شبیه‌سازی مونت‌کارلو در ترید چیست و چگونه احتمال شکست حساب پراپ را نشان می‌دهد؟

شبیه‌سازی مونت‌کارلو در ترید چیست و چگونه احتمال شکست حساب پراپ را نشان می‌دهد؟

فرض کنید دو تریدر از یک استراتژی کاملاً مشابه استفاده می‌کنند. نرخ برد، میانگین سود، میانگین زیان، تعداد معاملات و ریسک هر معامله در هر دو حساب یکسان است.

تریدر اول کار خود را با چند معامله سودده آغاز می‌کند و بدون نزدیک‌شدن به محدودیت‌های حساب، به تارگت سود می‌رسد. تریدر دوم همان معاملات را با ترتیب متفاوتی تجربه می‌کند؛ چند زیان متوالی در ابتدای مسیر باعث می‌شود پیش از رسیدن به معاملات سودده، قانون ریسک روزانه یا ریسک کلی را نقض کند.

در پایان، مجموعه معاملات هر دو تریدر می‌توانست سودده باشد؛ اما فقط یکی از حساب‌ها به‌اندازه کافی دوام آورده است.

این مثال نشان می‌دهد که برای موفقیت در یک حساب پراپ، فقط نتیجه نهایی استراتژی مهم نیست. مسیر رسیدن به آن نتیجه نیز اهمیت دارد.

شبیه‌سازی مونت‌کارلو در ترید روشی آماری است که با تولید یا بازنمونه‌گیری تعداد زیادی توالی احتمالی از معاملات، دامنه نتایج یک استراتژی را بررسی می‌کند. این روش آینده را پیش‌بینی نمی‌کند؛ بلکه احتمال رسیدن به تارگت، تجربه دراودان و نقض محدودیت‌های حساب را تحت فرض‌های مشخص برآورد می‌کند.

شبیه‌سازی مونت‌کارلو در ترید چیست؟

شبیه‌سازی مونت‌کارلو یا Monte Carlo Simulation روشی برای تحلیل سیستم‌هایی است که نتیجه آن‌ها تحت‌تأثیر عدم قطعیت قرار دارد.

در این روش، به‌جای محاسبه یک نتیجه قطعی، تعداد زیادی سناریو با استفاده از نمونه‌گیری تصادفی ساخته می‌شود. سپس توزیع نتایج بررسی می‌شود تا مشخص شود هر خروجی با چه فراوانی رخ داده است.

مبنای اصلی مونت‌کارلو، تحلیل یک سیستم تصادفی از طریق تولید نمونه‌های متعدد از متغیرهای آن است. این روش از میانه قرن بیستم توسعه یافت و امروزه در علوم، مهندسی، مدیریت ریسک و امور مالی کاربرد گسترده‌ای دارد.

در ترید، هر سناریو می‌تواند یک مسیر متفاوت برای حساب باشد:

• مسیری که با چند معامله برنده آغاز می‌شود؛
• مسیری که ابتدا وارد دراودان می‌شود؛
• مسیری که پس از یک زنجیره زیان بازیابی می‌شود؛
• یا مسیری که پیش از رسیدن به تارگت، یکی از قوانین حساب را نقض می‌کند.

مونت‌کارلو مشخص نمی‌کند دقیقاً کدام مسیر در آینده اتفاق می‌افتد. نتیجه آن فقط می‌گوید با توجه به داده‌ها و فرض‌های واردشده، چه دامنه‌ای از نتایج ممکن است مشاهده شود.

چرا نتیجه یک بک‌تست برای ارزیابی حساب پراپ کافی نیست؟

بک‌تست، عملکرد یک استراتژی را روی یک ترتیب تاریخی مشخص از معاملات نشان می‌دهد. این اطلاعات بسیار مهم است، اما فقط یکی از مسیرهایی را نمایش می‌دهد که استراتژی می‌توانسته طی کند.

ممکن است معاملات سودده در بک‌تست در زمان مناسبی رخ داده باشند و منحنی سرمایه بسیار هموار دیده شود. با تغییر ترتیب همان معاملات، موارد زیر می‌توانند متفاوت باشند:

• بیشترین دراودان؛
• طول زنجیره زیان؛
• زمان رسیدن به تارگت؛
• احتمال نقض ریسک روزانه؛
• و احتمال از دست‌رفتن حساب.

