apeescape2.com
  • メイン
  • プロジェクト管理
  • その他
  • デザイナーライフ
  • 製品ライフサイクル
財務プロセス

Forecasterのツールボックス:モンテカルロシミュレーションを実行する方法

エグゼクティブサマリー

モンテカルロシミュレーションとは何ですか?
  • モンテカルロシミュレーション 予測と推定でさまざまな結果の確率をモデル化します。彼らは、ハイエンドのカジノで有名なモナコのモンテカルロのエリアからその名前を獲得しています。ルーレットやスロットマシンと同じように、ランダムな結果がテクニックの中心になります。モンテカルロシミュレーションは、エンジニアリング、プロジェクト管理など、幅広い分野で役立ちます。 石油・ガス探査およびその他の資本集約型産業 、研究開発、および保険。この記事では、金融とビジネスのアプリケーションに焦点を当てています。
  • 確率分布。 シミュレーションでは、不確実な入力は次を使用して記述されます 確率分布 。 1つ以上の入力が確率分布として記述されている場合、出力も確率分布になります。コンピューターは、各入力分布からランダムに数値を引き出し、結果を計算して保存します。これは数百回または数千回繰り返され、それぞれが反復と呼ばれます。まとめると、これらの反復は最終結果の確率分布を近似します。
モンテカルロシミュレーションチュートリアル
  • ステップ1:モデルの選択または構築。 確率分布を使用することの主要な機能を強調することに焦点を当てた、単純なモデルを使用します。まず、このモデルは他のExcelモデルと同じであることに注意してください。プラグインは、既存のモデルやスプレッドシートで機能します。
  • ステップ2:最初の確率分布を作成します。 まず、仮定を立てるために必要な情報を収集する必要があります。次に、挿入する正しい確率分布を選択する必要があります。不確実性を処理するためにどのアプローチを採用するかに関係なく、主要な入力/仮定のソースは同じであることに注意することが重要です。次に、キー入力値を1つずつ確率分布に置き換えます。次に、使用するディストリビューション(通常など)を選択します。
  • ステップ3:収益予測を1年から数年に拡大する。 モンテカルロモデリングでは、時間の経過など、不確実性と確率分布が互いにどのように重なり合うかに注意してください。別のアプローチは、毎年1つずつ、5つの独立した分布を持つことです。
  • ステップ4:マージンを確率分布として表現する。 ここでは、相関機能を使用して、規模の経済を反映して、相対的な市場シェアと収益性の間に明確な相関関係がある状況をシミュレートできます。また、利用可能な時間、トランザクションのサイズ、およびその他の要因によっては、オペレーティングモデルを構築し、最も不確実な変数を明示的に入力することが理にかなっていることがよくあります。これらには、製品の数量と価格、商品価格、為替レート、主要な架空送電線項目、月間アクティブユーザー、およびユニットあたりの平均収益(ARPU)が含まれます。開発時間、市場投入までの時間、市場採用率などの量の変数だけでなく、モデル化することも可能です。
  • ステップ5:貸借対照表とキャッシュフロー計算書。 概説したアプローチを使用して、貸借対照表とキャッシュフロー計算書を続行し、仮定を入力し、意味のある場合は確率分布を使用できます。
  • ステップ6:モデルを完成させる。 モンテカルロモデルの構築には、標準の財務モデルと比較して1つの追加ステップがあります。結果を評価するセルは、出力セルとして特別に指定する必要があります。ソフトウェアは、シミュレーションの終了後に評価できるように、これらのセルのシミュレーションの各反復の結果を保存します。モデル全体のすべてのセルは各反復で再計算されますが、他のセルの反復の結果は再計算されません。入力セルまたは出力セルとして指定されたものは失われ、シミュレーションの終了後に分析できなくなります。モデルの作成が完了したら、[シミュレーションの開始]を押して数秒待つだけで、初めてシミュレーションを実行します。
  • ステップ7:結果の解釈。 これで、その値の周囲にさまざまな確率で多くの潜在的な結果があることがはっきりとわかります。これにより、「この投資でハードルリターン率に達するか」などの質問を言い換えることができます。 「ハードルレートに達する、または超える可能性はどのくらいありますか?」たとえば信頼区間を使用して、どの結果が最も可能性が高いかを調べることができます。視覚化は、さまざまな利害関係者に結果を伝達するときに役立ちます。他のトランザクションからの出力をオーバーレイして、現在のトランザクションが他のトランザクションと比較してどれほど魅力的で(不確実)かを視覚的に比較できます。
  • ApeeScape Financeは、モデリングのすべてのニーズに対応します。 Excelの専門家 、 財務モデリングコンサルタント 、 評価スペシャリスト 、および 財務予測の専門家 。

