Monte Carlo versus AI: Beslutninger om faste aktiver under usikkerhed: simulering versus optimering

Hvorfor simulering ikke længere er nok for anlægsaktiver - og matematisk optimering er ved at blive den nye ledelsesmæssige nødvendighed

Sammenfatning

I årtier blev Monte Carlo-simulering betragtet som den metodiske guldstandard til evaluering af usikkerheder i investeringsbeslutninger. Især inden for anlægsaktiver - dvs. langsigtede kapitalforpligtelser som f.eks. fast ejendom, infrastruktur, produktionsfaciliteter eller store IT-systemer - var det det foretrukne instrument til risikomodellering.

Monte Carlo var up to date.
Monte Carlo gav mening ud fra et beregningsmæssigt synspunkt.
Monte Carlo var et fremskridt i forhold til deterministiske individuelle antagelser.

Men Monte Carlo træffer ikke en beslutning.
Den simulerer dem.

Og i forbindelse med moderne portefølje- og CapEx-styring betyder det, at en potentielt strukturelt forkert beslutning varieres 10.000 gange - men ikke optimeres.

Med stigende kompleksitet, afhængighed mellem projekter, budgetbegrænsninger og flere modstridende mål når simuleringen en systemisk grænse. Den evaluerer scenarier. Den gennemsøger ikke hele beslutningsrummet.

Det er netop her, at algoritmisk ex ante-optimering kommer ind i billedet. I stedet for at simulere sandsynlighedsfordelinger analyseres det kombinatoriske rum af alle mulige porteføljekonfigurationer matematisk - og det globale optimum identificeres.

Inden for anlægsaktiver i projektporteføljestyring (PPM) forbedrer det ikke Monte Carlo, men gør det forældet.

1. Historisk klassificering: Hvorfor Monte Carlo var nyttig

Monte Carlo-metoden blev udviklet i det 20. århundrede til matematisk at tilnærme sig komplekse sandsynlighedsproblemer. Den var revolutionerende inden for finans, risikostyring og investeringsberegning, fordi den gjorde usikkerhed kvantificerbar.

I stedet for en enkelt antagelse om pengestrømme eller kapacitetsudnyttelse blev der genereret tusindvis af tilfældige trækninger. Dette resulterede i

• Forventede værdier
• Varians
• Value-at-risk
• Konfidensintervaller
• Scenariobånd

For anlægsaktiver betyder det

• Usikkerhed om byggeomkostninger
• Udsving i rentesatser
• Volatilitet i markedspriser
• Risici i forbindelse med udnyttelse
• Antagelser om restværdi

Alle disse faktorer kunne modelleres statistisk.

I en verden med begrænset computerkraft og et overskueligt antal projekter var det rationelt.

Men denne verden eksisterer ikke længere.

2. Det strukturelle problem: Simulering er ikke optimering

Monte Carlo besvarer følgende spørgsmål:

Hvis vi beslutter os for dette projekt eller denne portefølje - hvor sandsynligt er det så?

Hvad Monte Carlo ikke besvarer:

Er denne portefølje overhovedet den bedst mulige blandt alle mulige kombinationer?

Dette er en grundlæggende forskel.

Simulering

• Evaluerer en given beslutning
• Varierer parametre
• Giver sandsynligheder

Optimering

• Afsøger beslutningsrum
• Overvejer begrænsninger
• Maksimerer den objektive funktion
• Identificerer globalt optimum

Monte Carlo simulerer således usikkerhed inden for en strukturel beslutning, der allerede er truffet.

Hvis denne strukturelle beslutning er suboptimal, analyseres kun dens spredning.

Det svarer til en 10.000 gange simuleret fejlallokering.

3. Anlægsaktiver i PPM: hvorfor kompleksiteten bliver eksponentiel

Den klassiske portefølje af anlægsaktiver indeholder

• Flere investeringsprojekter
• Forskellige løbetider
• Budgetbegrænsninger
• Synergieffekter
• Udelukkelsesforhold
• regulatoriske betingelser
• ESG-krav
• strategiske prioriteter

Der er allerede over en million mulige porteføljekombinationer for 20 projekter.