Maximum Drawdown یک معیار وابسته به مسیر است؛ یعنی فقط مقدار سود و زیان‌ها مهم نیست و ترتیب وقوع آن‌ها نیز نتیجه را تغییر می‌دهد. پژوهش‌های مرتبط با دراودان همچنین نشان می‌دهند که وابستگی و هم‌بستگی متوالی بازده‌ها می‌تواند ریسک مسیر را افزایش دهد.

مثال ساده‌ای از تأثیر ترتیب معاملات

فرض کنید یک استراتژی در ۱۰ معامله، چهار برد ۲R و شش باخت ۱R داشته باشد:

• مجموع سود معاملات برنده: ۸R
• مجموع زیان معاملات بازنده: ۶R
• نتیجه نهایی: مثبت ۲R

اکنون دو ترتیب را مقایسه کنید:

مسیر اول:

برد، برد، باخت، برد، باخت، برد، باخت، باخت، باخت، باخت

مسیر دوم:

باخت، باخت، باخت، باخت، باخت، باخت، برد، برد، برد، برد

نتیجه نهایی هر دو مسیر مثبت ۲R است؛ اما در مسیر دوم، حساب پیش از رسیدن به معاملات سودده، ۶R افت می‌کند.

اگر ریسک هر معامله یک درصد باشد، حساب در ابتدای مسیر دوم حدود ۶ درصد زیان را تجربه می‌کند. چنین مسیری ممکن است باوجود سودده‌بودن نهایی استراتژی، ابتدا محدودیت روزانه یا کلی حساب پراپ را فعال کند.

بنابراین امید ریاضی مثبت به‌تنهایی تضمین نمی‌کند که حساب تا زمان تحقق آن امید ریاضی زنده بماند.

تفاوت بک‌تست معمولی و شبیه‌سازی مونت‌کارلو

مونت‌کارلو جایگزین بک‌تست نیست. ابتدا باید یک بک‌تست معتبر داشته باشید و سپس بررسی کنید نتیجه آن تا چه اندازه به ترتیب تاریخی معاملات وابسته بوده است.

ریسک توالی معاملات چیست؟

ریسک توالی یا Sequence Risk به این معناست که ترتیب بردها و باخت‌ها می‌تواند بر سرنوشت حساب اثر بگذارد، حتی اگر تعداد معاملات و نتیجه نهایی آن‌ها ثابت باشد.

این موضوع در حساب پراپ اهمیت بیشتری دارد؛ زیرا معامله‌گر فقط براساس سود یا زیان نهایی ارزیابی نمی‌شود. ممکن است حساب در یکی از این شرایط مردود شود:

• رسیدن به سقف ریسک روزانه؛
• رسیدن به سقف ریسک کلی؛
• عبور زیان تحقق‌نیافته از ریسک شناور؛
• نرسیدن به تارگت در زمان تعیین‌شده؛
• یا نقض یکی دیگر از قوانین پلن.

برای مثال، طبق صفحه رسمی قوانین مای‌پراپ، در پلن استاندارد ریسک روزانه ۵ درصد و بر مبنای بالانس ابتدای روز محاسبه می‌شود. ریسک کلی نیز ۱۰ درصد از بالانس اولیه است و در طول دوره ثابت باقی می‌ماند.

در این پلن، ریسک شناور نیز براساس Equity بررسی می‌شود و در زمان آخرین بررسی این مقاله، برای حساب‌های یک تا ۵۰ هزار دلاری ۲٫۵ درصد و برای حساب ۱۰۰ هزار دلاری ۲ درصد اعلام شده است. هر مرحله چالش استاندارد نیز ۶۰ روز تقویمی زمان دارد.

این قوانین نشان می‌دهند که یک شبیه‌سازی ساده مبتنی بر فهرست سود و زیان معاملات، لزوماً برای محاسبه دقیق احتمال شکست حساب کافی نیست.

شبیه‌سازی مونت‌کارلو چگونه انجام می‌شود؟

۱. جمع‌آوری تاریخچه معاملات

در ساده‌ترین حالت، برای هر معامله حداقل به نتیجه خالص آن برحسب درصد یا R نیاز داریم.