前書き

まず、唯一の確実性は、確実性がないということです。第二に、結果としてのすべての決定は、確率を比較検討することの問題です。第三に、不確実性にもかかわらず、私たちは決定し、行動しなければなりません。そして最後に、結果だけでなく、それらの決定がどのように行われたかについて決定を判断する必要があります。 –ロバートE.ルービン

の最も重要で挑戦的な側面の1つ 予測 将来の調査に内在する不確実性を処理しています。 2003年以来、LBO、スタートアップ資金調達、予算、M&A、および企業戦略計画のための何百もの財務モデルと運用モデルを構築して投入してきましたが、そのためのさまざまなアプローチを目の当たりにしてきました。すべてのCEO、CFO、取締役会メンバー、投資家、または投資委員会のメンバーは、さまざまなインセンティブの影響を受けて、財務予測と不確実性に対して独自の経験とアプローチをもたらします。多くの場合、実際の結果を予測と比較することで、予測と実際の結果の間の偏差がどれほど大きくなる可能性があるかを理解できるため、不確実性を理解して明示的に認識する必要があります。

私は当初、シナリオ分析と感度分析を使用して不確実性をモデル化することから始めましたが、それでもそれらは非常に有用なツールであると考えています。 2010年にモンテカルロシミュレーションをツールボックスに追加して以来、リスクと確率についての考え方を改善および改善するための非常に効果的なツールであることがわかりました。私は、DCF評価の構築、M&Aでのコールオプションの評価、貸し手とのリスクの話し合いから、資金調達の模索やスタートアップへのVC資金調達の割り当ての指導まで、あらゆることにこのアプローチを使用してきました。このアプローチは、取締役会メンバー、投資家、上級管理職チームから常に好評を博しています。この記事では、DCF評価モデルを構築することにより、実際にモンテカルロシミュレーションを使用するためのステップバイステップのチュートリアルを提供します。

すべての決定は確率の重み付けの問題です

ケーススタディを開始する前に、不確実性を処理するためのいくつかの異なるアプローチを確認しましょう。の概念 期待値 —考えられるすべてのシナリオにおけるキャッシュフローの確率加重平均—はFinance 101です。しかし、財務の専門家や意思決定者は、この単純な洞察を実践に移す際に、非常に異なるアプローチを取ります。アプローチは、一方では不確実性をまったく認識または議論しないことから、他方では洗練されたモデルやソフトウェアにまで及ぶ可能性があります。場合によっては、人々はキャッシュフローを計算するよりも確率について議論することに多くの時間を費やすことになります。

単にそれに対処しないことは別として、中長期的な予測における不確実性を処理するいくつかの方法を調べてみましょう。これらの多くはおなじみのはずです。

1つのシナリオを作成します。 このアプローチは、予算、多くの新興企業、さらには投資決定のデフォルトです。結果が予測と異なる可能性があるという不確実性または認識の程度に関する情報が含まれていないことに加えて、それはあいまいであり、利害関係者によって異なって解釈される可能性があります。実際の結果が超過するよりも不足する可能性が高いストレッチターゲットとして解釈する人もいます。一部の人は、それをマイナス面よりもプラス面のベースラインパフォーマンスと見なしています。他の人はそれを50/50の確率で上下する「ベースケース」と見なすかもしれません。一部のアプローチ、特にスタートアップの場合、それは非常に野心的であり、失敗または不足がはるかに起こりやすい結果ですが、リスクを説明するために、より高い割引率が使用されます。

100%の暗黙の確率での1つの予測シナリオの結果。

このアプローチでの長期キャッシュフロー予測への入力はすべて点推定であり、この例では、100%の暗黙の確率で5,000万ユーロの点推定結果が得られます。

複数のシナリオを作成します。 このアプローチは、単一の与えられた計画に従って現実が展開する可能性が低いことを認識しています。

  • 最も単純な形式である感度分析では、これは、たとえば、固定費、半変動費、変動費の特定の組み合わせを使用して収益を見積もることで、ベースケースの売上高の上下10%の売上高の伸びの影響をシミュレートできます。影響。
  • より複雑な形であなたは シナリオごとに全く違う視点で未来を考える 、さまざまな技術開発、競争力、マクロトレンドが会社の業績に与える影響を分析します。
  • 多くの場合、シナリオは残念ながら非常に恣意的に選択され、場合によっては望ましい最終結果を念頭に置いて選択されます。
等しい確率での3つの異なる予測シナリオの結果。