For 50 projekter:

²⁵⁰ ≈ 1.125.899.906.842.624 kombinationer

Monte Carlo simulerer inden for en valgt kombination. Den søger ikke gennem disse 1,1 kvadrillioner muligheder.

Dette er ikke en gradvis svaghed. Det er en strukturel svaghed.

4. Typisk anvendelse af Monte Carlo i anlægsaktiver

I forbindelse med anlægsaktiver bruges Monte Carlo typisk til:

• NPV-distribution af et projekt
• IRR-intervaller
• Følsomhedsanalyser
• Stresstest
• Risikovurdering af individuelle aktiver

Men i praksis betyder det

1. Projekter vurderes individuelt.
2. Der dannes en portefølje på basis af rangordning eller heuristiske kriterier.
3. Monte Carlo simulerer usikkerheder inden for denne udvælgelse.

Rangordningen forbliver lokal. Porteføljestrukturen forbliver heuristisk. Budgetallokeringen forbliver omtrentlig.

5. Sammenligning: Monte Carlo vs. global optimering

Kriterium	Monte Carlo-simulering	Global optimering
Spørgsmål	Hvordan spredes et udvalgt scenarie?	Hvilken porteføljekombination maksimerer den objektive funktion?
Metodologi	Tilfældig prøveudtagning	Deterministiske/hybride algoritmer
Beslutningsrum	Fast	Fuldt gennemsøgt
Håndtering af begrænsninger	Efterfølgende evaluering	Integrerede begrænsninger
Kompleksitet	Lineær i simuleringer	Eksponentiel plads - algoritmisk mestret
Resultater	Sandsynlighedsfordeling	Matematisk globalt optimum
Styring af kvalitet	Visualisering af risici	Ressourceoptimering

6. Hvorfor Monte Carlo er systemisk utilstrækkelig for anlægsaktiver

6.1 Kapitalforpligtelse

Anlægsaktiver binder kapital i år eller årtier. Fejlallokeringer har en langsigtet effekt.

6.2 Irreversibilitet

Infrastruktur, fast ejendom eller produktionsfaciliteter kan ikke omfordeles uden betydelige tab.

6.3 Indbyrdes afhængighed

Et logistikcenter påvirker transportomkostningerne.
En IT-investering påvirker personaleomkostningerne.
En ESG-foranstaltning påvirker finansieringsomkostningerne.

Monte Carlo modellerer usikkerheden i et projekt - ikke afhængighedernes kombinatorik.

7. Den matematiske ændring af perspektivet

Det relevante spørgsmål er ikke:

"Hvor sikkert er projekt A?"

Men snarere:

"Hvilken kombination af A, B, C ... under budget og begrænsninger maksimerer den samlede værdi?"

Dette er et kombinatorisk optimeringsproblem.

Over et vist antal projekter bliver dette problem NP-hårdt.

Simulering hjælper ikke her. Kun algoritmiske søgemetoder kan systematisk strukturere rummet.

8. Hvorfor 10.000 simuleringer ikke giver strukturel sikkerhed

10.000 simuleringer genererer 10.000 mulige udfald.

Men de er alle baseret på den samme porteføljestruktur.

Hvis denne struktur ligger 15 % under det globalt mulige optimum, bliver dette hul aldrig opdaget.

Monte Carlo giver svar:

"Hvor sandsynligt er resultatet af dette valg?"

Optimering giver svar:

"Var dette valg det bedste valg i første omgang?"

Det er to forskellige niveauer.

9. Ex ante-optimering som den nye styringsnorm

Moderne beslutningsarkitektur i PPM for anlægsaktiver kræver:

• Komplet kombinationsanalyse
• Integration af budgetrestriktioner
• Multi-objektiv optimering (ROI, ESG, risiko)
• Begrænsninger
• Afhængighedslogik
• Konsistens i scenarier

En ex ante-optimering analyserer ikke kun individuelle projekter, men systemet som helhed.