برای مدل‌سازی دقیق‌تر حساب پراپ بهتر است این اطلاعات نیز ثبت شوند:

• زمان باز و بسته‌شدن معامله؛
• بیشترین زیان شناور؛
• اسپرد، کمیسیون و سوآپ؛
• تعداد معاملات هم‌زمان؛
• نماد معاملاتی؛
• سشن بازار؛
• و وضعیت بازار هنگام ورود.

۲. تعریف روش مدیریت ریسک

مدل باید بداند اندازه هر معامله چگونه محاسبه می‌شود:

• مبلغ ثابت دلاری؛
• درصد ثابت از بالانس اولیه؛
• درصدی از بالانس جاری؛
• کاهش ریسک پس از زیان؛
• افزایش حجم پس از سود؛
• یا محدودیت ریسک کل معاملات باز.

۳. واردکردن قوانین حساب پراپ

باید مشخص شود حساب در چه شرایطی موفق یا مردود خواهد شد:

• تارگت سود چند درصد است؟
• ریسک روزانه چگونه محاسبه می‌شود؟
• ریسک کلی ثابت است یا متحرک؟
• محدودیت‌ها براساس Balance هستند یا Equity؟
• ریسک شناور وجود دارد؟
• زمان مرحله محدود است؟
• حداقل روز معاملاتی وجود دارد؟

۴. ساخت مسیرهای متعدد

در هر مسیر، معاملات با ترتیب یا نمونه متفاوتی اجرا می‌شوند. پس از هر معامله، بالانس و در صورت وجود داده کافی، Equity حساب به‌روزرسانی می‌شود.

هر مسیر ممکن است به یکی از این نتایج برسد:

1. رسیدن به تارگت؛
2. نقض یکی از قوانین؛
3. ناتمام‌ماندن تا پایان دوره.

۵. تحلیل توزیع خروجی‌ها

در پایان، به‌جای یک نتیجه، مجموعه‌ای از نتایج در اختیار داریم:

• درصد مسیرهای موفق؛
• درصد مسیرهای شکست‌خورده؛
• توزیع دراودان؛
• زنجیره‌های زیان؛
• و تعداد معاملات لازم برای رسیدن به نتیجه.

انواع روش‌های مونت‌کارلو در تحلیل استراتژی

بازچینی ترتیب معاملات

در این روش، تمام معاملات تاریخی حفظ می‌شوند، اما ترتیب آن‌ها به‌صورت تصادفی تغییر می‌کند.

اگر ۱۰۰ معامله داشته باشید، هر مسیر همچنان شامل همان ۱۰۰ معامله است. تعداد بردها، باخت‌ها و نتیجه نهایی ثابت می‌ماند؛ اما ترتیب و درنتیجه دراودان تغییر می‌کند.

این روش بیشتر برای بررسی ریسک توالی کاربرد دارد.

نمونه‌گیری مجدد با جایگذاری یا Bootstrap

در روش بوت‌استرپ، معاملات از داده‌های تاریخی با جایگذاری انتخاب می‌شوند. بنابراین ممکن است بعضی معاملات چند بار در یک مسیر ظاهر شوند و بعضی معاملات اصلاً انتخاب نشوند.

NIST بوت‌استرپ را یک روش ناپارامتریک معرفی می‌کند که در آن نمونه‌ای هم‌اندازه نمونه اصلی، با جایگذاری از داده‌ها انتخاب می‌شود و این فرایند برای برآورد توزیع یک شاخص بارها تکرار می‌شود.

تفاوت آن با بازچینی ساده این است که در بازچینی، هر معامله دقیقاً یک‌بار استفاده می‌شود؛ اما در بوت‌استرپ، فراوانی حضور معاملات می‌تواند تغییر کند.

Block Bootstrap

اگر نتایج معاملات کاملاً مستقل نباشند، بازنمونه‌گیری تک‌معامله‌ای ممکن است ساختار واقعی آن‌ها را از بین ببرد.

برای مثال، ممکن است زیان‌های یک استراتژی در دوره‌های رنج یا نوسانات شدید به‌صورت خوشه‌ای رخ دهند. در Block Bootstrap، به‌جای یک معامله، بلوک‌هایی از معاملات متوالی نمونه‌گیری می‌شوند تا بخشی از وابستگی زمانی داده‌ها حفظ شود.

شبیه‌سازی پارامتریک

در این روش، نتایج از یک مدل احتمالاتی تولید می‌شوند. برای نمونه می‌توان فرض کرد:

• نرخ برد ۴۵ درصد است؛
• هر برد به‌طور متوسط ۱٫۵R سود دارد؛
• هر باخت یک R زیان دارد.

