סימולציית מונטה קרלו
איך אלפי תרחישים אקראיים עוזרים לכם לקבל החלטות פיננסיות חכמות יותר
בקצרה
סימולציית מונטה קרלו מריצה אלפי תרחישים אקראיים כדי לבחון את טווח התוצאות האפשריות של השקעה. במקום לנחש תרחיש אחד, היא מגלה את ההסתברות להצלחה או כישלון. שימושית במיוחד לתכנון פרישה ולבדיקת עמידות תיק השקעות.
העולם הפיננסי רצוף אי-ודאות. אף אחד לא יודע מה יהיה שער הדולר מחר, מה תהיה התשואה של מדד ת"א 125 בשנה הבאה, או האם הפנסיה שלכם תספיק ל-30 שנות פרישה. סימולציית מונטה קרלו היא שיטה מתמטית-סטטיסטית שמתמודדת עם אי-הוודאות הזו בדרך מבריקה: במקום לנחש תרחיש אחד, היא מריצה אלפי ואפילו מיליוני תרחישים אקראיים ובוחנת את טווח התוצאות האפשריות.1
השם נשאל מהקזינו המפורסם במונטה קרלו, מונקו, כי השיטה מבוססת על אקראיות, בדיוק כמו גלגל רולטה. השיטה פותחה בשנות ה-40 על ידי סטניסלב אולם ויון נוימן במסגרת פרויקט מנהטן (פיתוח הפצצה הגרעינית), ומאז חדרה לכמעט כל תחום מדעי ופיננסי.
איך זה עובד? העיקרון הבסיסי
הרעיון פשוט באלגנטיות שלו. במקום לחשב תוצאה אחת על בסיס הנחות קבועות, סימולציית מונטה קרלו פועלת בשלושה שלבים:
- שלב 1 - הגדרת המודל: קובעים אילו משתנים משפיעים על התוצאה (למשל: תשואה שנתית, אינפלציה, סכום משיכה חודשי), ומהי ההתפלגות הסטטיסטית של כל משתנה (ממוצע, סטיית תקן, צורת ההתפלגות).
- שלב 2 - דגימה אקראית: המחשב מגריל ערכים אקראיים לכל משתנה בהתאם להתפלגות שהוגדרה, ומחשב את התוצאה עבור אותו "תרחיש". פעולה זו חוזרת על עצמה אלפי פעמים (iterations). בכל פעם המחשב מגריל שילוב שונה של ערכים.
- שלב 3 - ניתוח תוצאות: מתוך אלפי התוצאות, ניתן לבנות התפלגות של כל התרחישים האפשריים, לחשב הסתברויות, ולזהות את התרחיש האופטימי, הפסימי, והסביר ביותר.
תכנון פרישה: הדוגמה הקלאסית
אחד השימושים הפופולריים ביותר של מונטה קרלו בעולם הפיננסי הוא תכנון פרישה ופנסיה. במקום לשאול "כמה כסף אצטרך?", השאלה הנכונה יותר היא: "מה ההסתברות שהכסף שלי ימשיך עד סוף חיי?"
דוגמה: תכנון פרישה ישראלי
דני בן 60, צפוי לפרוש בגיל 67, ויש לו 2,000,000 ש"ח בחיסכון פנסיוני. הוא מתכנן למשוך 8,000 ש"ח בחודש (בנוסף לקצבה מקרן הפנסיה). נניח שההשקעה צפויה להניב תשואה ממוצעת של 5% בשנה עם סטיית תקן של 12%. סימולציית מונטה קרלו עם 10,000 תרחישים מראה שב-82% מהתרחישים הכסף מספיק ל-25 שנה (עד גיל 92), ב-68% הוא מספיק ל-30 שנה, וב-12% מהתרחישים הכסף נגמר תוך 20 שנה. התובנה: הסיכוי שדני "ישרוד" פיננסית עד גיל 92 הוא סביר (82%), אך ייתכן שכדאי לו להפחית את סכום המשיכה החודשי או להגדיל את רכיב המניות בתיק.
הבסיס המתמטי: דגימה מהתפלגויות
הלב של מונטה קרלו הוא היכולת לייצר מספרים אקראיים מתוך התפלגויות סטטיסטיות מוגדרות. בפיננסים, מודל התשואות הנפוץ ביותר מניח תנועה בראונית גיאומטרית (Geometric Brownian Motion):2
כאשר הוא ערך הנכס בזמן t, היא התשואה הצפויה, היא התנודתיות (סטיית תקן), ו- הוא משתנה אקראי מהתפלגות נורמלית סטנדרטית. כל הגרלה של Z מייצרת "מסלול" שונה של מחירי הנכס, וכך מתקבלות אלפי תחזיות שונות.
שימושים פיננסיים נוספים
מונטה קרלו אינה מוגבלת לתכנון פרישה. היא כלי רב-תכליתי המשמש במגוון תחומים:
- תמחור אופציות: במיוחד אופציות אקזוטיות (כמו אופציות אסייתיות או אופציות מסלול) שלא ניתן לתמחר בנוסחת בלק-שולס הסטנדרטית. הסימולציה מייצרת אלפי מסלולי מחירים ומחשבת את הממוצע של התשלום בכל מסלול.
