Monte-Carlo gegen KI: Fixed-Assets-Entscheidungen unter Unsicherheit: Simulation versus Optimierung

Warum Simulation im Anlagevermögen nicht mehr genügt – und mathematische Optimierung zur neuen Governance-Notwendigkeit wird

Executive Summary

Über Jahrzehnte galt die Monte-Carlo-Simulation als methodischer Goldstandard zur Bewertung von Unsicherheiten in Investitionsentscheidungen. Insbesondere im Bereich der Fixed Assets – also bei langfristigen Kapitalbindungen wie Immobilien, Infrastruktur, Produktionsanlagen oder IT-Großsystemen – war sie das bevorzugte Instrument zur Risikomodellierung.

Monte-Carlo war zeitgemäß.
Monte-Carlo war rechentechnisch sinnvoll.
Monte-Carlo war ein Fortschritt gegenüber deterministischen Einzelannahmen.

Doch Monte-Carlo trifft keine Entscheidung.
Es simuliert sie.

Und im Kontext moderner Portfolio- und CapEx-Steuerung bedeutet das: Eine potenziell strukturell falsche Entscheidung wird 10.000-fach variiert – aber nicht optimiert.

Mit wachsender Komplexität, Abhängigkeiten zwischen Projekten, Budgetrestriktionen und multiplen Zielkonflikten stößt die Simulation an eine systemische Grenze. Sie bewertet Szenarien. Sie durchsucht nicht den vollständigen Entscheidungsraum.

Genau hier setzt algorithmische ex-ante-Optimierung an. Statt Wahrscheinlichkeitsverteilungen zu simulieren, wird der kombinatorische Raum aller möglichen Portfolio-Konfigurationen mathematisch analysiert – und das globale Optimum identifiziert.

Im Bereich Fixed Assets im Projektportfolio-Management (PPM) wird Monte-Carlo dadurch nicht verbessert, sondern obsolet.

1. Historische Einordnung: Warum Monte-Carlo sinnvoll war

Die Monte-Carlo-Methode wurde im 20. Jahrhundert entwickelt, um komplexe Wahrscheinlichkeitsprobleme rechnerisch zu approximieren. In der Finanzwirtschaft, im Risikomanagement und in der Investitionsrechnung war sie revolutionär, weil sie Unsicherheit quantifizierbar machte.

Anstelle einer einzigen Annahme über Cashflows oder Auslastung wurden tausende Zufallsziehungen erzeugt. Daraus entstanden:

• Erwartungswerte
• Varianz
• Value-at-Risk
• Konfidenzintervalle
• Szenariobänder

Für Fixed Assets bedeutete das:

• Baukostenunsicherheit
• Zinsschwankungen
• Marktpreisvolatilität
• Auslastungsrisiken
• Restwertannahmen

All diese Faktoren konnten statistisch modelliert werden.

In einer Welt mit begrenzter Rechenleistung und überschaubarer Projektzahl war das rational.

Doch diese Welt existiert nicht mehr.

2. Das strukturelle Problem: Simulation ist keine Optimierung

Monte-Carlo beantwortet folgende Frage:

Wenn wir uns für dieses Projekt oder dieses Portfolio entscheiden – wie wahrscheinlich ist welches Ergebnis?

Was Monte-Carlo nicht beantwortet:

Ist dieses Portfolio überhaupt das beste mögliche unter allen zulässigen Kombinationen?

Das ist ein fundamentaler Unterschied.

Simulation

• Bewertet eine gegebene Entscheidung
• Variiert Parameter
• Liefert Wahrscheinlichkeiten

Optimierung

• Durchsucht Entscheidungsraum
• Berücksichtigt Restriktionen
• Maximiert Zielfunktion
• Identifiziert globales Optimum

Monte-Carlo simuliert also Unsicherheit innerhalb einer bereits getroffenen Strukturentscheidung.

Wenn diese Strukturentscheidung suboptimal ist, wird nur deren Streuung analysiert.

Das entspricht einer 10.000-fach simulierten Fehlallokation.

3. Fixed Assets im PPM: Warum die Komplexität exponentiell wird

Im klassischen Fixed-Assets-Portfolio existieren:

• Mehrere Investitionsprojekte
• Unterschiedliche Laufzeiten
• Budgetrestriktionen
• Synergieeffekte
• Ausschlussbeziehungen
• regulatorische Bedingungen
• ESG-Vorgaben
• strategische Prioritäten

Bereits bei 20 Projekten existieren über eine Million mögliche Portfolio-Kombinationen.

