Immaginate di esservi finalmente laureati e di aver ottenuto un lavoro che vi paga bene… molto bene; diciamo abbastanza bene da farvi venire voglia di giocarvi regolarmente metà stipendio al casinò. Così, insieme a un gruppo di amici internazionali che avete conosciuto durante il periodo di studi, per non perdervi di vista decidete di ritrovarvi a Monte Carlo per giocare a poker, a blackjack o a qualsiasi altro gioco vi vada, ogni venerdì sera alle 23:00. (Puntuali! Perché se arrivate tardi gli altri iniziano a giocare e voi avete una partita in meno per vincere soldi).

Monte Carlo è abbastanza vicina a Milano per essere raggiunta in macchina in circa tre ore (diciamo esattamente 3 ore, secondo una media storica, ai fini di questo esempio); quindi, alle 20:00, salite in macchina pronti a “derubare” i vostri amici stravincendo la prima partita appena arrivati. La sfortuna vuole che quella sera per strada troviate un incidente e restiate bloccati nel traffico per un’ora, arrivando al casinò solo a mezzanotte. Il più antipatico dei vostri amici ha già vinto la prima partita e adesso ha più soldi da scommettere nelle prossime.

Questo incidente che non avevate calcolato (anche se avreste dovuto) ha fatto sì che il vostro viaggio durasse, approssimativamente, il 33,33% del tempo in più rispetto a quello che avevate previsto. Inutile dire che non avevate previsto tutti gli scenari possibili.

Niente panico, non è così grave, è solo una partita. Soprattutto, è un esempio poco realistico: in fondo oggi è raro che i neolaureati abbiano stipendi così alti da giocarsene metà al casinò.

Questo stesso fenomeno, tuttavia, sarebbe stato decisamente molto grave se quel 33,33% fosse stato la perdita realizzata sul vostro portafoglio di investimenti; se, negligentemente, aveste investito aspettandovi un ritorno basato esclusivamente sui dati storici. Un bravo investitore mappa sempre tutti gli scenari possibili prima di agire, in modo da poter prendere la decisione migliore, anche, e soprattutto, in caso di incertezza.

Questo è esattamente ciò che fa la Simulazione Monte Carlo: un metodo che usa numeri casuali per stimare i possibili risultati di eventi incerti, ripetendo molte volte un’analisi con piccole variazioni casuali. Questa tecnica statistica deve il suo nome proprio alla cittadina di Monte Carlo a Monaco, famosa per i suoi casinò e per l’aleatorietà del gioco d’azzardo.

Ma adesso con i casinò ci siamo divertiti abbastanza; ora entriamo nel merito della modellistica quantitativa.

Nell’ambito delle stime finanziarie, la simulazione Monte Carlo rappresenta uno strumento fondamentale che sfrutta la generazione di variabili casuali per proiettare scenari futuri. Spesso si basa sul Moto Browniano Geometrico (MBG), un modello matematico in grado di replicare la dinamica temporale dei prezzi delle azioni ponderando fattori chiave quali la volatilità e la deriva (drift). In questo articolo illustriamo le fasi essenziali per implementare la simulazione Monte Carlo tramite MBG: l’integrazione di questi strumenti consente di affinare la valutazione del rischio, decifrare l’incertezza insita nei prezzi e sviluppare previsioni maggiormente fondate sui futuri movimenti azionari.

Il motore del modello: Il Moto Browniano Geometrico (MBG)

In ambito finanziario, il MBG è il modello stocastico standard per descrivere l’evoluzione dei prezzi azionari nel tempo. Si basa su un assunto fondamentale coerente con la forma debole dell’Ipotesi di Mercato Efficiente (EMH): i movimenti dei prezzi seguono un andamento casuale (Random Walk).

Questo implica che i prezzi siano “condizionatamente indipendenti”:

  • Condizionati: Il prezzo al tempo t+1 dipende necessariamente dal livello del prezzo al tempo t
  • Indipendenti: La variazione futura (il rendimento) è indipendente dai movimenti passati. Il fatto che un titolo sia salito ieri non aumenta né diminuisce la probabilità che salga anche domani. La “memoria” del mercato è già incorporata nel prezzo attuale.

