シミュレーションの世界へようこそ！
FRMのカリキュラムでは、バリュー・アット・リスク（VaR）の計算や複雑なデリバティブの価格評価について頻繁に扱います。しかし時として、数学的な計算が非常に複雑になり、単一の数式に数値を代入するだけでは答えが出せないことがあります。そこで登場するのが、シミュレーションとブートストラップ法です。
シミュレーションとは「もしも」を検証する機械のようなものだと考えてください。一つの完璧な一手でパズルを解こうとするのではなく、異なるランダムな結果を使ってゲームを1万回繰り返し、何が起こるのが一般的かを観察するのです。本章は定量分析（Quantitative Analysis）セクションの一部であり、コンピュータと過去のデータを使って不確実性をモデル化する方法を学びます。
最初は数学が難しく感じるかもしれませんが、大丈夫です！ステップバイステップで紐解いていくので、数字の裏側にある論理がしっかり見えてくるはずです。
1. モンテカルロ・シミュレーション（MCS）
モンテカルロ・シミュレーションは、金融モデルにおけるリスクや不確実性の影響を理解するための手法です。これは、繰り返しランダムサンプリングを行うことで数値的な結果を得るという特徴があります。
仕組み：簡単な例え
あなたが遅刻をするかどうか知りたいとしましょう。ただ推測するのではなく、通勤のシミュレーションを頭の中で1,000回行うとします。ある日は自動車事故（ランダムなショック）があり、ある日は雨（別のショック）が降り、ある日はすべてが順調です。最終的に、5％の確率で遅刻することがわかったとします。その「5％」こそが、あなたのリスク指標です！
ステップ・バイ・ステップ
金融においてモンテカルロ・シミュレーションを実行する際は、以下の手順に従います：
- モデルの特定： 資産価格の動きを記述する数式を選択します（例：幾何ブラウン運動）。
- 乱数の生成： コンピュータを使って乱数を選びます（通常は標準正規分布から抽出）。
- 結果の計算： その乱数をモデルに代入し、資産価格がどこに行き着くかを計算します。
- 繰り返し： これを何千回も繰り返し、将来の価格の分布を作成します。
- 分析： 平均値（期待値）や下位5％（VaR）などを算出します。
クイック復習： モンテカルロはパラメトリックな手法です。つまり、ランダムなショックに対して特定の分布（正規分布など）を仮定する必要があるということです。
2. 資産経路のシミュレーション：幾何ブラウン運動（GBM）
FRM試験では、資産価格をモデル化する際に幾何ブラウン運動（GBM）がよく使われます。難しそうな響きですが、価格が一定のトレンド（ドリフト）とランダムな「ノイズ」（ボラティリティ）に基づいて動くと仮定しているだけのことです。
数式
ごく短い時間における株価の変化は、以下のように表されます。
\( \Delta S = S \times (\mu \Delta t + \sigma \epsilon \sqrt{\Delta t}) \)
ここで：
\( S \) = 現在の株価
\( \mu \) = 期待収益率（ドリフト）
\( \sigma \) = 株価のボラティリティ
\( \Delta t \) = 時間の刻み（例：1日）
\( \epsilon \) = 標準正規分布 \( N(0,1) \) からの乱数
なぜこれを使うのか？
GBMを使う理由は、株価がゼロを下回らないことを保証でき（現実的であるため）、リターンが通常はパーセンテージベースであることを考慮できるからです。
豆知識： \( \epsilon \sqrt{\Delta t} \) の部分は、株価チャートで見られる「ランダムウォーク」のような動きを作り出している正体です。これがないと、株価はただの退屈な一直線になってしまいます！
3. 精度と標準誤差
受講生からよく受ける質問に、「シミュレーションは何回行えばよいか？」というものがあります。答えは、多ければ多いほど良い！です。
モンテカルロ・シミュレーションの精度は標準誤差（SE）で測定されます。式は以下の通りです：
\( SE = \frac{\sigma}{\sqrt{n}} \)
ここで、\( \sigma \) はシミュレーション結果の標準偏差、\( n \) はシミュレーション回数です。
重要な洞察