محدودیت این روش آن است که نتیجه کاملاً به مدل انتخاب‌شده وابسته خواهد بود. اگر توزیع واقعی معاملات دارای چولگی، دنباله‌های سنگین یا خوشه‌های زیان باشد، یک مدل ساده ممکن است ریسک را کمتر از واقعیت نشان دهد. پژوهش‌ها نیز نشان داده‌اند که مدل‌های پارامتریک استاندارد همیشه ساختار واقعی دراودان‌های مالی را حفظ نمی‌کنند.

سناریوهای تنش

در یک تحلیل کامل‌تر، باید شرایط نامطلوب نیز بررسی شوند:

• کاهش نرخ برد؛
• کاهش میانگین سود؛
• افزایش اسپرد؛
• اسلیپیج بیشتر؛
• چند زیان هم‌بسته؛
• و افزایش تعداد معاملات ناموفق در یک روز.

سناریوی تنش کمک می‌کند بفهمیم آیا نتیجه فقط در حالت عادی قابل‌قبول است یا در شرایط سخت‌تر نیز حاشیه امنیت دارد.

مونت‌کارلو چگونه احتمال شکست حساب پراپ را محاسبه می‌کند؟

برای هر مسیر، بررسی می‌کنیم آیا حساب پیش از رسیدن به تارگت، یکی از محدودیت‌ها را نقض کرده است یا خیر.

فرمول ساده آن چنین است:

احتمال برآوردی شکست حساب = تعداد مسیرهای شکست‌خورده ÷ کل مسیرهای شبیه‌سازی‌شده

برای مثال، اگر از ۱۰ هزار مسیر، ۲ هزار مسیر پیش از رسیدن به تارگت مردود شوند، احتمال برآوردشده شکست در آن مدل ۲۰ درصد است.

کلمه «برآوردشده» اهمیت زیادی دارد. این عدد فقط تحت شرایط زیر معتبر است:

• داده‌های ورودی نماینده عملکرد واقعی باشند؛
• قوانین حساب به‌درستی مدل‌سازی شده باشند؛
• روش نمونه‌گیری مناسب باشد؛
• و رفتار آینده استراتژی بیش‌ازحد با گذشته متفاوت نشود.

مدل‌سازی ریسک روزانه

مبنای ریسک روزانه ممکن است بالانس ابتدای روز باشد، اما برای بررسی دقیق نقض‌های لحظه‌ای باید موارد زیر نیز مشخص شوند:

• چند معامله در هر روز انجام می‌شود؟
• چه تعداد پوزیشن هم‌زمان باز هستند؟
• کمترین Equity روز چقدر بوده است؟
• سود و زیان بسته‌شده در چه زمانی ثبت شده‌اند؟
• قانون ریسک شناور چگونه محاسبه می‌شود؟

در قوانین فعلی پلن استاندارد مای‌پراپ، سقف ریسک روزانه از بالانس ابتدای روز تعیین می‌شود و سود ایجادشده در همان روز، مبنای اولیه آن را افزایش نمی‌دهد. ریسک شناور نیز به‌صورت جداگانه براساس Equity معاملات باز بررسی می‌شود.

مدل‌سازی ریسک کلی

مدل باید مشخص کند محدودیت کلی:

• نسبت به بالانس اولیه ثابت است؛
• با بالانس یا Equity حرکت می‌کند؛
• یا از بالاترین مقدار حساب دنبال می‌شود.

در پلن استاندارد مای‌پراپ، ریسک کلی فعلی ۱۰ درصد از بالانس اولیه و ثابت است.

مدل‌سازی ریسک شناور

برای محاسبه ریسک شناور، نتیجه نهایی معاملات کافی نیست. ممکن است یک معامله در نهایت با سود بسته شود، اما پیش از آن زیان تحقق‌نیافته آن از آستانه مجاز عبور کرده باشد.

بنابراین برای مدل‌سازی واقعی این قانون به داده‌های داخل معامله، مانند Maximum Adverse Excursion یا بیشترین حرکت منفی معامله، نیاز داریم.

مثال عملی شبیه‌سازی مونت‌کارلو برای حساب پراپ

برای نمایش تأثیر ریسک هر معامله، یک شبیه‌سازی اختصاصی با ۱۰ هزار مسیر اجرا شده است.

