Symulacja Monte Carlo w inwestowaniu nie przewiduje jednej przyszłości. Tworzy wiele scenariuszy zgodnych z jawnymi założeniami, aby pokazać rozkład możliwych wyników i ryzyka. Dzięki temu zamiast pytać wyłącznie o historyczny zysk lub maksymalny drawdown, można ocenić, jak wrażliwe są te liczby na kolejność transakcji, zmienność, koszty i ograniczoną próbę danych.
To narzędzie diagnostyczne, nie dowód istnienia przewagi. Jeśli dane, model albo koszty są błędne, tysiące powtórzeń jedynie zwielokrotnią błędne założenie.
Dlaczego jedna ścieżka to za mało?
Załóżmy, że backtest obejmuje 500 transakcji. Ich suma jest stała, ale kolejność zysków i strat wpływa na maksymalne obsunięcie, długość okresu pod wodą, zapotrzebowanie na kapitał i możliwość dalszego wykonywania strategii. Dwie ścieżki z identycznym wynikiem końcowym mogą mieć zupełnie inny profil operacyjny.
Losowanie alternatywnych ścieżek pomaga odpowiedzieć na pytania: jak szeroki jest rozkład drawdownu, jak często pojawiają się długie serie strat, jaki jest przedział wyniku po określonej liczbie transakcji i jak zmieniają się rezultaty po pogorszeniu kosztów. Otrzymane częstości opisują jednak model symulacji, a nie bezwarunkowe prawdopodobieństwa przyszłości.
Monte Carlo nie usuwa niepewności. Zmusza do pokazania, z jakich założeń ta niepewność wynika.
Monte Carlo i bootstrap to nie to samo
Monte Carlo jest szeroką nazwą dla eksperymentów opartych na wielokrotnym losowaniu. Scenariusze mogą powstawać z rozkładu parametrycznego, modelu zmienności, symulatora cen albo empirycznych obserwacji. Bootstrap to konkretny rodzaj resamplingu: nowe próby buduje się przez losowanie z danych już zaobserwowanych.
Bradley Efron opisał formalne podstawy bootstrapu w 1979 r. Metoda pozwala przybliżyć niepewność estymatora bez przyjmowania pełnego modelu parametrycznego. W inwestowaniu prosty bootstrap może losować wyniki transakcji lub dzienne stopy zwrotu ze zwracaniem, tworząc wiele próbek o tej samej długości co historia.
Ta prostota ma cenę. Niezależne losowanie pojedynczych dni zakłada, że kolejność nie niesie informacji. Jeśli w danych występują klastry zmienności, autokorelacja albo reżimy, zwykły bootstrap może zniszczyć ważną strukturę.
Cztery użyteczne typy testu
1. Permutacja kolejności transakcji
Każda historyczna transakcja występuje raz, ale w losowej kolejności. Wynik sumaryczny przed kapitalizacją pozostaje taki sam, zmienia się natomiast ścieżka kapitału. To prosty test wrażliwości drawdownu na sekwencję. Nie tworzy nowych obserwacji i nie mierzy niepewności samej średniej.
2. Bootstrap pojedynczych obserwacji
Transakcje lub stopy zwrotu są losowane ze zwracaniem. Niektóre pojawiają się wielokrotnie, inne wcale. Powstaje rozkład wyniku, obsunięcia i pozostałych miar. Metoda ma sens wtedy, gdy przybliżenie niezależności obserwacji jest akceptowalne dla badanego problemu.
3. Bootstrap blokowy
Zamiast pojedynczych punktów losowane są kolejne fragmenty szeregu. Pomaga to zachować część lokalnych zależności, takich jak serie podwyższonej zmienności. Stationary bootstrap Politisa i Romano losuje bloki o zmiennej długości, aby tworzyć stacjonarne próby z danych zależnych. Długość bloku jest jednak parametrem: zbyt krótki usuwa zależności, a zbyt długi daje niewiele niezależnych kombinacji.
4. Symulacja parametryczna
Zwroty generuje wybrany model, na przykład rozkład z określonymi parametrami lub proces zmienności. Umożliwia badanie scenariuszy niewystępujących dokładnie w historii, ale wynik jest silnie zależny od modelu. Rozkład normalny może zaniżać znaczenie grubych ogonów, a stała zmienność pomijać jej skupianie się w czasie.
