我們無法預測未來，但我們可以為其做好準備：蒙地卡羅與那些試圖量化未知的模型
1946 年，一位名叫斯塔尼斯拉夫·烏拉姆（Stanislaw Ulam）的數學家正在從一場差點要了他命的腦炎中康復。在漫長且百無聊賴的休養期間，他花了很多時間玩「單人紙牌」（Solitaire）。
作為一個數學家，他忍不住思考一個問題：「這盤牌局能夠獲勝的機率到底是多少？」
他試圖用純粹的數學公式來計算，但他很快發現，這太複雜了。變數太多，組合太多，傳統的組合數學在這裡就像是用放大鏡看星空一樣無力。於是，他想到了一個極其簡單、甚至可以說是暴力的解決方案：與其在那邊計算機率，不如我直接玩 100 局，然後數數看我贏了幾局？ 如果我贏了 30 局，那機率大約就是 30%。
這個聽起來像是常識的想法，就是後來被稱為「蒙地卡羅模擬」（Monte Carlo Simulation）的核心。
烏拉姆把這個想法告訴了他的好朋友，也是史上最聰明的大腦之一——約翰·馮·諾伊曼（John von Neumann）。當時他們正在美國洛斯阿拉莫斯國家實驗室（Los Alamos）參與研發核武器。馮·諾伊曼立刻意識到，這個方法可以配合當時剛發明出來的早期電腦（ENIAC），用來計算核連鎖反應中那些無法用傳統公式解開的中子碰撞機率。
至於為什麼叫「蒙地卡羅」？Metropolis 以烏拉姆那位愛去摩納哥蒙地卡羅賭場的叔叔為靈感，替這種大量依靠隨機抽樣的計算方式取了個代號：「Monte Carlo」。
蒙地卡羅模擬的本質，其實就是一種「對無知的謙卑妥協」。
我們承認世界太複雜，無法用一條完美的公式預測未來。所以，我們把已知的規則丟進電腦裡，讓它像擲骰子一樣跑個一萬次、十萬次，看看未來「可能」長什麼樣子。
但電腦擲骰子，也需要一個「擲骰子的規則」。這就是所謂的隨機模型（Stochastic Models）。這些模型描述了事物在未知中變化的節奏。以下是幾種最常見的模型，以及它們試圖捕捉的人性與自然規律。
1. 幾何布朗運動 (Geometric Brownian Motion, GBM)
這是金融界最常使用的模型，也是蒙地卡羅模擬中最經典的引擎。要理解它，我們得先回到 1827 年。
當時，蘇格蘭植物學家羅伯特·布朗（Robert Brown）在顯微鏡下觀察懸浮在水中的花粉微粒。他發現這些微粒在做一種完全無規則、永不休止的隨機跳動。他不知道為什麼，只能將其記錄下來，後來這被稱為「布朗運動」。直到 1905 年，愛因斯坦才用數學證明，這些花粉是被看不見的水分子隨機撞擊造成的。
到了 1960 年代，經濟學家保羅·薩繆爾森（Paul Samuelson）等人發現，股票價格的波動，就像水中的花粉一樣。 每天的買單和賣單，就像水分子一樣隨機撞擊著股價。
GBM 模型的特色是結合了兩種力量：
- 漂移率 (Drift)： 就像一個喝醉酒的人，雖然走路東倒西歪（隨機），但他心裡一直想朝著酒吧走去（趨勢）。在股市中，這代表長期的預期報酬率。
- 波動率 (Volatility)： 代表這個醉漢步伐的顛簸程度。*「幾何」*兩個字很重要，它意味著價格的變化是「百分比」而非「絕對金額」。這確保了股票價格永遠不會跌破零。
GBM常用於選擇權定價（如經典的 Black-Scholes 模型基礎）、長期的股票資產配置預測，它假設世界的變化是「平滑且連續」的，並且假設波動率永遠不變。但我們都知道，現實中的市場一點都不平滑。它沒有考慮到極端事件——也就是所謂的「黑天鵝」或「肥尾效應」。
2. 均值回歸模型 (Mean-Reverting Models)
如果 GBM 是一顆沒有盡頭的氣球，那均值回歸模型就是一條橡皮筋。
