Qué es la simulación Monte Carlo
La simulación Monte Carlo es un método que repite muchas veces un cálculo con datos elegidos al azar para estimar qué resultados son posibles y con qué frecuencia aparecen.
No predice un resultado único. Entrega una distribución: un rango de escenarios, desde los favorables hasta los adversos, con su frecuencia relativa.
¿Listo para probarlo en una cuenta real o demo?
Enlace de afiliado · el trading conlleva un alto riesgo de pérdida
Ejemplo: historial de operaciones mezclado al azar
Este caso es hipotético.
Un trader tiene el historial de una estrategia probada con datos pasados (backtest): una lista de operaciones ganadoras y perdedoras en el orden en que ocurrieron. Ese orden es solo uno de los muchos posibles. Con otra secuencia, las mismas operaciones dejan otra curva de equity, es decir, otra evolución del saldo.
La simulación hace lo siguiente:
- Toma la lista de resultados de las operaciones.
- Reordena la lista al azar, o extrae operaciones con reemplazo.
- Calcula el saldo final y la caída máxima desde un pico (drawdown máximo) de esa secuencia.
- Repite los pasos anteriores muchas veces.
- Ordena los resultados y observa su rango, la mediana y los escenarios peores.
Es frecuente que el drawdown máximo de las secuencias desfavorables sea bastante mayor que el del backtest original. Esa diferencia ayuda a dimensionar el riesgo antes de elegir el tamaño de posición. Para probar cifras propias, consulta las herramientas de calculadoras y simuladores.
El trading de CFD y forex con apalancamiento puede hacer perder dinero rápido. Una simulación favorable no garantiza resultados futuros.
Dónde aparece el término
- Software de backtesting: algunos programas añaden análisis Monte Carlo a sus informes de estrategias. Si tu plataforma lo ofrece, revisa en su documentación qué método aplica.
- Gestión de riesgo institucional: se usa para estimar el valor en riesgo (VaR) de carteras con muchos activos correlacionados.
- Planificación de inversiones: proyecciones de ahorro o jubilación que muestran un rango de resultados en lugar de una sola cifra.
- Valoración de derivados: el precio de opciones complejas que no tienen fórmula cerrada.
- Noticias y estudios: se usa cuando se informa la "probabilidad" de un escenario económico.
Definición formal
Monte Carlo estima una magnitud, normalmente un valor esperado o una probabilidad, con el promedio de muchas muestras aleatorias independientes de un modelo. La ley de los grandes números asegura que, si el modelo es correcto, ese promedio converge al valor buscado. El error de estimación baja con la raíz cuadrada del número de simulaciones: para reducirlo a la mitad hay que multiplicar el número de simulaciones por cuatro.
Límites y casos borde
- El modelo manda: si los supuestos son erróneos, los resultados también lo son, aunque se hagan muchas simulaciones.
- Colas gordas: suponer una distribución normal subestima los movimientos extremos. Ve colas gordas y riesgo de cola y cisne negro.
- Dependencia entre operaciones: al mezclar el orden se rompen las rachas y la autocorrelación reales.
- Correlación entre activos: ignorarla distorsiona el riesgo de una cartera. Ve coeficiente de correlación.
- Sobreajuste: Monte Carlo no corrige un backtest optimizado de más sobre datos pasados.
- Semilla aleatoria: con pocas simulaciones, los resultados cambian de forma notable entre ejecuciones.
Términos relacionados
- Gestión de riesgo
- Volatilidad anualizada
- Rendimiento anualizado
- Estrategias de trading
- Glosario de trading
Preguntas frecuentes
¿Qué significa simulación Monte Carlo en pocas palabras?
Es repetir un cálculo muchas veces con datos aleatorios para ver el rango de resultados posibles y con qué frecuencia aparece cada uno.
¿Monte Carlo sirve para predecir el precio?
No. Describe escenarios posibles según un modelo. No anticipa qué ocurrirá en el mercado.
¿Para qué se usa Monte Carlo en trading?
Sobre todo para estimar el drawdown y la variabilidad de una estrategia, y así dimensionar el riesgo por operación.
¿Cuántas simulaciones hacen falta?
Depende de la precisión que busques. Si repites la simulación y los resultados todavía cambian mucho, aumenta el número de simulaciones.
¿En qué se diferencia de un backtest?
El backtest muestra la secuencia histórica de resultados. Monte Carlo genera muchas variantes de esa secuencia o de un modelo para medir cuánto podrían variar los resultados.