- חישוב VaR (ערך בסיכון): אחת משלוש השיטות המקובלות לחישוב VaR מבוססת על מונטה קרלו, ומאפשרת גמישות רבה יותר מהשיטות האחרות.
- הערכת שווי חברות: במקום DCF עם תחזית אחת, סימולציה יכולה לייצר אלפי תרחישים לשיעורי צמיחה, שיעורי היוון, ומרווחי רווח, ולהציג טווח של שווי אפשרי.
- ניהול תיקי השקעות: בדיקת ביצועי התיק תחת אלפי תרחישי שוק כדי לוודא שהרכב הנכסים מתאים לפרופיל הסיכון של המשקיע.
דוגמה: תמחור אופציה על מניה ישראלית
נניח שאתם רוצים לתמחר אופציית Call על מניית בנק הפועלים עם מחיר מימוש 35 ש"ח לתקופה של 3 חודשים. המניה נסחרת ב-33 ש"ח, עם תנודתיות שנתית של 25%. סימולציית מונטה קרלו עם 100,000 מסלולים תייצר 100,000 מחירים אפשריים בעוד 3 חודשים, תחשב את הרווח מכל אחד (מקסימום בין 0 לבין מחיר סופי פחות 35), ותהוון את הממוצע לערך נוכחי. התוצאה: מחיר הוגן לאופציה.
יתרונות ומגבלות
- יתרון 1 - גמישות: יכולה להתמודד עם כל סוג של התפלגות, מתאמים בין משתנים, ותנאים מורכבים שלא ניתן לפתור אנליטית.
- יתרון 2 - תוצאות אינטואיטיביות: "יש 75% סיכוי שהכסף יספיק" ברור הרבה יותר מ"תוחלת התשואה היא 6.3%".
- יתרון 3 - ניתוח רגישות: קל לבחון כיצד שינוי בפרמטר אחד (למשל, תשואה ממוצעת נמוכה יותר ב-1%) משפיע על טווח התוצאות.
- מגבלה 1 - "זבל פנימה, זבל החוצה": איכות התוצאות תלויה לחלוטין באיכות ההנחות. אם ההתפלגות שהוזנה לא מייצגת את המציאות, אלפי התרחישים לא ישנו את העובדה שהמודל שגוי.
- מגבלה 2 - ודאות מדומה: היופי של גרפים ומספרים מדויקים עלול ליצור תחושה כוזבת של ביטחון. חשוב לזכור שהתוצאות הן הערכות סטטיסטיות.
מונטה קרלו בפרקטיקה: כלים נגישים
בעבר, סימולציות מונטה קרלו דרשו ידע בתכנות ומחשבים חזקים. כיום, כלים רבים מנגישים אותן לכולם: Excel עם תוספת כמו @Risk או Crystal Ball, אתרי תכנון פרישה מקוונים (Portfolio Visualizer, cFIREsim), ומחשבונים פיננסיים שמריצים סימולציות ברקע. גם יועצי השקעות ומתכנני פרישה בישראל משתמשים יותר ויותר בכלי מונטה קרלו כדי להציג ללקוחות את טווח התוצאות האפשרי, ולא רק "תחזית אחת".
טיפ למשקיעים
כשיועץ פיננסי מציג לכם "תחזית" לתיק ההשקעות שלכם, שאלו אותו: "מה טווח התוצאות? מה ההסתברות לתוצאה הגרועה ביותר?" אם הוא מציג רק מספר אחד ולא טווח הסתברויות, ייתכן שהוא לא משתמש בכלים מתקדמים מספיק.
שאלות נפוצות
במקום לחשב תוצאה אחת על בסיס הנחות קבועות ("תקבלו 7% בשנה"), מונטה קרלו מריצה אלפי תרחישים אקראיים ומראה את כל הטווח האפשרי. לדוגמה: "יש 80% סיכוי שהכסף יספיק ל-25 שנה, 65% סיכוי ל-30 שנה, ו-10% סיכוי שייגמר תוך 15 שנה". זה הרבה יותר מועיל מתחזית אחת, כי בעולם האמיתי שום דבר לא מתנהג בדיוק כמו הממוצע.
תכנון פרישה מלא אי-ודאות: כמה זמן תחיו? מה תהיה האינפלציה? מה תהיה תשואת ההשקעות? מונטה קרלו לוקחת את הפרמטרים שלכם (סכום חסכונות, משיכה חודשית, הרכב תיק) ומריצה 10,000 תרחישים שונים של תשואות שנתיות. התוצאה: אחוז הסיכוי שהכסף יספיק. אם התוצאה נמוכה מ-80%, כדאי לשקול הפחתת משיכות או שינוי הרכב התיק.
ככלל, 10,000 תרחישים מספיקים לרוב השימושים הפיננסיים. מתחת ל-1,000 התוצאות לא יציבות מספיק. בתמחור אופציות מורכבות, לפעמים נדרשים 100,000 ויותר. ככל שמוסיפים תרחישים, התוצאות מתייצבות אבל זמן החישוב גדל. עם מחשבים מודרניים, 10,000 תרחישים רצים בשניות. הכלל: אם שינוי מספר התרחישים ב-50% לא משנה את התוצאה, יש לכם מספיק.
