Monte Carlo-simulaties

Monte Carlo-simulaties worden gebruikt om een breed scala aan mogelijkheden te modelleren.

Monte Carlo’s kun je op veel verschillende manieren opzetten, maar ze hebben allemaal gemeen dat je een groot aantal willekeurige varianten van een gegeven model genereert, zodat je een brede spreiding aan mogelijke paden kunt analyseren. Zo kun je een uitgebreid voorspellingskader bouwen om uit te bemonsteren, zonder dat je veel historische data nodig hebt.

Genereer 100 Monte Carlo-simulaties voor de USO oil ETF.

De parameters mu, vol, T en S0 zijn beschikbaar uit de vorige oefening.

Deze oefening maakt deel uit van de cursus

Introductie tot portefeuillerisicobeheer in Python

Cursus bekijken

Oefeninstructies

Loop van 0 tot 100 (exclusief 100) met de functie range().
Roep in elke iteratie de plotfunctie aan met plt.plot(), waarbij je het bereik van waarden T (range(T)) als eerste argument doorgeeft en de forecasted_values als tweede argument.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren