Question 1

Was ist Monte-Carlo-Schätzung?

Accepted Answer

Die Monte-Carlo-Schätzung nähert eine analytisch schwer berechenbare Größe an — eine Fläche, ein Integral, eine Wahrscheinlichkeit, ein Risikomaß — indem viele unabhängige Zufallsstichproben gezogen und über eine Funktion davon gemittelt werden. Das Gesetz der großen Zahlen garantiert, dass der Mittelwert mit wachsender Stichprobenanzahl N gegen den wahren Wert konvergiert; die Genauigkeit verbessert sich vorhersagbar, selbst wenn keine geschlossene Lösung existiert.

Question 2

Warum schrumpft der Fehler mit 1 durch Wurzel N, und warum spielt die Dimensionalität keine Rolle?

Accepted Answer

Nach dem zentralen Grenzwertsatz ist der Standardfehler eines Monte-Carlo-Mittelwerts Sigma durch die Wurzel aus N, wobei Sigma die Standardabweichung der abgetasteten Größe ist — dies gilt unabhängig davon, wie viele Eingabedimensionen das Problem hat, weil es nur von der Varianz der einzelnen gemittelten Ausgabe abhängt. Gitterbasierte numerische Integration hingegen benötigt eine Anzahl von Gitterpunkten, die exponentiell mit der Zahl der Dimensionen wächst, um die Genauigkeit konstant zu halten — der Fluch der Dimensionalität — weshalb Monte Carlo die Quadratur überholt, sobald ein Problem mehr als eine Handvoll Dimensionen hat.

Question 3

Wie funktioniert die π-Schätz-Demo?

Accepted Answer

Punkte werden gleichverteilt zufällig innerhalb eines Einheitsquadrats gezogen. Ein Punkt (x,y) liegt genau dann innerhalb des einbeschriebenen Viertelkreises mit Radius 1, wenn x zum Quadrat plus y zum Quadrat kleiner oder gleich 1 ist. Da der Viertelkreis einen Anteil Pi durch 4 der Quadratfläche einnimmt, ist das Vierfache des beobachteten Anteils an Punkten innerhalb ein erwartungstreuer Schätzer für Pi — dieser Simulator zählt Treffer und Fehlschläge live und berechnet die Schätzung bei jedem Bild neu.

Question 4

Wie funktioniert die Integral-Schätz-Demo?

Accepted Answer

Für eine Funktion f(x,y) über einen Bereich der Fläche A besagt der Mittelwertsatz der Integralrechnung, dass der Mittelwert von f über den Bereich, multipliziert mit A, gleich dem Doppelintegral von f ist. Die Demo tastet (x,y) gleichverteilt zufällig ab, wertet f an jedem Punkt aus, führt einen laufenden Mittelwert und multipliziert mit A — der Fläche des Bereichs — um das Volumen unter der Fläche zu schätzen, ohne f jemals auf einem festen Gitter auszuwerten.

Question 5

Was ist die geometrische Brownsche Bewegung, und warum wird sie für Aktienkurse verwendet?

Accepted Answer

Die geometrische Brownsche Bewegung (GBM) modelliert einen Vermögenspreis S als dS = mu S dt + sigma S dW, wobei mu die annualisierte Drift, sigma die annualisierte Volatilität und dW ein Zuwachs eines Wiener-Prozesses (Gaußsches Rauschen) ist. Sie ist der Standardbaustein des Black-Scholes-Rahmenwerks, weil sie Preise positiv hält und logarithmierte Renditen liefert, die normalverteilt sind — was der groben Form echter Renditedaten über kurz- bis mittelfristige Horizonte einigermaßen entspricht.

Question 6

Was ist Value-at-Risk (VaR) und wie wird er hier berechnet?

Accepted Answer

Value-at-Risk auf dem 5%-Niveau ist der Verlust, der mit 95% Konfidenz über einen bestimmten Horizont nicht überschritten werden sollte. Dieser Simulator schätzt ihn empirisch: Er simuliert viele unabhängige GBM-Kurspfade, sammelt deren Endpreise und liest das 5. Perzentil dieser empirischen Verteilung ab — der Verlust an diesem Perzentil ist der simulierte VaR. Ein theoretischer VaR wird ebenfalls angezeigt, in geschlossener Form berechnet aus der bekannten log-normalen Verteilung des GBM-Endpreises.

Question 7

Was sind die Kritikpunkte und Einschränkungen von VaR als Risikomaß?

Accepted Answer

VaR ist eines der am weitesten verbreiteten Risikomaße in der Finanzwelt, hat aber bekannte Schwächen: Er sagt nichts darüber aus, wie schlimm Verluste jenseits der Schwelle sein können (er ist im technischen Sinne nicht kohärent, anders als Expected Shortfall/CVaR), er kann Risikokonzentration im Tail begünstigen, und reale Märkte zeigen Fat Tails, Volatilitätsclustering und Sprünge, die ein einfaches GBM-Modell unterschätzt. Er bleibt Standard, weil er intuitiv und einfach zu berechnen ist, aber Risikomanager kombinieren ihn meist mit anderen Maßen.

Question 8

Wie unterscheidet sich Monte Carlo von gitterbasierter numerischer Integration?

Accepted Answer

Gitterquadratur wertet eine Funktion an deterministischen, gleichmäßig verteilten Punkten aus und kombiniert sie mit festen Gewichten; ihr Fehler schrumpft typischerweise polynomiell mit der Zahl der Gitterpunkte pro Dimension, aber die Gesamtzahl der Punkte, die zur Abdeckung eines d-dimensionalen Gitters nötig ist, wächst exponentiell mit d. Monte Carlo wertet die Funktion stattdessen an zufälligen Punkten aus; ihr Fehler schrumpft als O(1 durch Wurzel N) unabhängig von der Dimension, weshalb sie die effizientere Wahl wird, sobald ein Problem mehr als etwa 3 bis 4 Dimensionen hat — ein wichtiger Grund, warum sie in Finanzwesen und Physik dominiert, wo Modelle oft Dutzende oder Tausende Dimensionen haben.

Question 9

Ist Monte-Carlo-Simulation echte Wissenschaft oder nur ein numerischer Trick?

Accepted Answer

Sie ist beides: rigoros und praktisch. Ihre Konvergenzeigenschaften werden durch das Gesetz der großen Zahlen und den zentralen Grenzwertsatz bewiesen, was quantifizierbare Fehlergrenzen liefert (der in diesem Simulator live gezeigte Standardfehler), nicht nur eine plausibel aussehende Antwort. Monte-Carlo-Methoden werden in der Physik (Teilchentransport, statistische Mechanik), im Ingenieurwesen (Zuverlässigkeitsanalyse) und in der Finanzwelt (Derivatebewertung, Risikomanagement) eingesetzt, gerade weil ihre Genauigkeit durch die Wahl von N geschätzt und kontrolliert werden kann.

🎲 Monte-Carlo-Schätzung: Von π bis zum Finanzrisiko

Über Monte-Carlo-Schätzung

Häufig gestellte Fragen

Was haben Sie gefunden?