Den objektive funktion defineres, begrænsninger formaliseres, og det kombinatoriske rum gennemsøges på en algoritmisk struktureret måde.

Resultatet er ikke et forventet værdibånd, men en matematisk bestemt portefølje.

10. Hvorfor det globale optimum erstatter Monte Carlo i PPM for anlægsaktiver

Når det globale optimum beregnes, er resultatet

• Maksimeret kapitalproduktivitet
• Minimerede alternativomkostninger
• Struktureret risikointegration
• Gennemsigtig logik for beslutningstagning
• Revisionssikker styring

Monte Carlo kan stadig fungere som et følsomhedsværktøj - men ikke som grundlag for beslutningstagning.

I forbindelse med anlægsaktiver mister det sin primære rolle.

11. StratePlans rolle

StratePlan analyserer det komplette beslutningsrum for en portefølje af anlægsaktiver under hensyntagen til

• Budgetbegrænsninger
• Projektafhængighed
• Flermålsoptimering
• lovgivningsmæssige begrænsninger
• Risikoparametre

I stedet for at udføre 10.000 tilfældige trækninger identificeres den optimale porteføljekonfiguration algoritmisk.

Dette forbedrer ikke Monte Carlo. Det bliver overflødigt.

Det skyldes, at usikkerhed kan integreres i målfunktionen uden at fastsætte beslutningsrummet.

12. Konsekvenser for CFO'er og bestyrelse

For CFO'er betyder det

• Højere afkast på kapital
• Bedre allokeringslogik
• Gennemsigtige beslutningsskabeloner
• Reduktion af beslutningsgæld
• Minimering af strukturel fejlallokering

For bestyrelser betyder det

• Verificerbar beslutningskvalitet
• Kontrollerbar logik
• Robusthed i styringen

Monte Carlo var et svar på usikkerhed. Optimering er et svar på kompleksitet.

13. Konklusion

Monte Carlo var en milepæl inden for risikomodellering. Det var moderne.

Men når det gælder anlægsaktiver i PPM, er risikovurdering ikke længere nok.

Det, der er brug for, er en fuldstændig gennemtrængning af beslutningsrummet.

Simulering besvarer det forkerte spørgsmål om den rigtige beslutning. Optimering besvarer det rigtige spørgsmål.

Det globale optimum er ikke en simulering. Det er en egenskab ved beslutningsstrukturen.

Og så snart det er beregnet, mister Monte Carlo sin strategiske relevans.

SPØRGSMÅL OG SVAR

Er Monte Carlo grundlæggende forkert?

Nej. Monte Carlo er et gyldigt instrument til at analysere usikkerhed. Men det er ikke en optimeringsmetode og er derfor uegnet til at identificere den globalt bedste portefølje.

Kan Monte Carlo være nyttig i kombination med optimering?

Ja, som en supplerende følsomhedsanalyse efter identifikation af den optimale portefølje. Ikke som primær beslutningslogik.

Hvorfor er rangordning efter NPV ikke tilstrækkelig?

Fordi projekter er indbyrdes afhængige, og budgetbegrænsninger skaber kombinatoriske effekter, som rangordningen ikke afspejler.

Er global optimering matematisk realistisk for store porteføljer?

Ja, moderne algoritmiske metoder muliggør struktureret analyse af eksponentielle beslutningsrum.

Betyder det enden på risikomodellering?

Nej. Risiko er integreret - men ikke længere simuleret isoleret.

Hvorfor er dette særligt relevant for anlægsaktiver?

Fordi fejlallokeringer her er langsigtede og næppe reversible.

Ændrer dette CFO'ens rolle?

Ja, fra risikovurderingen af individuelle projekter til den systemiske kapitalallokeringsarkitektur.

Den strategiske konsekvens er klar: Det er ikke simuleringen af usikkerhed, der bestemmer kapitalafkastet. Det er den matematiske strukturering af beslutningsrummet. Og det er her, fremtiden for styring af anlægsaktiver begynder.