Bei 50 Projekten:

2⁵⁰ ≈ 1.125.899.906.842.624 Kombinationen

Monte-Carlo simuliert innerhalb einer gewählten Kombination. Es durchsucht nicht diese 1,1 Billiarden Möglichkeiten.

Das ist keine graduelle Schwäche. Es ist eine strukturelle.

4. Typische Anwendung von Monte-Carlo im Anlagevermögen

Im Fixed-Assets-Kontext wird Monte-Carlo typischerweise eingesetzt für:

• NPV-Verteilung eines Projekts
• IRR-Bandbreiten
• Sensitivitätsanalysen
• Stress-Tests
• Risikobewertung einzelner Assets

Doch in der Praxis bedeutet das:

1. Projekte werden einzeln bewertet.
2. Ein Portfolio wird auf Basis von Ranking oder heuristischen Kriterien gebildet.
3. Monte-Carlo simuliert Unsicherheiten innerhalb dieser Auswahl.

Das Ranking bleibt lokal. Die Portfolio-Struktur bleibt heuristisch. Die Budgetallokation bleibt approximativ.

5. Vergleich: Monte-Carlo vs. Globale Optimierung

Kriterium	Monte-Carlo-Simulation	Globale Optimierung
Fragestellung	Wie streut ein gewähltes Szenario?	Welche Portfolio-Kombination maximiert die Zielfunktion?
Methodik	Zufallsbasierte Stichproben	Deterministische / hybride Algorithmik
Entscheidungsraum	Fixiert	Vollständig durchsucht
Umgang mit Restriktionen	Ex-post Bewertung	Integrierte Nebenbedingungen
Komplexität	Linear in Simulationen	Exponentieller Raum – algorithmisch beherrscht
Ergebnis	Wahrscheinlichkeitsverteilung	Mathematisches Globaloptimum
Governance-Qualität	Risikodarstellung	Ressourcenoptimierung

6. Warum Monte-Carlo bei Fixed Assets systemisch unzureichend ist

6.1 Kapitalbindung

Fixed Assets binden Kapital über Jahre oder Jahrzehnte. Fehlallokationen wirken langfristig.

6.2 Irreversibilität

Infrastruktur, Immobilien oder Produktionsanlagen lassen sich nicht ohne erhebliche Verluste umschichten.

6.3 Interdependenzen

Ein Logistikzentrum beeinflusst Transportkosten.
Eine IT-Investition beeinflusst Personalkosten.
Eine ESG-Maßnahme beeinflusst Finanzierungskosten.

Monte-Carlo modelliert Unsicherheit innerhalb eines Projekts – nicht die Kombinatorik der Abhängigkeiten.

7. Der mathematische Perspektivwechsel

Die relevante Frage lautet nicht:

„Wie sicher ist Projekt A?“

Sondern:

„Welche Kombination aus A, B, C … unter Budget- und Nebenbedingungen maximiert den Gesamtwert?“

Das ist ein kombinatorisches Optimierungsproblem.

Ab einer bestimmten Projektzahl wird dieses Problem NP-hart.

Simulation hilft hier nicht weiter. Nur algorithmische Suchverfahren können den Raum systematisch strukturieren.

8. Warum 10.000 Simulationen keine strukturelle Sicherheit geben

10.000 Simulationen erzeugen 10.000 mögliche Outcomes.

Doch sie basieren alle auf derselben Portfolio-Struktur.

Wenn diese Struktur 15 % unter dem global möglichen Optimum liegt, wird dieser Abstand nie erkannt.

Monte-Carlo beantwortet:

„Wie wahrscheinlich ist das Ergebnis dieser Wahl?“

Optimierung beantwortet:

„War diese Wahl überhaupt die beste?“

Das sind zwei unterschiedliche Ebenen.

9. Ex-ante-Optimierung als neue Governance-Norm

Moderne Entscheidungsarchitektur im Fixed-Assets-PPM erfordert:

• Vollständige Kombinationsanalyse
• Integration von Budgetrestriktionen
• Mehrzieloptimierung (ROI, ESG, Risiko)
• Nebenbedingungen
• Abhängigkeitslogiken
• Szenariokonsistenz

Eine ex-ante-Optimierung analysiert nicht nur einzelne Projekte, sondern das System als Ganzes.

