Simulacija Monte Carlo je matematični model za izračun verjetnosti določenega izida z naključnim testiranjem ali vzorčenjem najrazličnejših scenarijev in spremenljivk. Simulacije, ki jih je prvič uporabil Stanilaw Ulam, matematik, ki je delal na projektu Manhattan med drugo svetovno vojno, analitikom nudijo pot za sprejemanje težkih odločitev in reševanje kompleksnih problemov, ki imajo več področij negotovosti. Simulacija Monte Carlo, ki je dobila ime po letovišču v Monaku, v katerem živijo igralnice, uporablja zgodovinske statistične podatke za ustvarjanje milijonov različnih finančnih rezultatov z naključnim vstavljanjem komponent v vsako vožnjo, ki lahko vplivajo na končni rezultat, kot so donosi na računu, volatilnost ali korelacije. Ko so scenariji oblikovani, metoda izračuna možnosti za dosego določenega rezultata. Za razliko od standardnih analiz finančnega načrtovanja, ki uporabljajo dolgoročna povprečja in ocene prihodnje rasti ali prihrankov, lahko simulacija Monte Carlo, ki je na voljo v programski opremi in spletnih aplikacijah, zagotovi bolj realistično sredstvo za ravnanje s spremenljivkami in merjenje verjetnosti finančnega tveganja ali nagrade.
Metode Monte Carlo se pogosto uporabljajo za osebno finančno načrtovanje, vrednotenje portfelja, vrednotenje obveznic in obvezniških opcij ter pri financiranju podjetij ali projektov. Čeprav izračuni verjetnosti niso novi, jih je David B. Hertz prvič uvedel na področju financ leta 1964 s svojim člankom »Analiza tveganja v kapitalskih naložbah«, objavljenim v Harvard Business Review. Phelim Boyle je to metodo uporabil za vrednotenje izvedenih finančnih instrumentov leta 1977, ko je v Journal of Financial Economics objavil svoj prispevek »Možnosti: pristop Monte Carlo«. Tehnika je težja za uporabo pri ameriških opcijah, in ker so rezultati odvisni od osnovnih predpostavk, obstajajo nekateri dogodki, ki jih simulacija Monte Carlo ne more napovedati.
Simulacija ponuja več izrazitih prednosti pred drugimi oblikami finančne analize. Metoda oblikovanja podatkov poleg generiranja verjetnosti možnih končnih točk dane strategije olajša ustvarjanje grafov in grafikonov ter spodbuja boljšo komunikacijo ugotovitev vlagateljem in delničarjem. Simulacija Monte Carlo poudarja relativni vpliv vsake spremenljivke na končni rezultat. S to simulacijo lahko analitiki natančno vidijo, kako določene kombinacije vhodnih podatkov vplivajo drug na drugega in se medsebojno prepletajo. Razumevanje pozitivnih in negativnih medsebojno odvisnih razmerij med spremenljivkami omogoča natančnejšo analizo tveganja katerega koli instrumenta.
Analiza tveganja s to metodo vključuje uporabo verjetnostnih porazdelitev za opis spremenljivk. Dobro znana verjetnostna porazdelitev je normalna ali zvonasta krivulja, pri čemer uporabniki določijo pričakovano vrednost in krivulja standardnega odklona, ki določa variacijo. Cene energije in stopnje inflacije so lahko prikazane z zvončastimi krivuljami. Lognormalne porazdelitve prikazujejo pozitivne spremenljivke z neomejenim potencialom povečanja, kot so rezerve nafte ali cene delnic. Enotna, trikotna in diskretna so primeri drugih možnih porazdelitev verjetnosti. Vrednosti, ki so naključno vzorčene iz krivulj verjetnosti, se predložijo v nizih, imenovanih iteracije.