این مثال توصیه مدیریت سرمایه، پیش‌بینی قبولی یا بیان قطعی شرایط هیچ پلنی نیست و فقط برای آموزش نحوه تفسیر خروجی مونت‌کارلو ارائه می‌شود.

فرض‌های مدل

• موجودی اولیه: ۱۰٬۰۰۰ دلار
• تارگت فرضی آموزشی: ۸ درصد
• ریسک روزانه: ۵ درصد از بالانس ابتدای روز
• ریسک کلی: ۱۰ درصد از بالانس اولیه
• تعداد معاملات هر مسیر: حداکثر ۲۰۰ معامله
• تعداد معاملات روزانه: حداکثر ۵ معامله
• نرخ برد: ۴۵ درصد
• سود هر معامله برنده: ۱٫۵R
• زیان هر معامله بازنده: ۱R
• تعداد مسیرها: ۱۰٬۰۰۰
• ریسک هر معامله: درصد ثابت از بالانس اولیه
• ریسک‌های مقایسه‌شده: ۰٫۲۵، ۰٫۵ و یک درصد

امید ریاضی هر معامله در این مدل برابر است با:

۰٫۴۵ × ۱٫۵R − ۰٫۵۵ × ۱R = مثبت ۰٫۱۲۵R

درنتیجه استراتژی فرضی از نظر امید ریاضی سودده است؛ اما این موضوع به معنی موفقیت تمام مسیرها نیست.

روش اجرای محاسبات

شبیه‌سازی با Python و NumPy انجام شده است:

• مولد تصادفی: default_rng / PCG64
• Seed: عدد ۱۴۰۵
• تمام سطوح ریسک از توالی‌های برد و باخت یکسان استفاده کرده‌اند.
• ریسک روزانه پس از هر معامله بررسی شده است.
• در صورت نقض هم‌زمان، ریسک روزانه پیش از ریسک کلی ثبت شده است.
• معاملات پس از رسیدن به تارگت یا نقض قانون متوقف شده‌اند.
• دراودان از قله تا کف بالانس بسته‌شده محاسبه شده است.
• اسپرد، کمیسیون، اسلیپیج و زیان شناور در مدل لحاظ نشده‌اند.

نتایج شبیه‌سازی

در توالی‌های کامل ۲۰۰ معامله‌ای، میانه طولانی‌ترین زنجیره زیان ۸ معامله و صدک ۹۵ آن ۱۲ معامله بود.

چرا در ریسک ۰٫۲۵ درصد مسیرهای ناتمام زیاد هستند؟

در این سطح ریسک، حساب فضای زیادی برای تحمل زیان دارد، اما سود هر معامله نیز کوچک‌تر است. به همین دلیل بخش بزرگی از مسیرها تا پایان ۲۰۰ معامله نه به تارگت رسیده‌اند و نه قانون حساب را نقض کرده‌اند.

این نتیجه نشان می‌دهد که کاهش ریسک می‌تواند احتمال شکست را پایین بیاورد، اما ممکن است زمان رسیدن به تارگت را افزایش دهد.

چرا ریسک ۰٫۵ درصد در این مدل بهتر دیده می‌شود؟

در فرض‌های همین مثال، ریسک ۰٫۵ درصد میان سرعت و احتمال شکست تعادل بیشتری ایجاد کرده است:

• بیش از ۸۲ درصد مسیرها به تارگت رسیده‌اند؛
• ۲٫۶۷ درصد ریسک کلی را نقض کرده‌اند؛
• و حدود ۱۵ درصد تا پایان افق ناتمام مانده‌اند.

این نتیجه به معنی مناسب‌بودن ریسک ۰٫۵ درصد برای همه تریدرها نیست. با تغییر نرخ برد، میانگین سود، تعداد معاملات روزانه یا قوانین حساب، خروجی می‌تواند کاملاً متفاوت باشد.

چرا در ریسک یک درصد، احتمال موفقیت کاهش یافته است؟

ریسک یک درصد حساب را سریع‌تر به نتیجه رسانده است؛ اما پنج معامله بازنده در یک روز می‌توانند سقف ریسک روزانه فرض‌شده را فعال کنند.

