Monte Carlo-simuleringar

Monte Carlo-simuleringar används för att modellera ett brett spektrum av möjliga utfall.

Monte Carlo-simuleringar kan konstrueras på många olika sätt, men gemensamt för dem alla är att ett stort antal slumpmässiga varianter av en given modell genereras. Det gör det möjligt att analysera en bred fördelning av möjliga förlopp. På så sätt kan du bygga upp en heltäckande prognos av möjliga scenarier att sampla från, utan att behöva stora mängder historiska data.

Generera 100 Monte Carlo-simuleringar för USO oil ETF.

Parametrarna mu, vol, T och S0 är tillgängliga från föregående övning.

Den här övningen är en del av kursen

Introduktion till portföljriskhantering i Python

Visa kurs

Övningsinstruktioner

Loopa från 0 till 100 (exklusive 100) med funktionen range().
Anropa plottningsfunktionen för varje iteration med plt.plot(), och skicka värdeintervallet T (range(T)) som första argument och forecasted_values som andra argument.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod