Eine Monte Carlo Simulation untersucht die Auswirkungen unsicherer Eingangsgrößen durch viele wiederholte Modellberechnungen mit zufällig gezogenen Werten. Statt nur eines Ergebnisses entsteht eine Verteilung möglicher Resultate.
Funktionsweise und Einsatz
Zunächst werden relevante Einflussgrößen und geeignete Wahrscheinlichkeitsverteilungen definiert. Anschließend werden zahlreiche Kombinationen berechnet. Die resultierende Bandbreite kann helfen, Risiken und Sensitivitäten von Geschäftsentscheidungen besser zu verstehen.
Abgrenzung und Grenzen
Das Verfahren macht unsichere Annahmen nicht automatisch korrekt. Schlechte Eingangsdaten, unplausible Verteilungen oder ignorierte Abhängigkeiten können zu irreführenden Ergebnissen führen. Die Zahl der Simulationsläufe allein ist kein Qualitätsnachweis.
Beispiel aus der Unternehmenspraxis
Bei einem Investitionsprojekt können schwankende Nachfrage, Energiepreise und Projektkosten simuliert werden, um die Bandbreite möglicher Kapitalwerte darzustellen.
Hinweise zur Anwendung
Die verwendeten Annahmen sollten begründet und dokumentiert werden. Ergebnisse wie Quantile oder Überschreitungswahrscheinlichkeiten sind stets im Kontext des Modells zu interpretieren.
Unsicherheit als Verteilung statt als Einzelwert
Bei wirtschaftlichen Entscheidungen sind wichtige Eingangsgrößen häufig nicht sicher bekannt. Nachfrage, Rohstoffpreise oder Projektlaufzeiten können innerhalb bestimmter Bereiche schwanken. Die Monte-Carlo-Methode beschreibt diese Unsicherheit über geeignete Wahrscheinlichkeitsverteilungen und zieht wiederholt Werte für eine Modellberechnung. Auf diese Weise entsteht nicht nur ein erwarteter Ergebniswert, sondern eine Verteilung unterschiedlicher möglicher Resultate. Sie kann zum Beispiel zeigen, wie empfindlich die Rentabilität einer Investition auf Veränderungen mehrerer Einflussfaktoren reagiert. Das Verfahren ersetzt dabei weder die sachgerechte Modellauswahl noch die Prüfung der Eingangsdaten.
Verteilungen, Korrelationen und Stichproben
Die Modellierung beginnt mit der Frage, welche Einflussgrößen tatsächlich unsicher und entscheidungsrelevant sind. Für jede Größe wird eine begründete Verteilung oder ein anderer stochastischer Ansatz gewählt. Wichtig sind auch Zusammenhänge zwischen Variablen: Hohe Nachfrage kann beispielsweise mit höheren Beschaffungskosten zusammenfallen. Werden solche Abhängigkeiten ignoriert, entstehen unter Umständen unrealistische Kombinationen. Viele Simulationsläufe verbessern die numerische Stabilität, korrigieren aber keine ungeeigneten Annahmen. Die Wahl von Verteilungen, Parameterwerten und Abhängigkeiten sollte deshalb fachlich überprüfbar dokumentiert werden.
Welche Ergebnisse für Entscheider hilfreich sind
Ein Managementbericht sollte nicht nur den durchschnittlichen Kapitalwert oder die mittlere Projektlaufzeit nennen. Relevant kann auch sein, wie häufig ein kritischer Schwellenwert überschritten wird oder wie groß die Spannweite unter ungünstigen Bedingungen ausfällt. Quantile und Sensitivitätsanalysen können die Darstellung ergänzen. Dabei dürfen modellierte Wahrscheinlichkeiten nicht als objektive Häufigkeiten zukünftiger Ereignisse missverstanden werden. Sie gelten nur unter den getroffenen Annahmen. Gerade bei seltenen Extremereignissen kann die Datenbasis unzureichend sein, um ihre tatsächliche Eintrittswahrscheinlichkeit zuverlässig zu schätzen.