3つの異なるシナリオでは、3つの異なる結果が得られますが、ここでは同じように発生する可能性が高いと想定しています。高シナリオと低シナリオ以外の結果の確率は考慮されません。

確率が明示的に認識されたベース、アップサイド、およびダウンサイドのケースを作成します。 つまり、クマとブルのケースには、たとえば、各テールに25%の確率が含まれ、公正価値の見積もりは中間点を表します。リスク管理の観点からのこれの有用な利点は、テールリスク、つまり、上向きおよび下向きのシナリオ以外のイベントの明示的な分析です。

からのイラスト モーニングスター評価ハンドブック

モーニングスター評価ハンドブックの確率分布の例。3つの異なる予測シナリオの相対確率を示しています。

確率分布とモンテカルロシミュレーションを使用します。 確率分布を使用すると、予測で考えられるすべての結果をモデル化して視覚化できます。これは、集計レベルだけでなく、詳細な個々の入力、仮定、および推進要因に対しても実行できます。次に、モンテカルロ法を使用して、結果の確率分布を集計レベルで計算し、いくつかの不確実な変数が全体的な結果の不確実性にどのように寄与するかを分析できます。おそらく最も重要なのは、このアプローチにより、分析と決定に関与するすべての人が、予測に固有の不確実性を明示的に認識し、確率を考えるように強制することです。

他のアプローチと同様に、これには欠点があります。たとえば、より洗練されたモデルを使用すると、精度が誤って自信過剰になるリスクがあります。また、適切な確率分布を選択してパラメーターを推定するために必要な追加の作業があります。中古。

それぞれモンテカルロシミュレーションを使用した3つの異なる予測シナリオの結果。

モンテカルロシミュレーションとは何ですか?

モンテカルロシミュレーション でさまざまな結果の確率をモデル化する 財務予測 と見積もり。彼らは、ハイエンドのカジノで世界的に有名なモナコのモンテカルロのエリアからその名前を獲得しています。ルーレットやスロットマシンと同じように、ランダムな結果がテクニックの中心になります。モンテカルロシミュレーションは、エンジニアリング、プロジェクト管理など、幅広い分野で役立ちます。 石油・ガス探査およびその他の資本集約型産業 、R&D、および保険;ここでは、金融とビジネスのアプリケーションに焦点を当てています。

確率分布

シミュレーションでは、不確実な入力は次を使用して記述されます 確率分布 、平均や標準偏差などのパラメータで記述されます。財務予測への入力例としては、収益やマージンから、商品価格、拡張のための設備投資、外国為替レートなど、より詳細なものまで、あらゆるものが考えられます。

資本予算はプロセスです

1つ以上の入力が確率分布として記述されている場合、出力も確率分布になります。コンピューターは、各入力分布からランダムに数値を引き出し、結果を計算して保存します。これは数百、数千、または数万回繰り返され、それぞれが反復と呼ばれます。まとめると、これらの反復は最終結果の確率分布を近似します。

入力の種類

入力ディストリビューションは次のいずれかになります 連続 、ランダムに生成された値は、分布(正規分布など)の下で任意の値を取ることができます。または 離散 、確率が2つ以上の異なるシナリオに関連付けられている場合。

シミュレーションには、さまざまなタイプの分布を混在させることもできます。たとえば、それぞれが成功または失敗の個別の確率を持ついくつかの段階を持つ製薬研究開発プロジェクトを考えてみましょう。これは、各段階に必要な不確実な投資額と、プロジェクトが市場に到達する製品をもたらす場合の潜在的な収益を説明する継続的な配布と組み合わせることができます。以下のグラフは、そのようなシミュレーションからの出力を示しています。500万ユーロから5000万ユーロ(現在価値)の投資全体を失う確率は約65%、純利益の確率は約35%です。 100ユーロから250ユーロ-次のような主要な出力指標があれば失われる情報 MIRR またはNPVは、確率分布ではなく点推定として表示されます。