Matematicamente, la dinamica è descritta da questa equazione differenziale stocastica (tratta dalla letteratura finanziaria e riadattata per la simulazione discreta):

Dove:

  • Delta S/S è il rendimento del titolo.
  • mu (Drift): Rappresenta il rendimento atteso costante.
  • sigma (Volatilità): Rappresenta la deviazione standard dei rendimenti.
  • epsilon (Shock): È una variabile casuale standardizzata (distribuzione normale con media 0 e varianza 1).

Se riorganizziamo la formula per risolvere solo la variazione del prezzo delle azioni:

Per rendere questo concetto più immediato ai fini della nostra simulazione, possiamo riscrivere la formula evidenziando come viene calcolato il prezzo del giorno successivo:

In ogni singolo passaggio della simulazione (ogni giorno), il prezzo viene spinto da due forze:

  1. Il Drift (la tendenza di fondo), calcolato sulla base del rendimento medio storico del titolo.
  2. Lo Shock (la componente stocastica), che introduce la volatilità giornaliera nel sistema. È qui che la Monte Carlo genera migliaia di percorsi diversi: in ogni scenario, la sequenza degli shock casuali sarà differente, portando a risultati finali divergenti. (L’incidente stradale che avevate omesso di calcolare, per intenderci).

Costruzione del Portafoglio e Parametri di Simulazione

Per osservare il modello in azione, costruiamo un portafoglio azionario e stimiamo i possibili rendimenti, utilizzando Python per simulare gli scenari futuri. Data la rilevanza del tema attuale, scegliamo un portafoglio focalizzato sul settore dell’Intelligenza Artificiale, caratterizzato da diversi profili di rischio/rendimento:

  1. Palantir (PLTR): Elevata volatilità e potenziale di crescita aggressivo.
  2. NVIDIA (NVDA): Il market leader del settore AI
  3. Microsoft (MSFT): La componente più stabile, utile per bilanciare la volatilità complessiva.

Ecco una rappresentazione grafica dei dati storici su cui si basa il nostro modello, a partire dal 01/01/2023 fino ad oggi.

Impostiamo la simulazione con i seguenti parametri:

  • Orizzonte Temporale (T): 252 giorni (un anno di trading).
  • Numero di Iterazioni (n): 10.000 simulazioni. Questo ci fornirà un campione statistico sufficientemente ampio per analizzare la distribuzione dei rendimenti attesi.
  • Capitale Iniziale: 10.000 €, allocati equamente sui tre titoli.

Analisi dei Risultati: Misurare il Rischio (VaR)

L’output visivo della simulazione (il grafico delle 10.000 traiettorie) ci offre una prima intuizione qualitativa: vediamo un ventaglio di possibili evoluzioni del portafoglio, con una densità maggiore attorno alla media e scenari estremi (code) sia al rialzo che al ribasso.

Tuttavia, per un’analisi quantitativa rigorosa, dobbiamo concentrarci sulla distribuzione dei valori finali. Isolando il valore del portafoglio al giorno T (il 252° giorno) per ogni simulazione, otteniamo un insieme di 10.000 possibili capitali finali.

Lo strumento principale per sintetizzare questo rischio è il Value at Risk (VaR).

Il VaR risponde a una domanda specifica: “Qual è la perdita massima che mi aspetto di subire con un certo livello di confidenza in un determinato orizzonte temporale?”.

Nel nostro caso, calcoleremo il VaR al 95%.

Statisticamente, questo corrisponde al 5° percentile della distribuzione dei risultati finali. Significa che nel 95% degli scenari simulati, il portafoglio avrà un valore superiore a questa soglia; nel restante 5% (gli scenari peggiori, la “coda sinistra” della distribuzione), ci aspettiamo una perdita uguale o superiore a questo importo.

Osservando l’istogramma della distribuzione finale, notiamo un risultato sorprendente, quasi sospetto. Il Valore Atteso (linea verde) si posiziona intorno ai 24.000 €. Il modello ci sta dicendo che, in media, il nostro capitale è destinato a più che raddoppiare in un solo anno.