Kombination mit anderen Modellen
Monte-Carlo-Verfahren können einfache Finanzrechnungen, Projektplanungsmodelle oder komplexere Simulationen ergänzen. Auch eine ereignisdiskrete Simulation kann mit zufälligen Ankunfts- und Bearbeitungszeiten arbeiten. Die Monte-Carlo-Methode beschreibt in diesem Zusammenhang den wiederholten Umgang mit Unsicherheit, nicht automatisch die gesamte Prozesslogik. Für eine belastbare Unternehmensentscheidung sollte das Vorgehen transparent sein und alternative Annahmen berücksichtigen. Eine Sensitivitätsanalyse kann beispielsweise zeigen, ob das Ergebnis stärker von Nachfrage, Kosten oder Lieferzeiten abhängt und welche Daten genauer erhoben werden sollten.
Häufige Fragen
Wie viele Simulationsläufe sind notwendig?
Es gibt keine pauschal richtige Zahl. Sie hängt vom Modell und von der gewünschten Genauigkeit der Ergebnisgrößen ab. Die Stabilität relevanter Kennzahlen sollte geprüft werden.
Sind Monte-Carlo-Ergebnisse sichere Prognosen?
Nein. Es handelt sich um modellbedingte Verteilungen möglicher Ergebnisse. Die Aussagekraft hängt von plausiblen Annahmen und geeigneten Daten ab.
Praktische Prüffragen
- Wählen Sie Wahrscheinlichkeitsverteilungen anhand verfügbarer Daten oder begründeter Annahmen aus und dokumentieren Sie deren Gültigkeitsbereich.
- Modellieren Sie relevante Abhängigkeiten zwischen Nachfrage, Preisen und Kosten, statt sämtliche Eingangsgrößen unabhängig voneinander zu behandeln.
- Berichten Sie geeignete Quantile und Schwellenwertüberschreitungen, wenn gerade ungünstige Ergebnisse für die Entscheidung wichtiger als der Mittelwert sind.
- Prüfen Sie die Stabilität der Resultate über mehrere Stichprobenumfänge; eine hohe Laufzahl allein macht schlechte Annahmen nicht richtig.
- Ergänzen Sie die Ergebnisverteilung durch Sensitivitätsanalysen und zeigen Sie, welche unsicheren Eingaben die Entscheidung besonders stark beeinflussen.
Wahrscheinlichkeitsverteilungen begründen
Eine Monte-Carlo-Simulation benötigt Annahmen darüber, wie unsichere Eingangsgrößen schwanken können. Bei einem Investitionsprojekt könnten Absatzmengen, Projektkosten und Energiepreise einfließen. Ihre Verteilungen sollten nach Möglichkeit aus relevanten Beobachtungen abgeleitet und durch Fachwissen überprüft werden. Auch Abhängigkeiten sind wichtig: Hohe Nachfrage kann gleichzeitig Beschaffungsengpässe und steigende Preise verursachen. Werden korrelierte Größen unabhängig gezogen, entstehen unter Umständen unrealistische Ergebnisverteilungen. Zahlreiche Simulationsdurchläufe machen solche fehlerhaften Annahmen nicht richtig. Deshalb müssen die Modellauswahl, die Parameter und ihre Unsicherheit dokumentiert bleiben, damit Verantwortliche die Resultate sachgerecht beurteilen können.
Ergebnisse unternehmerisch interpretieren
Für eine Geschäftsentscheidung ist häufig nicht nur der durchschnittliche Gewinn oder Kapitalwert relevant. Das Management könnte wissen wollen, wie oft im Modell ein Liquiditätsbedarf oberhalb einer kritischen Grenze entsteht. Die Ergebnisverteilung kann diese Schwellenwertüberschreitung unter den getroffenen Annahmen zeigen. Ein solches Resultat ist jedoch nicht automatisch eine empirisch sichere Eintrittswahrscheinlichkeit. Deshalb sollten verschiedene Verteilungen und Abhängigkeitsannahmen getestet werden. Ergänzend hilft eine Sensitivitätsanalyse, die Einflussgrößen mit besonders starkem Effekt zu erkennen. Monte Carlo Simulation kann andere Modelle ergänzen, etwa bei Projektlaufzeiten oder ereignisdiskreten Prozessen, sie ersetzt deren fachliche Struktur aber nicht.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Forecasting, Predictive Analytics, Unternehmenssimulation.
Fachliche Quellen
IBM – Einführung in Monte-Carlo-Simulationen. Anwendungsbeispiele sind ausdrücklich als exemplarische Szenarien zu verstehen.