Monte Carlo versus AI: Beslissingen over vaste activa onder onzekerheid: simulatie versus optimalisatie

Waarom simulatie niet langer voldoende is voor vaste activa - en wiskundige optimalisatie de nieuwe bestuurlijke noodzaak wordt

Samenvatting

Decennialang werd Monte Carlo-simulatie beschouwd als de methodologische gouden standaard voor het evalueren van onzekerheden in investeringsbeslissingen. Vooral op het gebied van vaste activa - d.w.z. kapitaalverbintenissen op lange termijn zoals vastgoed, infrastructuur, productiefaciliteiten of grootschalige IT-systemen - was het het instrument bij uitstek voor risicomodellering.

Monte Carlo was bij de tijd.
Vanuit rekenkundig oogpunt was Monte Carlo zinvol.
Monte Carlo was een vooruitgang ten opzichte van deterministische individuele aannames.

Maar Monte Carlo neemt geen beslissing.
Het simuleert ze.

En in de context van modern portfolio- en CapEx-management betekent dit dat een potentieel structureel onjuiste beslissing 10.000 keer wordt gevarieerd - maar niet geoptimaliseerd.

Met toenemende complexiteit, afhankelijkheden tussen projecten, budgetbeperkingen en meerdere conflicterende doelstellingen bereikt simulatie een systemische grens. Het evalueert scenario's. Het doorzoekt niet de volledige beslissingsruimte.

Dit is precies waar algoritmische ex-ante optimalisatie om de hoek komt kijken. In plaats van kansverdelingen te simuleren, wordt de combinatorische ruimte van alle mogelijke portefeuilleconfiguraties wiskundig geanalyseerd - en wordt het globale optimum geïdentificeerd.

Op het gebied van vaste activa in projectportfoliomanagement (PPM) verbetert dit Monte Carlo niet, maar maakt het het overbodig.

1. Historisch overzicht: waarom Monte Carlo nuttig was

De Monte Carlo-methode werd in de 20e eeuw ontwikkeld om complexe waarschijnlijkheidsproblemen wiskundig te benaderen. Het was revolutionair in financiën, risicomanagement en investeringsberekeningen omdat het onzekerheid kwantificeerbaar maakte.

In plaats van één enkele veronderstelling over kasstromen of bezettingsgraad, werden duizenden willekeurige trekkingen gegenereerd. Dit resulteerde in

• Verwachte waarden
• Variantie
• Value-at-risk
• Betrouwbaarheidsintervallen
• Scenariobanden

Voor vaste activa betekent dit

• Onzekerheid bouwkosten
• Renteschommelingen
• Volatiliteit van marktprijzen
• Gebruiksrisico's
• Veronderstellingen over restwaarde

Al deze factoren konden statistisch gemodelleerd worden.

In een wereld met beperkte rekenkracht en een beheersbaar aantal projecten was dit rationeel.

Maar deze wereld bestaat niet meer.

2. Het structurele probleem: simulatie is geen optimalisatie

Monte Carlo beantwoordt de volgende vraag:

Als we beslissen voor dit project of deze portefeuille - hoe waarschijnlijk is welke uitkomst?

Wat Monte Carlo niet beantwoordt:

Is deze portefeuille zelfs de best mogelijke onder alle toelaatbare combinaties?

Dit is een fundamenteel verschil.

Simulatie

• Evalueert een gegeven beslissing
• Verandert parameters
• Geeft waarschijnlijkheden

Optimalisatie

• Doorzoekt beslissingsruimte
• Overweegt beperkingen
• Maximaliseert de objectieve functie
• Identificeert globaal optimum

Monte Carlo simuleert dus onzekerheid binnen een structurele beslissing die al genomen is.

Als deze structurele beslissing suboptimaal is, wordt alleen de spreiding ervan geanalyseerd.

Dit komt overeen met een 10.000-voudige gesimuleerde misallocatie.

3. Vaste activa in PPM: waarom de complexiteit exponentieel wordt

De klassieke portefeuille van vaste activa bevat

• Verschillende investeringsprojecten
• Verschillende looptijden
• Budgetbeperkingen
• Synergie-effecten
• Uitsluitingsrelaties
• regelgevende voorwaarden
• ESG-vereisten
• strategische prioriteiten

Er zijn al meer dan een miljoen mogelijke portefeuillecombinaties voor 20 projecten.

