Simulations de Monte-Carlo
Les simulations de Monte-Carlo servent à modéliser un large éventail de possibilités.
On peut construire des Monte-Carlo de nombreuses façons, mais toutes consistent à générer un grand nombre de variantes aléatoires d’un modèle donné, afin d’analyser une vaste distribution de trajectoires possibles. Cela permet d’établir une prévision complète des scénarios à échantillonner, sans nécessiter beaucoup de données historiques.
Générez 100 simulations de Monte-Carlo pour l’ETF pétrolier USO.
Les paramètres mu, vol, T et S0 sont disponibles depuis l’exercice précédent.
Cet exercice fait partie du cours
Introduction à la gestion du risque de portefeuille en Python
Instructions
- Bouclez de 0 à 100 (100 exclus) avec la fonction
range(). - Appelez la fonction de tracé à chaque itération avec
plt.plot(), en passant l’intervalle de valeurs T (range(T)) comme premier argument etforecasted_valuescomme second argument.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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()