Simulazione Monte Carlo: Come Interpretare Probabilità e Scenari di Portafoglio

Una proiezione basata su un rendimento medio costante mostra un solo percorso possibile per il futuro di un portafoglio. Una simulazione Monte Carlo ne mostra migliaia, ciascuno con una sequenza diversa di rendimenti generata casualmente secondo assunzioni statistiche definite, offrendo una distribuzione di esiti possibili invece di un singolo numero. Interpretare correttamente questa distribuzione, e i suoi limiti, è più importante del solo numero di scenari simulati.

Come funziona una simulazione Monte Carlo applicata a un portafoglio

Una simulazione Monte Carlo genera un numero elevato di sequenze casuali di rendimento — spesso migliaia o decine di migliaia — ciascuna coerente con le assunzioni statistiche fornite in input: rendimento medio atteso, volatilità, ed eventualmente correlazioni tra più classi di attivo. Applicando ciascuna di queste sequenze simulate al portafoglio, comprensiva di eventuali versamenti o prelievi programmati, si ottiene una distribuzione di possibili esiti finali, da cui si può calcolare per esempio la percentuale di simulazioni in cui il capitale non si esaurisce prima di una data prevista, spesso descritta come "probabilità di successo" del piano.

Perché cattura il rischio di sequenza meglio di una proiezione a rendimento costante

Una proiezione tradizionale basata su un rendimento medio annuo costante applicato uniformemente ogni anno ignora per costruzione il rischio di sequenza dei rendimenti: mostra un unico percorso in cui ogni anno rende esattamente la media, un caso che nella realtà non si verifica quasi mai. La simulazione Monte Carlo, generando sequenze diverse in ciascuna iterazione, cattura naturalmente l'effetto dell'ordine dei rendimenti rispetto ai flussi di cassa, permettendo di osservare quanti scenari simulati, pur avendo lo stesso rendimento medio assunto in input, producono esiti finali molto diversi a causa della sola sequenza.

Il problema centrale: dipende dagli input, non dalla potenza di calcolo

Il limite più importante di una simulazione Monte Carlo non riguarda il numero di scenari generati, ma la qualità delle assunzioni statistiche usate come input: rendimento medio atteso, volatilità e correlazioni. Se queste assunzioni sono sbagliate o non rappresentative del futuro, aumentare il numero di simulazioni non corregge il problema: si otterrà semplicemente una distribuzione più precisa di esiti calcolati su ipotesi comunque inaccurate. Questo principio, spesso riassunto come "garbage in, garbage out", è il limite più rilevante da tenere presente nell'interpretazione dei risultati.

Tabella: cosa determina l'affidabilità di una simulazione

Esempio ipotetico: cosa significa davvero "90% di probabilità di successo"

Si ipotizzi una simulazione Monte Carlo su un piano di prelievi in pensione che restituisce una probabilità di successo del 90%, intesa come la percentuale di scenari simulati in cui il capitale non si esaurisce prima della fine del periodo previsto. Questo risultato non significa che esista una probabilità oggettiva e garantita del 90% che il piano reale funzioni: significa che, dato l'insieme di assunzioni statistiche fornite in input, il 90% delle sequenze casuali generate coerenti con quelle assunzioni produce quell'esito. Se le assunzioni di rendimento medio o volatilità si rivelano nel tempo diverse dalla realtà, la probabilità effettiva può discostarsi significativamente da quel 90% iniziale.

Questo esempio è costruito per chiarire l'interpretazione corretta del risultato di una simulazione; non rappresenta un piano di prelievo reale né una probabilità garantita.

Simulazione Monte Carlo contro backtest storico

Un backtest storico applica al portafoglio le sequenze di rendimento realmente osservate in periodi passati specifici, mostrando come si sarebbe comportato in quegli esatti scenari storici. Una simulazione Monte Carlo, al contrario, genera scenari sintetici coerenti con assunzioni statistiche, non necessariamente ripetendo esattamente la storia. Il backtest ha il vantaggio di essere ancorato a eventi realmente accaduti, ma è limitato al numero di periodi storici realmente disponibili; la simulazione Monte Carlo può generare un numero arbitrariamente elevato di scenari, ma dipende interamente dalla qualità delle assunzioni statistiche scelte per generarli.