誤差を半分にするには、シミュレーション回数を4倍にする必要があります（平方根の影響による）。このため、モンテカルロ法は計算コストが高く、非常に正確な結果を得るには多大なコンピュータの処理能力が必要となります。
よくある間違い： シミュレーション回数（\( n \)）を2倍にすれば誤差が半分になると思い込むことです。そうではありません！誤差を半分にするには \( n \) を4倍にする必要があります。
4. 誤差の低減：分散減少法
何百万回ものシミュレーションを行うのは時間がかかるため、より少ない試行回数で精度を高めるための「工夫」を使います。これらを分散減少法（Variance Reduction Techniques）と呼びます。
対照変量法（Antithetic Variates）
最も一般的な手法です。乱数 \( \epsilon \) を使って生成した各パスに対して、\( -\epsilon \) を使ったパスも実行します。
なぜか？ 乱数による「運」の良し悪しを相殺するためです。もしあるシミュレーションが「運が良すぎた」（プラスの大きなショック）場合、対照変量は「運が悪すぎる」結果となり、平均がより早く真の値に近づくようになります。
制御変量法（Control Variates）
解析的に解ける（数式が存在する）関連資産を利用して、シミュレーションしている複雑な資産の推定値を「補正」します。これは、少し異なる未知の街を歩くために、既知の街の地図を使ってナビゲートするようなものです。
要点： 分散減少法を使うことで、スーパーコンピュータがなくても安定した正確な答えを得ることができます。
5. ブートストラップ法
ブートストラップ法はモンテカルロ法の親戚ですが、大きな違いが一つあります。それは、分布を仮定しないことです。
仕組み
数式を使って乱数を生成する代わりに、ブートストラップ法は実際の過去データを見ます。
過去100日分の株価リターンがあると想像してください。今後10日分をシミュレーションするために、その100日分の中から文字通り「くじ引きのように」リターンを選び、それを元に戻してから再び選ぶという作業を繰り返します。これを復元抽出（Sampling with replacement）と呼びます。
ブートストラップ法の利点：
- 分布の仮定が不要： データが「正規分布」であるかを推測する必要はありません。過去のデータに「ファットテール（極端な事象）」があれば、ブートストラップ法は自然とそれを取り込みます。
- シンプル： すでにあるデータを再利用するだけです。
ブートストラップ法の欠点：
- 過去は未来を保証しない： 「ブラックスワン」イベントが過去のサンプルになければ、ブートストラップ法は決してそれを予測できません。
- データの質： 過去データが不十分だったり短すぎたりすると、シミュレーションの結果も悪いものになります。
覚え方： BootstrappingはBackward-looking（過去のデータを見る）、一方でMonte CarloはModel-based（数式を使う）と覚えましょう。
6. 手法の比較
FRM試験では、特定のシナリオに対して最適な手法を選ぶよう求められることがあります。比較表を参考にしてください：
モンテカルロ・シミュレーション：
- 最適： 数式が存在しない複雑なオプション。
- 利点： 将来のあらゆるシナリオをモデル化できる。
- 欠点： 高い「モデルリスク」（数式が間違っていれば、結果も間違っている）。
ブートストラップ法：
- 最適： 基礎となる分布が不明な場合。
- 利点： 現実世界のいびつな挙動（ファットテール）を捉えられる。
- 欠点： 過去のデータサンプルに制限される。
7. チェックリスト
先に進む前に、以下の質問に答えられるか確認しましょう：
- モンテカルロ・シミュレーションの基本的な手順を説明できるか？
- 標準誤差は \( \sqrt{n} \) の増加とともに減少することを理解しているか？
- 対照変量法には \( \epsilon \) と \( -\epsilon \) を使うことを知っているか？
- ブートストラップ法がなぜ「復元抽出」なのかを説明できるか？
- パラメトリック（MCS）とノンパラメトリック（ブートストラップ法）アプローチの違いを理解しているか？
おめでとうございます！これでシミュレーションとブートストラップ法の要点をカバーしました。GBMの数式の練習を続けて、FRM Part I試験の定量的な難題に立ち向かう準備を整えましょう！