"זבל פנימה, זבל החוצה" (Garbage In, Garbage Out). איכות התוצאות תלויה לחלוטין באיכות ההנחות. אם הנחתם תשואה ממוצעת של 10% וסטיית תקן של 15%, אבל בפועל השוק מניב 5% עם סטיית תקן של 20%, כל 10,000 התרחישים יהיו שגויים. בנוסף, הסימולציה לא יכולה לחזות "ברבורים שחורים" (אירועים קיצוניים שמעולם לא קרו). חשוב להתייחס לתוצאות כהערכה, לא כתחזית.
כן. יש כלים נגישים שמריצים סימולציות ברקע: אתרי תכנון פרישה כמו Portfolio Visualizer ו-cFIREsim, תוספות ל-Excel כמו Crystal Ball ו-@Risk, ומחשבונים מקוונים שמבקשים מכם רק להזין סכום, תשואה צפויה ומשיכה חודשית. גם יועצי השקעות ומתכנני פרישה בישראל משתמשים יותר ויותר בכלים כאלה. אם היועץ שלכם מציג "תחזית אחת" בלי טווח, שאלו.
בהחלט. שימוש בנתונים של S&P 500 לתכנון פרישה ישראלי יכול להטעות. הבדלים מרכזיים: שיעורי אינפלציה בישראל שונים מארה"ב, תשואות הבורסה בת"א שונות מוול סטריט, והמתאמים בין נכסים ישראליים לבינלאומיים לא מושלמים. השתמשו בנתונים היסטוריים של מדדי ת"א ואינפלציה ישראלית. פרמטרים אמריקאיים בלבד עלולים לתת תמונה אופטימית מדי.
סיכום
סימולציית מונטה קרלו היא אחד הכלים החזקים ביותר בפיננסים המודרניים. היא לא חוזה את העתיד, אלא ממפה את טווח העתידות האפשריים ומקצה לכל אחד מהם הסתברות. בין אם מדובר בתכנון פרישה, תמחור נגזרים, ניהול סיכונים או הערכת שווי, היכולת לחשוב במונחים של "התפלגות תוצאות" במקום "תחזית אחת" היא מיומנות קריטית לכל משקיע מתקדם.
- Investopedia. "Monte Carlo Simulation: What It Is, How It Works, History, 4 Key Steps" investopedia.com ↗ ↩נבדק לאחרונה: 30/04/2026
- Glasserman, P. "Monte Carlo Methods in Financial Engineering." Springer (2003)(2003) link.springer.com ↗ ↩
- CFA Institute. "Simulation Methods in Financial Analysis" cfainstitute.org ↗ ↩נבדק לאחרונה: 15/05/2026
מושגי מפתח
דגימה אקראית (Random Sampling)
תהליך שבו המחשב מגריל ערכים מתוך התפלגות סטטיסטית מוגדרת. כל הגרלה מייצגת "תרחיש" אפשרי אחד, ומתוך אלפי הגרלות נבנית תמונה מלאה של כל התוצאות האפשריות.
התפלגות נורמלית (Normal Distribution)
התפלגות סטטיסטית בצורת פעמון (Bell Curve) המאפיינת תופעות רבות בטבע ובפיננסים. רוב הערכים מרוכזים סביב הממוצע, כשערכים קיצוניים נדירים יותר. משמשת כבסיס נפוץ למודלים של מונטה קרלו.
תנועה בראונית גיאומטרית (GBM)
מודל מתמטי המניח שמחירי נכסים פיננסיים מתנהלים כתהליך אקראי רציף. משמש כבסיס לסימולציות מונטה קרלו של מסלולי מחירים ולנוסחת בלק-שולס לתמחור אופציות.
שיעור כישלון (Failure Rate)
בתכנון פרישה, אחוז התרחישים בסימולציה שבהם הכסף נגמר לפני סוף התקופה המתוכננת. לדוגמה, שיעור כישלון של 15% אומר שב-15% מהתרחישים הפורש נשאר ללא כסף.
רגישות למשתנים (Sensitivity Analysis)
בדיקה כיצד שינוי בפרמטר אחד (למשל, הפחתת התשואה הממוצעת ב-1%) משפיע על התפלגות התוצאות. עוזר לזהות אילו הנחות קריטיות ביותר ואיפה נדרשת זהירות מיוחדת.
מייסד
השקעתי שנים בהייטק ובשוק ההון. ניהלתי בעצמי את הפנסיה, הביטוחים וההשקעות שלי, של המשפחה ושל החברים, ובמקביל אני מוביל קהילת משקיעים פעילה כבר שנים. כל ערך במידע-הון מתורגם ישירות מהחוק והרגולציה לעברית קריאה, כדי שהמסמך הבא שיגיע אליך בדואר יהיה מובן. גם בעשר וחצי בלילה.
תחומי מומחיות