugen zahlreiche zufällige Versionen eines gegebenen Modells, sodass eine breite Verteilung möglicher Pfade analysiert werden kann. So kannst du eine umfassende Prognose möglicher Szenarien erstellen, aus der du auch ohne viele historische Daten Stichproben ziehen kannst.

Erzeuge 100 Monte-Carlo-Simulationen für das USO Oil ETF.

Die Parameter mu, vol, T und S0 stehen aus der vorherigen Übung zur Verfügung.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in das Portfoliorisikomanagement mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Iteriere mit der Funktion range() von 0 bis 100 (ohne 100).
Rufe in jeder Iteration die Plot-Funktion mit plt.plot() auf und übergib den Wertebereich T (range(T)) als erstes Argument und die forecasted_values als zweites Argument.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Loop through 100 simulations
for i in ____:

    # Generate the random returns
    rand_rets = np.random.normal(mu, vol, T) + 1
    
    # Create the Monte carlo path
    forecasted_values = S0*(rand_rets).cumprod()
    
    # Plot the Monte Carlo path
    plt.plot(____, ____)

# Show the simulations
plt.show()

Code bearbeiten und ausführen