Schnell ist gut. Zu wissen, wie verlässlich das Ergebnis ist, ebenso.
Monte-Carlo-Simulationen gehören zu den Standardwerkzeugen für die Bewertung von exotischen Derivaten. Ihr grosser Vorteil ist ihre Flexibilität: Sie funktionieren für eine breite Palette von Produkten und Modellen, auch für komplexe pfadabhängige Derivate.
Sie liefern zudem etwas sehr Nützliches. Da klassische Monte-Carlo-Verfahren unabhängige Zufallsstichproben verwenden, können sie ihre eigene statistische Unsicherheit abschätzen. Eine Pricing Engine kann daher nicht nur einen Preis oder einen Greek liefern, sondern auch angeben, wie stark dieses Ergebnis durch Simulationsrauschen beeinflusst ist.
Das Problem ist die Konvergenz: Monte Carlo verbessert sich nur langsam, wenn zusätzliche Simulationspfade hinzugefügt werden. Vereinfacht gesagt benötigt man ungefähr 100x so viele Pfade, um den statistischen Fehler um den Faktor 10 zu reduzieren. Bei grossen Derivateportfolios kann das schnell teuer werden.
Quasi-Monte Carlo (QMC) geht dieses Problem anders an. Statt Pseudozufallszahlen werden sorgfältig konstruierte Low-Discrepancy-Sequenzen wie Sobol'-Sequenzen verwendet (Joy, Boyle, & Tan, 1996; Caflisch, 1998). Diese Punkte füllen den Simulationsraum gleichmässiger aus und können deshalb deutlich schneller konvergieren.
Dabei geht jedoch etwas verloren. Eine Sobol'-Sequenz ist deterministisch. Eine gewöhnliche QMC-Berechnung liefert uns ein Ergebnis, aber keine natürliche statistische Fehlerabschätzung wie das klassische Monte-Carlo-Verfahren.




