歡迎來到模擬的世界！
在 FRM 的課程中，我們經常討論如何計算風險價值 (VaR) 或為複雜衍生工具定價。有時，數學模型非常複雜，我們無法單靠代入一個公式就得出答案，這時就是模擬 (Simulation) 與自助法 (Bootstrapping) 發揮作用的時候了。
你可以把模擬想像成一台「假設性情境」機器。與其試圖透過單一步驟來解開難題，我們不如透過不同的隨機結果，將過程重複執行 10,000 次，觀察通常會發生什麼情況。本章屬於數量分析 (Quantitative Analysis) 部分，將教導你如何利用電腦和歷史數據來建立不確定性的模型。
如果初看這些數學內容覺得有點嚇人，不用擔心！我們會一步步拆解，讓你掌握這些數字背後的邏輯。
1. 蒙地卡羅模擬 (Monte Carlo Simulation, MCS)
蒙地卡羅模擬是一種用於理解金融模型中風險與不確定性影響的技術，它依賴重複的隨機抽樣來獲得數值結果。
運作原理：一個簡單的類比
想像你想知道自己上班會不會遲到。與其胡亂猜測，你不如在腦海中模擬 1,000 次通勤過程。有些日子會遇到車禍（隨機衝擊），有些日子會下雨（另一種衝擊），而有些日子則一切順利。最後，你發現有 5% 的情況會遲到。這 5% 就是你的風險指標！
運作流程
要在金融領域進行蒙地卡羅模擬，我們通常遵循以下步驟：
- 設定模型： 選擇一個描述資產價格變動的數學公式（例如：幾何布朗運動）。
- 生成隨機變數： 利用電腦選取隨機數字（通常來自標準常態分佈）。
- 計算結果： 將這些隨機數字代入模型，得出資產價格最終的落點。
- 重複執行： 重複上述步驟數千次，以建立未來價格可能出現的分佈。
- 分析： 找出平均值（期望值）或最差的 5%（即 VaR）。
快速回顧： 蒙地卡羅模擬是參數化 (Parametric) 的。這意味著我們必須對隨機衝擊做出特定的分佈假設（例如常態分佈）。
2. 模擬資產路徑：幾何布朗運動 (Geometric Brownian Motion, GBM)
在 FRM 考試中，你經常會看到資產價格是使用幾何布朗運動 (GBM) 來建模的。這聽起來很專業，其實只是假設價格的變動由穩定的趨勢（漂移項，Drift）和一些隨機的「雜訊」（波動率，Volatility）所組成。
公式
在極短時間內，股票價格的變動表示為：
\( \Delta S = S \times (\mu \Delta t + \sigma \epsilon \sqrt{\Delta t}) \)
其中：
\( S \) = 當前股票價格。
\( \mu \) = 預期報酬（漂移項）。
\( \sigma \) = 股票的波動率。
\( \Delta t \) = 時間步長（例如一天）。
\( \epsilon \) = 從標準常態分佈 \( N(0,1) \) 中抽取的隨機數。
為什麼要用這個模型？
我們使用 GBM 是因為它能確保股價不會跌至零以下（這符合現實情況），並且它考慮了報酬率通常是基於百分比的事實。
你知道嗎？ 公式中的 \( \epsilon \sqrt{\Delta t} \) 部分正是你在股票圖表上看到的「隨機漫步 (Random Walk)」特徵。如果沒有它，股價只會是一條乏味的直線！
3. 準確性與標準誤 (Standard Error)
學生常問的一個問題是：「我需要多少次模擬？」答案是：越多越好！
蒙地卡羅模擬的準確性由標準誤 (SE) 來衡量。公式為：
\( SE = \frac{\sigma}{\sqrt{n}} \)
其中 \( \sigma \) 是模擬結果的標準差，\( n \) 是模擬的次數。
關鍵見解