いくつかの段階があり、それぞれに特定の失敗のリスクがあり、その間の投資額が不確実なプロジェクトのモンテカルロシミュレーションの例。

いくつかの合否段階があり、その間に不確実な投資があり、プロジェクトが完了した場合の価値が不確実なプロジェクトのモンテカルロシミュレーションの例

実際のモンテカルロシミュレーション

モンテカルロシミュレーションがより広く使用されていない理由の1つは、一般的な財務の日常的なツールがそれらを十分にサポートしていないためです。 ExcelとGoogleスプレッドシートは、各セルに1つの数値または数式の結果を保持します。確率分布を定義して乱数を生成できますが、モンテカルロ機能を使用して財務モデルを最初から作成するのは面倒です。また、多くの金融機関や投資会社は、デリバティブの評価やポートフォリオの分析などにモンテカルロシミュレーションを使用していますが、それらのツールは通常、社内で開発されており、独自仕様であるか、非常に高価であるため、個々の金融専門家はアクセスできません。

物理エンジンの作り方

したがって、次のようなExcelプラグインに注目したいと思います。 @危険 パリセードによって、 ModelRisk Voseによって、そして RiskAMP 、モンテカルロシミュレーションの操作を大幅に簡素化し、既存のモデルに統合できるようにします。次のウォークスルーでは、@ RISKを使用します。

ケーススタディ:モンテカルロシミュレーションによるキャッシュフロー予測

モンテカルロシミュレーションの主要な概念を説明する簡単な例、つまり5年間のキャッシュフロー予測を確認してみましょう。このウォークスルーでは、評価のために基本的なキャッシュフローモデルを設定して入力し、入力を確率分布に徐々に置き換え、最後にシミュレーションを実行して結果を分析します。

ステップ1.モデルの選択または構築

まず、確率分布を使用することの主要な機能を強調することに焦点を当てた、単純なモデルを使用します。まず、このモデルは他のExcelモデルと同じであることに注意してください。上記のプラグインは、既存のモデルとスプレッドシートで機能します。以下のモデルは、1つのシナリオを形成するための前提条件が設定された、単純な既製のバージョンです。

モンテカルロシミュレーションの確率分布を追加する前の単純な例のキャッシュフロー予測モデル。

ステップ2.最初の確率分布を作成する

まず、仮定を立てるために必要な情報を収集する必要があります。次に、挿入する正しい確率分布を選択する必要があります。不確実性を処理するためにどのアプローチを採用するかに関係なく、主要な入力/仮定のソースは同じであることに注意することが重要です。 商業的デューデリジェンス 、予測される市場開発、業界の傾向、および競争のダイナミクスのコンテキストでの会社の事業計画の包括的なレビューには、通常、履歴データからの外挿、専門家の意見の組み込み、市場調査の実施、および市場参加者へのインタビューが含まれます。私の経験では、専門家と市場参加者は、さまざまなシナリオ、リスク、および結果の範囲について喜んで話し合います。ただし、ほとんどの場合、確率分布を明示的に記述していません。

ここで、最初の予測年(2018)の推定売上成長から始めて、主要な入力値を1つずつ確率分布に置き換えてみましょう。 Excel用の@RISKプラグインは、15日間の無料トライアルで評価できるため、 パリセードのウェブサイト 数回クリックするだけでインストールできます。 @RISKプラグインを有効にして、配布するセルを選択し、メニューで[配布の定義]を選択します。

@RISKプラグインでの確率分布の選択。

次に、表示されるディストリビューションのパレットから1つを選択します。 @RISKソフトウェアは、70を超えるさまざまなディストリビューションから選択できるため、最初は1つを選択するのは大変なことに思えます。以下は、私が最も頻繁に使用する一握りのガイドです。

正常。 平均と標準偏差によって定義されます。これは、その単純さのために良い出発点であり、モーニングスターアプローチの拡張として適しています。モーニングスターアプローチでは、特定の入力に対しておそらくすでに定義されたシナリオまたは範囲をカバーする分布を定義し、ケースがベースケースに対して対称であることを確認します。各テールの確率が妥当に見えること(モーニングスターの例のように25%など)。

正規またはガウス確率分布の例。

ジョンソンモーメント。 これを選択すると、歪んだ分布と、より太いまたはより細い尾を持つ分布を定義できます(技術的に追加 歪度 そして 尖度 パラメーター)。舞台裏では、これはアルゴリズムを使用して、選択した4つのパラメーターを反映する4つの分布から1つを選択しますが、それはユーザーには見えません---焦点を当てる必要があるのはパラメーターだけです。