Perché il numero di simulazioni non è il fattore più importante

Un errore comune è valutare la qualità di una simulazione Monte Carlo dal numero di scenari generati, assumendo che più simulazioni significhino automaticamente un risultato più affidabile. In realtà, oltre un certo numero di iterazioni (tipicamente alcune migliaia), la precisione statistica della distribuzione degli esiti migliora solo marginalmente aumentando ulteriormente il numero di simulazioni, mentre la qualità delle assunzioni di rendimento, volatilità e correlazione resta il fattore dominante sull'affidabilità del risultato finale.

Il nome, l'origine, e perché conta poco per l'interpretazione

Il nome "Monte Carlo" deriva dal celebre casinò, un riferimento scelto per l'analogia con la generazione ripetuta di esiti casuali secondo regole probabilistiche definite, un metodo sviluppato inizialmente in ambito scientifico per problemi di fisica prima di essere applicato alla finanza. Questa origine, per quanto interessante, non aggiunge nulla all'interpretazione pratica del metodo: ciò che conta per un utilizzo corretto non è la storia del nome, ma la comprensione che ogni scenario generato è un campione casuale coerente con le assunzioni fornite, non una previsione specifica su cosa accadrà realmente.

Come cambia l'interpretazione con orizzonti diversi

Una simulazione Monte Carlo applicata a un orizzonte di pochi anni tende a produrre una distribuzione di esiti più stretta attorno al rendimento medio assunto, semplicemente perché c'è meno tempo perché le sequenze casuali si discostino sensibilmente tra loro. Su un orizzonte di decenni, la stessa incertezza nelle assunzioni di input si amplifica, producendo una distribuzione di esiti finali molto più ampia. Questo significa che l'affidabilità pratica di una simulazione tende a essere maggiore su orizzonti brevi, dove l'incertezza cumulata sulle assunzioni ha meno tempo per manifestarsi, e più limitata su orizzonti lunghi, dove piccoli errori nelle assunzioni iniziali si amplificano nel tempo.

Errori frequenti

Un primo errore è interpretare una "probabilità di successo" del 90% come una garanzia oggettiva, ignorando che dipende interamente dalle assunzioni statistiche fornite in input. Un secondo è concentrarsi sul numero di simulazioni eseguite come indicatore di qualità, invece di verificare la ragionevolezza delle assunzioni di rendimento e volatilità usate. Un terzo è ignorare che le simulazioni tipicamente assumono una distribuzione statistica specifica per i rendimenti, che può non catturare adeguatamente eventi estremi rari, sottostimando la probabilità di scenari di coda.

Limiti aggiuntivi

Le simulazioni Monte Carlo più semplici assumono spesso che i rendimenti in periodi successivi siano statisticamente indipendenti tra loro, un'ipotesi che alcuni fenomeni di mercato osservati — come periodi prolungati di alta o bassa volatilità che tendono a persistere — mettono in discussione. Simulazioni più sofisticate possono incorporare questi effetti, ma a costo di maggiore complessità e di ulteriori assunzioni sulla loro struttura, che a loro volta vanno valutate criticamente.

Comunicare i risultati senza falsa precisione

Un risultato come "probabilità di successo 87,3%" trasmette una precisione che le assunzioni sottostanti raramente giustificano: la seconda cifra decimale dipende da dettagli dell'implementazione statistica più che da un'informazione realmente affidabile sul futuro. Presentare i risultati con un ordine di grandezza approssimativo, insieme alle assunzioni principali usate per generarli, comunica in modo più onesto il grado reale di incertezza rispetto a una cifra apparentemente precisa che nasconde la fragilità delle ipotesi su cui si fonda.

Checklist finale

• Non interpreto una probabilità di successo simulata come una garanzia oggettiva del risultato reale.
• Verifico la ragionevolezza delle assunzioni di rendimento medio e volatilità usate come input, non solo il numero di simulazioni eseguite.
• Considero la simulazione Monte Carlo come complemento, non sostituto, di un backtest storico e di uno stress test su scenari specifici.
• So che le simulazioni possono sottostimare la probabilità di eventi estremi rari, a seconda della distribuzione statistica assunta.
• Non giudico la qualità di una simulazione dal numero di scenari generati, ma dalla qualità delle assunzioni sottostanti.

Conclusione

La simulazione Monte Carlo è uno strumento utile per esplorare la distribuzione di possibili esiti di un portafoglio, in particolare per catturare il rischio di sequenza che una proiezione a rendimento costante ignora. Il suo valore dipende però interamente dalla qualità delle assunzioni statistiche usate come input: un numero elevato di simulazioni non compensa mai assunzioni di rendimento, volatilità o correlazione poco realistiche.