Portfel wymaga wspólnego losowania
Jeżeli strategia obejmuje wiele instrumentów, nie należy losować każdego szeregu niezależnie. Taki zabieg może usunąć korelacje i stworzyć sztuczną dywersyfikację. Lepszym punktem wyjścia jest resampling całych wektorów zwrotów z tego samego dnia albo wspólnych bloków czasu.
Trzeba także zachować logikę ekspozycji, rebalancingu, depozytu zabezpieczającego i ograniczeń płynności. Symulowanie samych zwrotów po fakcie nie odtworzy sytuacji, w której reguła zmieniłaby wielkość pozycji. Dla strategii ze skalowaniem zmienności lub rebalancingiem portfela pełniejszy test powinien ponownie uruchamiać reguły na każdej ścieżce.
Co mierzyć w wynikach?
- Wynik końcowy: mediana, kwantyle i udział ścieżek poniżej ustalonego progu operacyjnego.
- Drawdown: rozkład głębokości oraz czasu powrotu do poprzedniego maksimum.
- Serie strat: najdłuższa sekwencja stratnych transakcji i jej koszt kapitałowy.
- Ryzyko ruiny operacyjnej: naruszenie limitu kapitału, depozytu lub ustalonego progu zatrzymania strategii.
- Stabilność: zmiana wyników po pogorszeniu spreadu, poślizgu, opóźnienia lub dostępności zleceń.
Warto raportować pełne rozkłady albo kilka jawnie wybranych kwantyli, a nie jedynie „najgorszą” z tysięcy ścieżek. Minimum zależy od liczby symulacji i może być niestabilne. Z kolei sam 95. percentyl nie opisze zachowania jeszcze dalej w ogonie.
Symulacja nie naprawia data snoopingu
Jeśli spośród setek wariantów wybrano ten o najlepszym backteście, bootstrap wyłącznie wybranej strategii ignoruje proces selekcji. Halbert White zwrócił uwagę, że wielokrotne używanie tych samych danych do wyboru modeli zwiększa ryzyko, iż dobry wynik powstał przypadkiem. Test powinien uwzględniać rodzinę sprawdzanych wariantów, a nie tylko zwycięzcę.
Monte Carlo uzupełnia, ale nie zastępuje walk-forward analysis. Walk-forward sprawdza cały proces aktualizacji na kolejnych, niewidzianych okresach. Symulacja bada zakres wyników wynikający z przyjętego mechanizmu generowania ścieżek. Obie metody odpowiadają na inne pytania.
Minimalny, powtarzalny proces
- Zamroź strategię: zapisz reguły, parametry, koszty i dane przed uruchomieniem testu.
- Wybierz jednostkę losowania: transakcja, dzień, blok czasu lub wektor zwrotów całego portfela.
- Uzasadnij zależności: sprawdź, które elementy kolejności, korelacji i zmienności muszą zostać zachowane.
- Zdefiniuj scenariusze stresowe: osobno pogorsz koszty, płynność i parametry wykonania opisane w artykule o kosztach transakcyjnych.
- Ustal miary z góry: drawdown, czas pod wodą, wynik, serie strat i limity operacyjne.
- Zapisz seed i konfigurację: wynik musi być możliwy do odtworzenia.
- Porównaj metody: różnica między prostym i blokowym bootstrapem jest informacją o znaczeniu zależności w danych.
Najważniejsze wnioski
Symulacja Monte Carlo zamienia pojedynczą krzywą kapitału w rozkład scenariuszy. Jest szczególnie przydatna do badania path dependency: obsunięcia, serii strat, zapotrzebowania na kapitał i wrażliwości na koszty.
Wiarygodność wyniku zależy od jednostki losowania i zachowanych zależności. Niezależne tasowanie obserwacji nie jest neutralne, a model parametryczny może być zbyt wygodny dla rzeczywistych ogonów rozkładu. Najlepszy test nie pokazuje jednej „prawdziwej” liczby — pokazuje, które wnioski pozostają stabilne po rozsądnej zmianie założeń.
Źródła
- Bradley Efron, Bootstrap Methods: Another Look at the Jackknife, The Annals of Statistics 7(1), 1979.
- Dimitris N. Politis, Joseph P. Romano, The Stationary Bootstrap, Journal of the American Statistical Association 89(428), 1994.
- Halbert White, A Reality Check for Data Snooping, Econometrica 68(5), 2000.
Źródła sprawdzono 27 października 2026 r. Metody opisują wnioskowanie pod określonymi założeniami; nie tworzą gwarancji przyszłych wyników strategii.