  • 入力の情報を収集する過程で、正規分布が適切でないことが明らかになる場合があります。たとえば、業界サイクルの谷間またはピークにある企業の場合、次の5年間のパフォーマンスが向上または低下する確率は、対称的ではありません。ピークに近づくほど、景気後退の可能性が高くなりますが、引き続き好調です。これは、偏った分布が役立つ場合がある場所です。
  • 金融の多くの分野で「ファットテール」の概念について多くのことが書かれています。正規分布は実際の結果をうまく説明していないことが多く、正規分布が示すよりも頻繁に発生する非常にまれなイベントがあるようです。
ジョンソンモーメントの確率分布の例。

離散。 確率が2つ以上の特定の値に与えられている場合。最初の段階的なR&Dプロジェクトの例に戻ると、各段階での成功の確率は、バイナリ離散分布としてモデル化され、結果1は成功を表し、0は失敗を表します。

2つの可能な結果を​​伴う離散確率分布。

ディストリビューションフィッティング。 履歴データポイントが大量にある場合は、分布フィッティング機能が役立ちます。これは、たとえば3年または4年の過去の売上成長を意味するのではなく、商品価格、為替レート、または過去が将来の傾向と不確実性の程度に関する有用な情報を提供できるその他の市場価格などの時系列データを意味します。

@RISKの分布フィッティング機能を使用してデータセットから推定された確率分布の例。

複数の異なるディストリビューションを1つに結合します。

個々のバイアスの潜在的な影響を軽減するために、さまざまな情報源の入力を仮定に組み込んだり、調査結果を確認して議論したりすることをお勧めします。さまざまなアプローチがあります。

  • ドラフトまたは最初のビューを準備してから、専門家、より広範な管理チーム、またはその他の意思決定者と検討します。
  • 会議で共同で最も重要なディストリビューションを開発します。これは良い議論とより良い結果につながる可能性がありますが、いつものようにグループの構成は重要です。もちろん、さまざまな視点や機能を表現し、活発でありながら敬意を持って議論する雰囲気を醸成することは役に立ちます。
  • キーソースごとに1つのディストリビューションを作成し、それぞれに対する信頼度に応じて重み付けして、それらを組み合わせます。複数の異なる専門家から意見を聞く場合は、それぞれが他の専門家とは独立して独自の見解を提供し、その後、1つにまとめることをお勧めします。 @RISK関数MakeRiskInputがこれを行います。
@RISKのMakeRiskInput機能で使用する確率分布の例。

重量:20%
+

@RISKのMakeRiskInput機能で使用する確率分布の例。

重量:20%
+

@RISKのMakeRiskInput機能で使用する確率分布の例。

重量:60%
=

@RISKのMakeRiskInput機能を使用して、いくつかの異なる確率分布を1つに結合した結果の例。

フリーハンド。 ディスカッションの一部としてディストリビューションをすばやく説明する場合、または既存のパレットから簡単に作成できないモデルをドラフトするときにディストリビューションが必要な場合は、フリーハンド機能が役立ちます。名前が示すように、これにより、簡単なペイントツールを使用して分布を描画できます。

@RISKのフリーハンド描画機能を使用して作成された確率分布の例。

これで、左側にいくつかのパラメータが表示された、分布の視覚化が表示されます。ザ・ 平均 そして 標準偏差 シンボルは見覚えがあるはずです。正規分布の場合、平均は以前にセルに単一の値として入力したものになります。これは例として2018年の販売確率分布であり、10%が平均を表しています。通常のモデルは10%の数値のみに焦点を当てるか、それぞれ15%と5%の成長を伴う「強気」と「弱気」のシナリオを持ちますが、これにより、予想される潜在的な結果の全範囲に関する情報が提供されます。

スプリングブーツ付きスプリングMVC

確率分布をセルに入力する方法。

1年間の売上成長の確率分布

モンテカルロシミュレーションの利点の1つは、確率の低いテールの結果が思考と議論を引き起こす可能性があることです。良いシナリオと悪いシナリオを表示するだけで、意思決定者がそれらを外側の境界として解釈し、外側にあるシナリオを却下するリスクをもたらす可能性があります。これにより、意思決定に欠陥が生じ、組織または個人のリスクに対する許容範囲を超える結果にさらされる可能性があります。問題のシナリオが壊滅的な結果をもたらす場合、5%または1%の確率でさえ受け入れられない可能性があります。

ステップ3.収益予測を1年から数年に拡大する

モンテカルロモデリングでは、時間の経過など、不確実性と確率分布が互いにどのように重なり合うかに注意してください。例を見てみましょう。毎年の売上高は前の売上高の成長に依存するため、2022年の売上高の見積もりは2018年の売上高よりも不確実であることがわかります(各年の標準偏差と95%信頼区間を使用して示されています)。簡単にするために、以下の例では2018年の1年間の成長を指定し、2022年までの次の各年に同じ成長率を適用します。別のアプローチは、毎年1つずつ、5つの独立した分布を持つことです。