در این سطح:

• حدود ۷۴٫۵۷ درصد مسیرها موفق شده‌اند؛
• اما بیش از ۲۵ درصد مسیرها ریسک روزانه یا کلی را نقض کرده‌اند.

افزایش ریسک، فقط سرعت رسیدن به تارگت را بالا نمی‌برد؛ سرعت رسیدن به محدوده شکست را نیز افزایش می‌دهد.

چرا دراودان صدک ۹۵ می‌تواند از ریسک کلی بیشتر باشد؟

Maximum Drawdown از بالاترین قله قبلی حساب تا کف بعدی اندازه‌گیری می‌شود؛ اما ریسک کلی این مثال نسبت به بالانس اولیه ثابت است.

برای نمونه، اگر حساب ابتدا رشد کند و سپس بخشی از سود خود را از دست بدهد، دراودان قله تا کف ممکن است از ۱۰ درصد عبور کند، درحالی‌که حساب هنوز پایین‌تر از ۹۰ درصد بالانس اولیه نرفته باشد.

این تفاوت یکی از دلایلی است که نباید «دراودان آماری» و «قانون ریسک کلی پراپ» را یک مفهوم در نظر گرفت.

محدودیت‌های مثال عددی

این شبیه‌سازی چند ساده‌سازی مهم دارد:

• نتایج معاملات مستقل فرض شده‌اند؛
• نرخ برد در تمام دوره ثابت مانده است؛
• سود هر برد و زیان هر باخت ثابت است؛
• اسلیپیج، اسپرد و کمیسیون حذف شده‌اند؛
• معاملات هم‌زمان مدل نشده‌اند؛
• ریسک شناور در نظر گرفته نشده است؛
• رفتار احساسی تریدر وارد مدل نشده است.

بنابراین جدول بالا فقط برای نشان‌دادن رابطه میان ریسک، تارگت و محدودیت‌های حساب کاربرد دارد.

مهم‌ترین خروجی‌های مونت‌کارلو برای تریدر پراپ

احتمال رسیدن به تارگت

نشان می‌دهد چه درصدی از مسیرها پیش از نقض قوانین به هدف رسیده‌اند.

این عدد باید همراه با درصد مسیرهای شکست‌خورده و ناتمام بررسی شود.

احتمال شکست حساب

بهتر است شکست به تفکیک علت گزارش شود:

• ریسک روزانه؛
• ریسک کلی؛
• ریسک شناور؛
• محدودیت زمان؛
• یا سایر قوانین.

توزیع Maximum Drawdown

یک بک‌تست ممکن است دراودان ۴ درصدی نشان دهد؛ اما مونت‌کارلو می‌تواند مشخص کند در مسیرهای بدبینانه، دراودان بیشتری نیز محتمل است.

دراودان صدک ۹۵

دراودان صدک ۹۵ عددی است که ۹۵ درصد مسیرها دراودانی کمتر یا مساوی آن داشته‌اند و ۵ درصد مسیرها از آن عبور کرده‌اند.

این معیار برای بررسی سناریوهای سخت‌تر معمولاً کاربردی‌تر از میانگین دراودان است.

طول زنجیره زیان

این خروجی کمک می‌کند بررسی کنید آیا:

• حساب ظرفیت تحمل این تعداد زیان را دارد؛
• حجم معاملات بیش‌ازحد بزرگ نیست؛
• و معامله‌گر از نظر روانی توان ادامه اجرای سیستم را دارد.

تعداد معاملات تا نتیجه

برای پلن‌های دارای محدودیت زمانی، فقط سودده‌بودن کافی نیست. استراتژی باید در افق زمانی موجود، فرصت کافی برای رسیدن به تارگت داشته باشد.

ریسک هر معامله چگونه احتمال شکست را تغییر می‌دهد؟

افزایش ریسک هر معامله دو اثر هم‌زمان دارد:

1. حساب با معاملات برنده سریع‌تر به تارگت نزدیک می‌شود.
2. حساب با معاملات بازنده سریع‌تر به محدودیت‌ها می‌رسد.