Voor 50 projecten:

²⁵⁰ ≈ 1.125.899.906.842.624 combinaties

Monte Carlo simuleert binnen een geselecteerde combinatie. Het doorzoekt deze 1,1 quadriljoen mogelijkheden niet.

Dit is geen geleidelijke zwakte. Het is een structurele zwakte.

4. Typische toepassing van Monte Carlo in vaste activa

In de context van vaste activa wordt Monte Carlo meestal gebruikt voor:

• NCW-verdeling van een project
• IRR-bereiken
• Gevoeligheidsanalyses
• Stresstests
• Risicobeoordeling van individuele activa

Maar in de praktijk betekent dit

1. Projecten worden individueel beoordeeld.
2. Er wordt een portefeuille gevormd op basis van rangschikkings- of heuristische criteria.
3. Monte Carlo simuleert onzekerheden binnen deze selectie.

De ranking blijft lokaal. De portefeuillestructuur blijft heuristisch. De budgettoewijzing blijft bij benadering.

5. Vergelijking: Monte Carlo vs. globale optimalisatie

Criterium	Monte Carlo-simulatie	Globale optimalisatie
Vraag	Hoe spreidt een geselecteerd scenario zich?	Welke portefeuillecombinatie maximaliseert de doelfunctie?
Methodologie	Willekeurige steekproeven	Deterministische / hybride algoritmen
Beslissingsruimte	Vast	Volledig doorzocht
Omgaan met beperkingen	Evaluatie achteraf	Geïntegreerde beperkingen
Complexiteit	Lineair in simulaties	Exponentiële ruimte - algoritmisch beheerst
Resultaten	Waarschijnlijkheidsverdeling	Mathematisch globaal optimum
Governance kwaliteit	Risicovisualisatie	Optimalisatie van middelen

6. Waarom Monte Carlo systemisch ontoereikend is voor vaste activa

6.1 Kapitaalverplichting

Vaste activa leggen jarenlang of tientallen jaren kapitaal vast. Verkeerde toewijzingen hebben een langetermijneffect.

6.2 Onomkeerbaarheid

Infrastructuur, vastgoed of productiefaciliteiten kunnen niet opnieuw worden toegewezen zonder aanzienlijke verliezen.

6.3 Onderlinge afhankelijkheden

Een logistiek centrum beïnvloedt de transportkosten.
Een IT-investering beïnvloedt de personeelskosten.
Een ESG-maatregel beïnvloedt financieringskosten.

Monte Carlo modelleert onzekerheid binnen een project - niet de combinatoriek van afhankelijkheden.

7. De wiskundige perspectiefwisseling

De relevante vraag is niet:

"Hoe veilig is project A?"

Maar eerder:

"Welke combinatie van A, B, C ... onder budget en beperkingen maximaliseert de totale waarde?"

Dit is een combinatorisch optimalisatieprobleem.

Boven een bepaald aantal projecten wordt dit probleem NP-hard.

Simulatie helpt hier niet. Alleen algoritmische zoekmethoden kunnen de ruimte systematisch structureren.

8. Waarom 10.000 simulaties geen structurele zekerheid bieden

10.000 simulaties genereren 10.000 mogelijke uitkomsten.

Maar ze zijn allemaal gebaseerd op dezelfde portefeuillestructuur.

Als deze structuur 15 % onder het globaal mogelijke optimum ligt, wordt deze kloof nooit herkend.

Monte Carlo antwoordt:

"Hoe waarschijnlijk is de uitkomst van deze keuze?"

Optimalisatie beantwoordt:

"Was deze keuze in de eerste plaats de beste keuze?"

Dit zijn twee verschillende niveaus.

9. Ex ante optimalisatie als de nieuwe bestuursnorm

Moderne beslissingsarchitectuur in PPM voor vaste activa vereist:

• Volledige combinatieanalyse
• Integratie van budgetbeperkingen
• Multi-objectieve optimalisatie (ROI, ESG, risico)
• Beperkingen
• Afhankelijkheidslogica
• Scenario consistentie

Een ex-ante optimalisatie analyseert niet alleen individuele projecten, maar het systeem als geheel.