売上予測の不確実性が時間の経過とともにどのように増加するかを示すグラフ。

時間の経過とともに不確実性がどのように増加するかを示す(結果の分布の拡大)

ステップ4.損益計算書の続き—マージンを確率分布として表現する

2018年のEBITマージンの確率分布(以下で強調表示)は、売上成長の場合と同様に推定されます。

営業利益率を確率分布で表す。

ここでは、相関関数を使用して、規模の経済を反映して、相対的な市場シェアと収益性の間に明確な相関関係がある状況をシミュレートできます。市場と比較して売上高の伸びが高く、それに応じて相対的な市場シェアが高いシナリオは、より高いEBITマージンと正の相関関係を持つようにモデル化できます。企業の財産が石油価格や外国為替レートなどの他の外部要因と強く相関している業界では、その要因の分布を定義し、売上と収益性との相関をモデル化することは理にかなっています。

両方が確率分布として表される場合の売上高と営業利益の間の相関のモデリング。

売上高の伸びとマージンの間の相関関係のモデリング

利用可能な時間、トランザクションのサイズ、およびその他の要因によっては、オペレーティングモデルを構築し、最も不確実な変数を明示的に入力することが理にかなっていることがよくあります。これらには、製品の数量と価格、商品価格、為替レート、主要な架空送電線項目、月間アクティブユーザー、およびユニットあたりの平均収益(ARPU)が含まれます。開発時間、市場投入までの時間、市場の採用率など、量を超えた変数をモデル化することも可能です。

ステップ5.貸借対照表とキャッシュフロー計算書

概説したアプローチを使用して、貸借対照表とキャッシュフロー計算書を続行し、仮定を入力し、意味のある場合は確率分布を使用できます。

設備投資に関する注記:これは、絶対額または売上のパーセンテージとしてモデル化でき、より大きな段階的投資と組み合わせることができます。製造施設には、たとえば、明確な容量制限と大規模な拡張投資、または売上がしきい値を超えた場合に必要な新しい施設がある場合があります。たとえば1,000回または10,000回の反復はそれぞれモデルの完全な再計算になるため、特定のボリュームに達した場合に投資コストをトリガーする簡単な式を使用できます。

ステップ6.モデルの完成

モンテカルロモデルの構築には、標準の財務モデルと比較して1つの追加ステップがあります。結果を評価するセルは、出力セルとして特別に指定する必要があります。ソフトウェアは、シミュレーションの終了後に評価できるように、これらのセルのシミュレーションの各反復の結果を保存します。モデル全体のすべてのセルは反復ごとに再計算されますが、入力セルまたは出力セルとして指定されていない他のセルでの反復の結果は失われ、シミュレーションの終了後に分析できません。以下のスクリーンショットでわかるように、MIRR結果セルを出力セルとして指定します。

モンテカルロシミュレーションの実行が終了したときに値が保存される出力セルを指定します。

モデルの作成が完了したら、「シミュレーションの開始」を押して数秒待つだけで、初めてシミュレーションを実行します。

ステップ7.結果の解釈

確率として表される出力。 私たちのモデルは以前は修正されたIRRの単一の値を与えていましたが、今ではその値の周りにさまざまな確率で多くの潜在的な結果があることがはっきりとわかります。これにより、「この投資でハードルリターン率に達するか」などの質問を言い換えることができます。 「ハードルレートに達する、または超える可能性はどのくらいありますか?」たとえば、信頼区間を使用して、どの結果が最も可能性が高いかを調べることができます。視覚化は、さまざまな利害関係者に結果を伝達するときに役立ちます。他のトランザクションからの出力をオーバーレイして、現在のトランザクションが他のトランザクションと比較してどれほど魅力的で(不確実)かを視覚的に比較できます(以下を参照)。