Hierbei wird die Zielfunktion definiert, Nebenbedingungen werden formalisiert, und der kombinatorische Raum wird algorithmisch strukturiert durchsucht.

Das Ergebnis ist kein Erwartungswertband, sondern ein mathematisch bestimmtes Portfolio.

10. Warum das globale Optimum Monte-Carlo im Fixed-Assets-PPM ersetzt

Wenn das globale Optimum berechnet wird, entsteht:

• Maximale Kapitalproduktivität
• Minimierte Opportunitätskosten
• Strukturierte Risikointegration
• Transparente Entscheidungslogik
• Revisionssichere Governance

Monte-Carlo kann weiterhin als Sensitivitätswerkzeug dienen – jedoch nicht als Entscheidungsgrundlage.

Im Kontext Fixed Assets verliert es seine primäre Rolle.

11. Die Rolle von StratePlan

StratePlan analysiert den vollständigen Entscheidungsraum eines Fixed-Assets-Portfolios unter Berücksichtigung:

• Budgetrestriktionen
• Projektabhängigkeiten
• Mehrzieloptimierung
• regulatorischen Nebenbedingungen
• Risiko-Parametern

Anstatt 10.000 Zufallsziehungen durchzuführen, wird die optimale Portfolio-Konfiguration algorithmisch identifiziert.

Monte-Carlo wird dadurch nicht verbessert. Es wird entbehrlich.

Denn Unsicherheit kann in die Zielfunktion integriert werden, ohne den Entscheidungsraum zu fixieren.

12. Konsequenzen für CFO und Board

Für CFOs bedeutet das:

• Höhere Kapitalrendite
• Bessere Allokationslogik
• Transparente Entscheidungsvorlagen
• Reduktion von Decision Debt
• Minimierung struktureller Fehlallokation

Für Boards bedeutet das:

• Nachweisbare Entscheidungsqualität
• Auditierbare Logik
• Governance-Robustheit

Monte-Carlo war eine Antwort auf Unsicherheit. Optimierung ist eine Antwort auf Komplexität.

13. Fazit

Monte-Carlo war ein Meilenstein der Risikomodellierung. Es war zeitgemäß.

Doch im Bereich Fixed Assets im PPM reicht Risikobewertung nicht mehr aus.

Was benötigt wird, ist eine vollständige Durchdringung des Entscheidungsraums.

Simulation beantwortet die falsche Frage zur richtigen Entscheidung. Optimierung beantwortet die richtige Frage.

Das globale Optimum ist keine Simulation. Es ist eine Eigenschaft der Entscheidungsstruktur.

Und sobald es berechnet wird, verliert Monte-Carlo seine strategische Relevanz.

FAQ

Ist Monte-Carlo grundsätzlich falsch?

Nein. Monte-Carlo ist ein valides Instrument zur Unsicherheitsanalyse. Es ist jedoch kein Optimierungsverfahren und daher ungeeignet zur Identifikation des global besten Portfolios.

Kann Monte-Carlo in Kombination mit Optimierung sinnvoll sein?

Ja, als ergänzende Sensitivitätsanalyse nach Identifikation des optimalen Portfolios. Nicht als primäre Entscheidungslogik.

Warum reicht Ranking nach NPV nicht aus?

Weil Projekte interdependent sind und Budgetrestriktionen kombinatorische Effekte erzeugen, die Ranking nicht abbildet.

Ist globale Optimierung bei großen Portfolios rechnerisch realistisch?

Ja. Moderne algorithmische Verfahren ermöglichen die strukturierte Analyse exponentieller Entscheidungsräume.

Bedeutet das das Ende der Risikomodellierung?

Nein. Risiko wird integriert – aber nicht mehr isoliert simuliert.

Warum ist das besonders bei Fixed Assets relevant?

Weil Fehlallokationen hier langfristig und kaum reversibel sind.

Verändert das die Rolle des CFO?

Ja. Von der Risikobewertung einzelner Projekte hin zur systemischen Kapitalallokationsarchitektur.

Die strategische Konsequenz ist klar: Nicht die Simulation von Unsicherheit entscheidet über Kapitalrendite. Sondern die mathematische Strukturierung des Entscheidungsraums. Und genau dort beginnt die Zukunft der Fixed-Assets-Governance.