De objectieve functie wordt gedefinieerd, de beperkingen worden geformaliseerd en de combinatorische ruimte wordt op een algoritmisch gestructureerde manier doorzocht.

Het resultaat is geen bandbreedte van verwachte waarden, maar een wiskundig bepaalde portefeuille.

10. Waarom het globale optimum Monte Carlo vervangt in PPM van vaste activa

Wanneer het globale optimum berekend wordt, is het resultaat

• Gemaximaliseerde kapitaalproductiviteit
• Geminimaliseerde opportuniteitskosten
• Gestructureerde risico-integratie
• Transparante besluitvormingslogica
• Auditbestendig bestuur

Monte Carlo kan nog steeds dienen als gevoeligheidsinstrument - maar niet als basis voor besluitvorming.

In de context van vaste activa verliest het zijn primaire rol.

11. De rol van StratePlan

StratePlan analyseert de volledige beslissingsruimte van een portefeuille van vaste activa, rekening houdend met

• Budgetbeperkingen
• Afhankelijkheden van projecten
• Multi-objectieve optimalisatie
• wettelijke beperkingen
• Risicoparameters

In plaats van 10.000 willekeurige trekkingen uit te voeren, wordt de optimale portefeuilleconfiguratie algoritmisch geïdentificeerd.

Dit verbetert Monte Carlo niet. Het wordt overbodig.

Onzekerheid kan namelijk worden geïntegreerd in de doelfunctie zonder de beslissingsruimte vast te leggen.

12. Gevolgen voor de CFO en het bestuur

Voor CFO's betekent dit

• Hoger rendement op kapitaal
• Betere toewijzingslogica
• Transparante beslissingsmodellen
• Vermindering van beslissingsschuld
• Minimalisatie van structurele misallocatie

Voor raden van bestuur betekent dit

• Controleerbare kwaliteit van beslissingen
• Auditeerbare logica
• Robuust bestuur

Monte Carlo was een antwoord op onzekerheid. Optimalisatie is een antwoord op complexiteit.

13. Conclusie

Monte Carlo was een mijlpaal in risicomodellering. Het was eigentijds.

Maar bij vaste activa in PPM is risicobeoordeling niet langer voldoende.

Wat nodig is, is een volledige penetratie van de beslissingsruimte.

Simulatie beantwoordt de verkeerde vraag over de juiste beslissing. Optimalisatie beantwoordt de juiste vraag.

Het globale optimum is geen simulatie. Het is een eigenschap van de beslissingsstructuur.

En zodra het berekend is, verliest Monte Carlo zijn strategische relevantie.

FAQ

Is Monte Carlo fundamenteel verkeerd?

Nee. Monte Carlo is een geldig instrument om onzekerheid te analyseren. Het is echter geen optimalisatiemethode en is daarom ongeschikt om de wereldwijd beste portefeuille te identificeren.

Kan Monte Carlo nuttig zijn in combinatie met optimalisatie?

Ja, als aanvullende gevoeligheidsanalyse na identificatie van de optimale portefeuille. Niet als primaire beslissingslogica.

Waarom is rangschikken op basis van NCW niet voldoende?

Omdat projecten onderling afhankelijk zijn en budgetbeperkingen combinatorische effecten genereren die de rangorde niet weerspiegelen.

Is globale optimalisatie wiskundig realistisch voor grote portefeuilles?

Ja, moderne algoritmische methoden maken een gestructureerde analyse van exponentiële beslissingsruimten mogelijk.

Betekent dit het einde van risicomodellering?

Nee. Risico wordt geïntegreerd - maar niet langer geïsoleerd gesimuleerd.

Waarom is dit vooral relevant voor vaste activa?

Omdat verkeerde allocaties hier langlopend en nauwelijks omkeerbaar zijn.

Verandert dit de rol van de CFO?

Ja, van de risicobeoordeling van individuele projecten naar de systemische architectuur van kapitaalallocatie.

De strategische consequentie is duidelijk: het is niet de simulatie van onzekerheid die het rendement op kapitaal bepaalt. Het is de wiskundige structurering van de beslissingsruimte. En dit is waar de toekomst van het beheer van vaste activa begint.