信頼区間が示されている修正内部収益率のモンテカルロシミュレーション出力。

信頼区間で変更されたIRR

特定のハードルレートが示されている、変更された内部収益率のモンテカルロシミュレーション出力。

ハードルレートで修正されたIRR

変更された内部収益率のモンテカルロシミュレーション出力と、比較のためにオーバーレイされた他のトランザクション予測結果。

他のトランザクションがオーバーレイされた変更されたIRR

最終結果の不確実性の程度を理解する。 最初に販売で行ったのと同様に、時間の経過に伴うキャッシュフローの変動性のチャートを生成すると、販売や確率分布としてモデル化したその他の入力の不確実性が比較的小さい場合でも、フリーキャッシュフローの変動性が大きくなることが明らかになります。 、結果は約50万ユーロから500万ユーロ(10倍の係数)の範囲であり、平均からの標準偏差は1つだけです。これは、不確実な仮定を積み重ねた結果であり、何年にもわたって「垂直方向」と財務諸表全体で「水平方向」の両方で複合する効果です。視覚化は、両方のタイプの不確実性に関する情報を提供します。

VisualStudioユニットテストフレームワーク

売上予測の不確実性が時間の経過とともにどのように増加するかを示すグラフ。

キャッシュフロー予測の不確実性が時間の経過とともにどのように増加するかを示すグラフ。

売上高の変動性と比較したフリーキャッシュフローの変動性

感度分析:竜巻グラフの紹介。 もう1つの重要な領域は、どの入力が最終結果に最大の影響を与えるかを理解することです。古典的な例は、割引率または最終価値の仮定の重要性が、キャッシュフロー予測に比べてあまりにも重要視されていない場合が多いことです。これを処理する一般的な方法の1つは、各軸に1つのキー入力を配置し、各セルで結果を計算する行列を使用することです(以下を参照)。これは、意思決定が1つまたはいくつかの重要な仮定に依存する状況で特に役立ちます。これらの「信じなければならないこと」の状況では、(たとえば)投資委員会または上級管理チームの意思決定者は異なる見解を持っている可能性があります。これらの重要な仮定、および上記のようなマトリックスにより、各自が自分の見解に対応する結果値を見つけることができ、それに基づいて決定、投票、またはアドバイスを行うことができます。

感度分析マトリックスの例-資本コストと5年目の出口倍数の関数としての企業価値

感度分析マトリックスの例-資本コストと5年目の出口の倍数の関数としての企業価値

モンテカルロシミュレーションによる強化。 モンテカルロシミュレーションを使用する場合、そのアプローチは別のアプローチである竜巻図で補完できます。この視覚化では、縦軸にさまざまな不確実な入力と仮定をリストし、それぞれが最終結果に与える影響の大きさを示します。

各入力が出力にどの程度影響するかを示す竜巻図。

キー入力に対する感度を示す竜巻図

これにはいくつかの用途がありますが、そのうちの1つは、分析の準備をする人が、最終結果にとってそれぞれがどれほど重要であるかにほぼ対応する仮定を理解して検証することに時間と労力を費やしていることを確認できることです。また、どの仮定が実際に重要であるかを強調することにより、感度分析マトリックスの作成をガイドすることもできます。

もう1つの潜在的な使用例は、エンジニアリング時間、資金、またはその他の不足しているリソースを、最も重要な仮定の確率分布の検証と絞り込みに割り当てることです。実際のこの例は、VCが支援するクリーンテックのスタートアップで、この方法を使用して、リソースの割り当てと、そのテクノロジーとビジネスモデルの商業的実行可能性の検証の両方の意思決定をサポートし、最も重要な問題を確実に解決しました。最も重要な情報を最初に収集します。モデルを更新し、平均値を移動し、確率分布を調整し、適切な問題の解決に集中している場合は継続的に再評価します。

注意のいくつかの言葉:さまざまなタイプの不確実性

確率は、サイコロやより複雑なバリアントのオッズの単なる計算ではありません。それは私たちの知識の確実性の欠如の受け入れと私たちの無知に対処するための方法の開発です。 –ナシムニコラスタレブ

便利です 区別する の間に 危険 、将来の結果が不明であるが、その確率を計算できる状況として定義され(ルーレットを考えてください)、 不確実性 、イベントの確率をある程度確実に推定できない場合。

ビジネスと金融では、実際に私たちが直面しているほとんどの状況は、これら2つの間のどこかにあります。に近づくほど 危険 そのスペクトルの終わりでは、モンテカルロシミュレーションで行うように、確率分布を使用して可能な将来の結果をモデル化するときに、それらが私たちが直面している状況を正確にキャプチャすることを確信できます。

近づくと 不確実性 スペクトルの終わりでは、モンテカルロシミュレーション(または任意の定量的アプローチ)を使用することがより困難または危険でさえあります。の概念 ' 太った尾 、」確率分布は有用かもしれませんが、使用されたもののパラメーターが間違っている場合、 金融で多くの注目を集めました 、そして、近い将来でさえ非常に不確実であるため、確率分布でそれをキャプチャしようとする試みは、役立つというよりも誤解を招く可能性があります。

