Monte Carlo-simulatie
Een Monte Carlo-simulatie is een rekentechniek die de onzekerheid in een model zichtbaar maakt door de berekening vele keren te herhalen met willekeurig getrokken waarden voor de onzekere invoer, elk volgens een gekozen kansverdeling. Het resultaat is geen enkele uitkomst maar een verdeling van mogelijke uitkomsten. De norm IEC 31010:2019 rekent de techniek tot de methoden om gevolgen en waarschijnlijkheid van risico's te begrijpen.
Bron: IEC 31010:2019 (bijlage B.5.10); NIST, Monte Carlo Tool versie 1.2 (2025); NIST SP 800-30 Rev. 1 (2012), paragraaf 2.3.2; Besluit financieel toetsingskader pensioenfondsen artikelen 22 en 23b
In plaats van één puntschatting laat een Monte Carlo-simulatie zien hoe groot de kans is dat een doel wordt gehaald en hoe groot een tegenvaller in ongunstige gevallen kan worden. De opzet is eenvoudig uit te leggen: bepaal welke variabelen onzeker zijn, kies per variabele een kansverdeling, trek willekeurige waarden, reken het model door en herhaal dat een groot aantal keren. NIST noemt bij zijn eigen Monte Carlo-hulpmiddel de driehoeksverdeling, de normale en de uniforme verdeling als gangbare keuzes en laat de gebruiker het aantal iteraties bepalen. De verzameling uitkomsten maakt uitspraken mogelijk als: met een gekozen zekerheid blijft het verlies onder een bepaald bedrag.
IEC 31010:2019, de internationale norm voor technieken voor risicobeoordeling, beschrijft Monte Carlo-simulatie in bijlage B.5.10, bij de technieken om gevolgen en waarschijnlijkheid te begrijpen, naast onder meer Bayesiaanse analyse en Markov-analyse. Een verwante werkwijze staat in de Nederlandse pensioenregels: een pensioenfonds voert de haalbaarheidstoets uit op basis van een stochastische analyse (artikel 22 Besluit financieel toetsingskader pensioenfondsen) en gebruikt voor een scenarioanalyse een uniforme set van 10.000 economische scenario's die De Nederlandsche Bank (DNB) beschikbaar stelt (artikel 23b).
De uitkomst is zo goed als de invoer. Verkeerd gekozen verdelingen, onderschatte samenhang tussen variabelen of te weinig iteraties geven een schijnnauwkeurigheid. NIST SP 800-30 Rev. 1 (2012) wijst er in het algemeen op dat de strengheid van kwantificering sterk afneemt als subjectieve inschattingen in de berekening verborgen zitten of als er grote onzekerheid is over de waarden. Toetsvragen voor bestuurders en commissarissen zijn daarom: welke verdelingen zijn gebruikt, waar komen de parameters vandaan, hoe is de samenhang tussen variabelen gemodelleerd en hoe gevoelig is de uitkomst voor die keuzes? Een Monte Carlo-simulatie verschilt van een scenarioanalyse: die werkt met een klein aantal doordachte, samenhangende scenario's, de simulatie met een groot aantal willekeurige trekkingen.
Laatst bijgewerkt: · Redactie: ONE Risk Advisory
Veelgestelde vragen
Wat is het verschil tussen een Monte Carlo-simulatie en een stresstest?
Een Monte Carlo-simulatie trekt een groot aantal willekeurige combinaties van invoerwaarden en levert een verdeling van uitkomsten op. Een stresstest kiest bewust één of enkele ernstige maar plausibele omstandigheden en berekent wat die met kapitaal, liquiditeit of resultaat doen. De simulatie zegt iets over waarschijnlijkheden; de stresstest over de gevolgen van een gekozen tegenvaller, ook als de kans daarop moeilijk te schatten is.
Kan een organisatie buiten de financiële sector Monte Carlo-simulatie gebruiken?
Ja. IEC 31010:2019 beschrijft de techniek voor risicobeoordeling in een brede reeks situaties, niet voor één sector. Voorbeelden zijn de kans dat een project binnen budget blijft, de spreiding van schadelasten of de bandbreedte van een kasstroomprognose. Voorwaarde is dat de onzekere variabelen en hun spreiding met data of onderbouwde schattingen te beschrijven zijn.