Ma il dato più critico è il VaR al 95% (linea rossa), che si ferma a 11.859 €. Confrontiamo questo numero con il nostro capitale iniziale di 10.000 €. La soglia di rischio è superiore all’investimento di partenza. Cosa significa? Che la simulazione suggerisce che, anche nello scenario avverso (escludendo il peggior 5% assoluto), l’investitore non solo non perderebbe soldi, ma otterrebbe un profitto di quasi 2.000 €. In termini tecnici, abbiamo un rischio di perdita nullo (o matematicamente negativo).

La singolarità di questi risultati è la conseguenza del fatto che essi sono stati generati utilizzando il Drift (trend) degli ultimi tre anni, periodo in cui, come mostra il primo grafico delle serie temporali, il mercato dell’AI ha vissuto un’espansione anomala. La formula e la sua applicazione restano corrette; tuttavia, questo particolare distorce i risultati, rendendoli molto lontani da uno scenario verosimile nel lungo periodo.

Pertanto, ai fini di questo esempio, per evidenziare la componente di rischio del portafoglio rieseguiamo la simulazione modificando un solo, cruciale parametro: azzeriamo il Trend (Drift = 0). In questo modo manteniamo la volatilità reale di questi titoli, ma ipotizziamo che da domani smettano di crescere per “inerzia”. In questo scenario “unbiased” isoliamo il puro rischio.

Questo grafico racconta una storia completamente diversa rispetto al primo scenario. Azzerando il trend di crescita guidato dalla Bull Run (Drift = 0) e lasciando agire solo la volatilità intrinseca dei titoli, il modello ci mostra la realtà del rischio.

Analizzando questo istogramma, si nota immediatamente che la linea rossa del VaR (95%) si è spostata significativamente a sinistra rispetto alla linea nera del capitale iniziale, raggiungendo un valore di 5.655 €, coerente con una perdita potenziale reale di 4.345 €.

In questo scenario, dove i prezzi non salgono per inerzia, c’è il 5% di probabilità di subire una perdita superiore al 43% del capitale investito. Questo è il vero volto del rischio di un portafoglio concentrato su titoli ad alta volatilità come Palantir e Nvidia. Senza l’euforia di mercato, la sola volatilità è capace di erodere quasi la metà del valore in un anno sfortunato.

Limiti del modello

Prima di concludere, è opportuno evidenziare alcuni limiti intrinseci della simulazione Monte Carlo: gli svantaggi di questo metodo includono il fatto che richiede un campionamento esteso e si basa fortemente sull’applicazione di input validi da parte dell’utente. Può anche sottostimare la probabilità di eventi non regolari come crisi finanziarie e comportamenti irrazionali da parte degli investitori.

Conclusione

La Simulazione Monte Carlo non è una sfera di cristallo, ma un sofisticato simulatore di volo per i nostri investimenti. Nel nostro esperimento, ci ha mostrato due facce della stessa medaglia: l’incredibile potenziale di crescita dell’AI se il trend attuale dovesse persistere, ma anche il rischio concreto di perdite ingenti se quel trend dovesse arrestarsi. La lezione fondamentale è che l’accuratezza dell’output dipende interamente dalla qualità degli input e dalla capacità dell’analista di testare scenari diversi, anche quelli meno ottimistici. In definitiva, la Monte Carlo ci permette di trasformare l’incertezza in una mappa di probabilità, aiutandoci a prendere decisioni basate sui dati e non solo sulle speranze.

Mi dispiace avervi rovinato i piani. So che, appena visto quel primo grafico, speravate di aver trovato la scorciatoia per rimediare a uno stipendio da neolaureati e andarvi a giocare i profitti al Casinò. Purtroppo (o per fortuna), la statistica serve proprio a questo: a evitare che il vostro portafoglio subisca in Borsa lo stesso destino che avrebbe al tavolo della Roulette.

Articolo di

Immagine di Vittoria Cozzatelli

Vittoria Cozzatelli

Finance & Analytics Junior Consultant