上記を念頭に置くことに加えて、1)モデルの欠点に注意すること、2)より洗練されたツールによって増幅される可能性がある自信過剰に注意すること、および3)重大なリスクを念頭に置くことも重要です。以前に見られたものまたはコンセンサスビューの外にある可能性のあるイベント。

結局のところ、それは技術的な解決策ではなく、考え方に関するものです

ここには2つの概念があり、それらを分離することが重要です。1つは不確実性の認識と確率における思考の考え方であり、もう1つはその思考をサポートし、それについて建設的な会話を行うための1つの実用的なツールです。スプレッドシートのモンテカルロシミュレーション。

今日作成または作業しているすべてのモデル、あるいは大多数でモンテカルロシミュレーションを使用しているわけではありません。しかし、私がそれを使って行った作業は、予測とモデリングについての考え方に影響を与えます。このタイプのエクササイズを数回、または1回だけ行うと、見方や決定に影響を与える可能性があります。私たちが使用する他のモデルと同様に、この方法は複雑な世界を大幅に単純化したものであり、経済学、ビジネス、金融の予測者は 残念な実績 客観的に評価した場合。

私たちのモデルは完璧にはほど遠いですが、何年も何十年もの間、数百万または数十億ドル/ユーロが投資または割り当てられているため、意思決定の考え方やプロセスを少し改善するだけでも大きな価値が生まれます。

勘定科目表の設計のベストプラクティス

私は自分の時間の98%を2%の確率に費やしています–ロイドブランクファイン

基本を理解する

モンテカルロシミュレーションは何に使用されますか?

モンテカルロシミュレーションでは、確率分布を使用して、予測の可能な結果の全範囲をモデル化および視覚化します。これは、集計レベルで、個々の入力、仮定、およびドライバーに対して実行できます。次に、モンテカルロ法を使用して、集計レベルで確率分布を計算します。

なぜ彼らはそれをモンテカルロシミュレーションと呼ぶのですか?

モンテカルロシミュレーションは、ハイエンドのカジノで世界的に有名なモナコのモンテカルロのエリアからその名前が付けられています。ルーレットやスロットマシンと同じように、ランダムな結果がテクニックの中心になります。

SequelとSinatraがRubyのAPI問題を解決する方法

バックエンド

SequelとSinatraがRubyのAPI問題を解決する方法
説得力と動き–モーションデザインの原則へのガイド

説得力と動き–モーションデザインの原則へのガイド

Uxデザイン

人気の投稿
2020年の商業用不動産市場
2020年の商業用不動産市場
「より速く、より良く、より安く」を超えて:スタートアップのための垂直統合戦略
「より速く、より良く、より安く」を超えて:スタートアップのための垂直統合戦略
ReactフックとTypeScriptの操作
ReactフックとTypeScriptの操作
UXとデザイン思考の重要性
UXとデザイン思考の重要性
ビジネスインテリジェンスプラットフォーム:MongoDBアグリゲーションパイプラインを使用したチュートリアル
ビジネスインテリジェンスプラットフォーム:MongoDBアグリゲーションパイプラインを使用したチュートリアル
 
財務はあなたの会社で最も過小評価されているチームです
財務はあなたの会社で最も過小評価されているチームです
ブラウザからウェブサイトのデザインプロセスにアプローチする
ブラウザからウェブサイトのデザインプロセスにアプローチする
Scalaのスケーリング:Kubernetesを使用してDocker化する方法
Scalaのスケーリング:Kubernetesを使用してDocker化する方法
ソフトウェア開発者を引き付け、管理し、維持するためのヒント
ソフトウェア開発者を引き付け、管理し、維持するためのヒント
同じマシンでのMySQLマスタースレーブレプリケーション
同じマシンでのMySQLマスタースレーブレプリケーション
人気の投稿
  • レガシーシステムからのデータ移行
  • C ++でコーディングすることを学ぶ
  • WordPressでAPIを使用する方法
  • 文字列を時間javascriptに変換します
  • 優れたUXデザインの例
カテゴリー
ライフスタイル 革新 リモートの台頭 プロジェクト管理 モバイルデザイン 投資家と資金調達 バックエンド プロセスとツール 設計プロセス 分散チーム

© 2021 | 全著作権所有

apeescape2.com