Riski ≠ Poikkeama - Miksi simulointi ei ole päätös?

Tiivistelmä

Monte Carlo -menetelmää pidetään usein hallituksen kokouksissa ja sijoituskomiteoissa kultaisena standardina. Jakaumat, luottamusvälit ja skenaarioanalyysit luovat vaikutelman matemaattisesta kestävyydestä. Tämä on kuitenkin rakenteellinen väärinkäsitys: varianssi ei ole riski - eikä simulointi ole päätös.

Varianssi mittaa hajontaa. Riski sen sijaan kuvaa vaaraa siitä, että tiettyä tavoitetta ei saavuteta. Nämä kaksi käsitettä eivät ole matemaattisesti identtisiä. Jokainen, joka simuloi varianssia, ei ole vielä optimoinut preferenssifunktiota, ei rajoitteita eikä kohdefunktiota. Hän on vain arvioinut todennäköisyysavaruuksia.

Monte Carlo vastaa kysymykseen: "Mitä voisi tapahtua?"
Päätösoptimointi vastaa kysymykseen: "Mikä vaihtoehto maksimoi tavoitteen saavuttamisen rajoitusten vallitessa?"

Simulointi on arviointiväline. Päätös on optimointiongelma.

Rakenteellinen väärinkäsitys

Monte Carlo -simulaatiot tuottavat tuhansia satunnaisia polkuja oletettujen jakaumien perusteella. Tuloksena on todennäköisyysjakauma mahdollisista lopputuloksista. Mikään näistä simulaatioista ei kuitenkaan etsi systemaattisesti koko salkun yhdistelmäavaruutta.

Monimutkaisissa salkuissa, joissa on n hanketta, on 2ⁿ yhdistelmää. Kun hankkeita on 20, vaihtoehtoja on yli miljoona. Simuloinnissa arvioidaan oletuksia - se ei tunnista globaalia optimia.

Simulointi vs. optimointi

Kriteeri	Simulointi (Monte Carlo)	Optimointi
Tavoite	Edustaa todennäköisyyksiä	Maksimoi/minimoi kohdefunktio
Logiikka	Satunnaistetun polun generointi	Systemaattinen haku päätösavaruudessa
Tulos	Mahdollisten tulosten jakauma	Matemaattisesti optimoitu salkku
Päätös	Johdon tulkinta	Suora johtaminen tavoitefunktiosta

Miksi varianssi ei ole riski

Suuri varianssi voi merkitä suuria mahdollisuuksia. Pieni varianssi voi olla järjestelmällisesti epäoptimaalinen. Riski ei johdu varianssista vaan siitä, että tavoite jää saavuttamatta suhteessa salkun strategiseen tehtävään.

Salkku, jonka varianssi on alhainen, voi kuitenkin olla huomattavasti alle mahdollisen optiminsa. Tämä ei ole tilastollinen vaan rakenteellinen ongelma.

Hallinnollinen ulottuvuus

Simulointi siirtää vastuun takaisin hallitukselle. Tuloksia on tulkittava. Keskustelu korvaa laskennan. Mielipide korvaa matemaattisen valinnan.

Optimoinnissa taas määritellään ennakkoon tavoitetehtävä ja määritetään yhdistelmä, joka tuottaa suurimman arvon budjetti-, riski- ja resurssirajoitusten puitteissa.

Tämä ei ole skenaario. Se on tietojen ominaisuus.

Johtopäätös

Ne, jotka simuloivat, ymmärtävät epävarmuuden.
Ne, jotka optimoivat, tekevät päätöksiä.

Riskinhallinta ilman optimointia on paikallisesti uskottavaa, mutta globaalisti se voi olla epäoptimaalista.

FAQ

Onko Monte Carlo hyödytön?
Ei. Simulointi on arvokasta herkkyyden analysoimiseksi. Se ei kuitenkaan korvaa optimointilogiikkaa.

Voidaanko simulointia ja optimointia yhdistää?
Kyllä, simuloinnilla voidaan mallintaa epävarmuustekijöitä, ja optimoinnilla valitaan näiden epävarmuustekijöiden paras yhdistelmä.

Miksi skenaariosuunnittelu ei riitä?
Skenaarioissa vertaillaan yksittäisiä vaihtoehtoja. Niissä ei etsitä järjestelmällisesti koko päätösavaruutta.

Mikä on ratkaiseva ero?
Simulaatio kuvaa mahdollisuuksia. Optimointi laskee optimin.