要將誤差減半，你需要增加四倍的模擬次數（因為有平方根的關係）。這使得蒙地卡羅模擬在運算上成本很高——需要強大的電腦算力才能獲得精確的結果。
常見錯誤： 以為將模擬次數 (\( n \)) 加倍就能將誤差減半。這是不對的！你需要將 \( n \) 增加至四倍，誤差才會減半。
4. 降低誤差：變異數縮減技術 (Variance Reduction Techniques)
由於執行數百萬次模擬非常耗時，我們使用一些「技巧」來以更少的實驗次數獲得更高的準確度，這些被稱為變異數縮減技術。
對偶變數法 (Antithetic Variates)
這是最常見的技術。對於每個使用隨機數 \( \epsilon \) 生成的路徑，你同時執行一個使用 \( -\epsilon \) 的路徑。
為什麼？ 這樣可以平衡隨機抽樣帶來的「運氣」成分。如果某次模擬「運氣太好」（出現極高的正向衝擊），對偶路徑就會「運氣太差」，從而讓平均值更快趨近於真實值。
控制變數法 (Control Variates)
你使用一個有已知解析解（存在現成公式）的相關資產，來「校正」你正在模擬的複雜資產估計值。這就像是使用一張已知城市的地圖，來幫助你導航附近稍微不同但未知的城市。
重點總結： 變異數縮減技術幫助我們在不需要超級電腦的情況下，得到更穩定且準確的答案。
5. 自助法 (Bootstrapping)
自助法 (Bootstrapping) 是蒙地卡羅的「表親」，但有一個主要區別：它不假設任何分佈。
運作原理
自助法不是使用數學公式來生成隨機數，而是查看真實的歷史數據。
想像你有過去 100 天的股票報酬數據。為了模擬接下來的 10 天，你實際上是從這 100 天的數據中「從帽子裡抽出一組報酬」，記下後放回，再抽一次。這稱為有放回抽樣 (Sampling with replacement)。
自助法的優點：
- 不需分佈假設： 你不必猜測數據是否為「常態」。如果過去數據有「肥尾」（極端事件），自助法會自然地將它們包含在內。
- 簡單： 你只是在重複使用現有的數據。
自助法的缺點：
- 過去不等於未來： 如果「黑天鵝」事件在你的歷史樣本中從未發生過，自助法永遠無法預測它。
- 數據品質： 如果你的歷史數據雜亂或長度不足，你的模擬效果就會很差。
記憶小撇步： 把 Bootstrapping 想像成 Backward-looking（回顧過去的數據），而 Monte Carlo 是 Model-based（基於模型/公式）。
6. 方法比較
在 FRM 考試中，你可能會被要求為特定情境選擇最佳方法。以下是一個簡單的對照表：
蒙地卡羅模擬 (Monte Carlo Simulation)：
- 適用場景： 無現成公式的複雜期權。
- 優點： 可以模擬任何未來情境。
- 缺點： 高度「模型風險」（如果公式錯誤，結果就是錯的）。
自助法 (Bootstrapping)：
- 適用場景： 不知道基礎分佈的情況。
- 優點： 能捕捉真實世界的異常狀況（肥尾效應）。
- 缺點： 受限於歷史數據樣本。
7. 總結檢查清單
在繼續往下學習之前，請確認你能回答以下問題：
- 我能解釋蒙地卡羅模擬的基本步驟嗎？
- 我理解標準誤會隨著 \( \sqrt{n} \) 的增加而降低嗎？
- 我知道對偶變數法涉及使用 \( \epsilon \) 和 \( -\epsilon \) 嗎？
- 我能解釋為什麼自助法是「有放回抽樣」嗎？
- 我清楚參數化方法 (MCS) 和非參數化方法 (Bootstrapping) 的區別嗎？
恭喜你！你剛剛掌握了模擬與自助法的精華。持續練習 GBM 公式，你將為 FRM Part I 考試中的數量挑戰做好充分準備！