在 1970 年代末期，金融學家 Vasicek (1977) 和 Cox, Ingersoll, Ross (CIR, 1985) 發現，並不是所有東西都像股票一樣會無限上漲。例如「利率」或「大宗商品（如石油、小麥）」。如果油價太高，人們會減少開車，油企會瘋狂開採，最終油價會跌回來；如果利率太高，經濟會衰退，央行就會降息。
這種模型（如 Ornstein-Uhlenbeck 過程）假設事物有一股向「歷史平均值」拉扯的引力。偏離平均值越遠，拉回來的力量就越大。此模型常用於利率衍生性商品、原物料價格預測。
不過，在快速變化的時代（例如能源轉型期），過去 20 年的平均值，可能在未來 10 年毫無參考價值。它低估了結構性改變的威力。
3. 跳躍擴散模型 (Jump Diffusion Models)
1976 年，經濟學家羅伯特·默頓（Robert Merton）對 GBM 模型提出了一個深刻的質疑：真實的市場不僅僅是花粉微粒的溫和碰撞，市場有時會遭遇「心肌梗塞」。
GBM 認為股價跌 20% 需要經過幾天、幾週的連續下跌。但現實中，一個突發的新聞（例如 911 事件、2008 年雷曼兄弟破產、2020 年新冠疫情爆發），可以讓市場在開盤的一秒鐘內瞬間出現巨大的「斷層」。
默頓在原有的 GBM 模型上，加上了一個「泊松過程（Poisson process）」。這意味著資產價格除了日常的隨機漫步外，偶爾會毫無預警地發生巨大的「跳躍」（暴跌或暴漲）。跳躍擴散模型 (Jump Diffusion Models)常用於評估尾部風險（Tail Risk）、設計對沖極端市場崩盤的保險策略。
模型變得更加複雜，你需要估計「跳躍發生的頻率」和「跳躍的幅度」。但災難之所以是災難，正是因為它們難以預測頻率與幅度。
4. 隨機波動率模型 (Stochastic Volatility Models)
人們在市場打滾久了後發現一個殘酷的真相：恐慌本身，是會傳染的。
1987 年的「黑色星期一」，美股單日暴跌超過 20%。這讓金融界意識到，傳統模型假設「波動率（風險）是固定的」簡直錯得離譜。1993 年，學者 Steven Heston 提出了著名的 Heston 模型。
在這個模型中，不僅「價格」是隨機漫步的，連「波動率（風險）」本身也是隨機漫步的。當市場大跌時，波動率會急遽上升，形成惡性循環。它承認了人性的脆弱——當事情變糟時，人們的行為會變得更加不可預測。
因此，隨機波動率模型 (Stochastic Volatility Models)常用於複雜衍生性金融商品的定價、高頻交易與動態對沖。
不過，此模型計算量極大。你等於是在一個蒙地卡羅模擬裡面，再跑另一個蒙地卡羅模擬。
現實與模型的距離
在試圖用這些精緻的模型來掌控未來時，我們必須牢記一句話：「地圖不等於疆域。」（The map is not the territory.）
我們通常會怎麼用這些模型？在實務上，財務顧問會把你目前的資產、每個月的存款，放進一個以 GBM 為基礎的蒙地卡羅模擬中，跑個一萬次。然後告訴你：「在 85% 的平行宇宙裡，你的錢足夠你安度晚年。」
這聽起來很令人安心。但蒙地卡羅模擬最大的危險在於，它會給人一種「虛假的精確感」。
它能完美計算出數字的機率，但它無法模擬出你在經歷市場崩盤跌掉 40% 時，那種胃部翻攪、夜不能寐，最終在谷底恐慌拋售的「人性」。模型假設你會像機器一樣堅守紀律，但現實中，改變我們財務命運的，往往是那些在極度壓力下做出的非理性決定。
蒙地卡羅模擬的美妙之處，不在於它能告訴我們「未來會發生什麼」，而在於它強迫我們承認「未來有一萬種可能」。
我們做模擬，不是為了獲得一個確定的數字，而是為了培養一種財務上的韌性（Resilience）——確保即使我們不幸落入了那 5% 最糟糕的平行宇宙中，我們依然有足夠的安全邊際（Margin of Safety）可以存活下來。
畢竟，就像烏拉姆的單人紙牌一樣，我們永遠不知道下一張翻開的會是什麼牌，我們能做的，就是確保自己還有籌碼留在桌上。