به همین دلیل انتخاب ریسک نباید فقط با این سؤال انجام شود:

با چند معامله برنده به تارگت می‌رسم؟

سؤال‌های مهم‌تر عبارت‌اند از:

• چند زیان متوالی حساب را به محدوده خطر می‌رساند؟
• احتمال رخ‌دادن چنین زنجیره‌ای چقدر است؟
• مجموع ریسک معاملات هم‌زمان چند درصد است؟
• دراودان صدک ۹۵ چه فاصله‌ای با محدودیت حساب دارد؟
• آیا پس از افزودن هزینه و اسلیپیج هنوز حاشیه امنیت باقی می‌ماند؟

ریسک مناسب، لزوماً سریع‌ترین مسیر را ایجاد نمی‌کند؛ بلکه باید امکان عبور از مسیرهای نامطلوب اما محتمل را نیز فراهم کند.

تفاوت Risk of Ruin با احتمال شکست حساب پراپ

Risk of Ruin معمولاً احتمال رسیدن سرمایه به یک آستانه بحرانی را نشان می‌دهد؛ آستانه‌ای که پس از آن ادامه فعالیت از نظر مالی یا عملی دشوار یا ناممکن می‌شود.

اما شکست حساب پراپ لزوماً به معنی نابودی سرمایه نیست.

برای مثال، حسابی که قانون ریسک روزانه ۵ درصدی را نقض می‌کند، ممکن است همچنان بخش بزرگی از بالانس اسمی خود را داشته باشد؛ اما از نظر قرارداد پراپ مردود شده است.

بنابراین رویداد شکست باید دقیق تعریف شود:

• نقض ریسک روزانه؛
• نقض ریسک کلی؛
• نقض ریسک شناور؛
• تمام‌شدن زمان مرحله؛
• یا برخورد با هر قانون قراردادی دیگر.

احتمال شکست حساب پراپ، احتمال وقوع یکی از این رویدادها پیش از رسیدن به تارگت است.

چه داده‌هایی برای شبیه‌سازی قابل‌اعتماد لازم است؟

یک مدل کاربردی بهتر است فقط بر نرخ برد و نسبت ریسک به بازده متکی نباشد.

داده‌های مفید عبارت‌اند از:

• سود و زیان هر معامله برحسب R یا درصد؛
• زمان ورود و خروج؛
• هزینه معاملات؛
• بیشترین زیان شناور؛
• تعداد معاملات روزانه؛
• معاملات هم‌زمان؛
• تغییرات حجم؛
• نماد و سشن معاملاتی؛
• و شرایط مختلف بازار.

عدد جادویی و ثابتی برای حداقل تعداد معاملات وجود ندارد. هرچه نمونه بزرگ‌تر و شامل شرایط متنوع‌تری از بازار باشد، برآورد معمولاً پایدارتر خواهد بود.

نمونه کوچک ممکن است بعضی رخدادهای مهم، مانند زنجیره‌های طولانی زیان یا اسلیپیج شدید را اصلاً در خود نداشته باشد.

محدودیت‌های شبیه‌سازی مونت‌کارلو

کیفیت خروجی به داده‌های ورودی وابسته است

اگر بک‌تست بیش‌برازش‌شده، ناقص یا فاقد هزینه واقعی باشد، مونت‌کارلو فقط تعداد بیشتری مسیر از همان داده نامعتبر تولید می‌کند.

عملکرد گذشته تضمین‌کننده آینده نیست

ساختار بازار، نوسان، نقدشوندگی و کارایی یک استراتژی ممکن است تغییر کند.

معاملات ممکن است مستقل نباشند

اگر زیان‌ها در بعضی شرایط بازار به‌صورت خوشه‌ای رخ دهند، بازنمونه‌گیری تصادفی تک‌معامله‌ها می‌تواند ریسک را کمتر از واقعیت نشان دهد.

مدل ساده رخدادهای دیده‌نشده را تولید نمی‌کند

اگر در داده تاریخی هیچ گپ یا اسلیپیج شدیدی وجود نداشته باشد، بوت‌استرپ ساده نیز نمی‌تواند چنین رخدادی را بسازد. برای این موارد به سناریوی تنش جداگانه نیاز است.

تعداد زیاد مسیرها خطای مدل را برطرف نمی‌کند

اجرای یک میلیون مسیر از یک مدل اشتباه، آن مدل را معتبر نمی‌کند. افزایش تعداد مسیرها فقط نوسان تصادفی محاسبه را کاهش می‌دهد، نه خطای فرض‌ها را.

اشتباهات رایج هنگام استفاده از مونت‌کارلو

• استفاده از تعداد بسیار کم معاملات؛
• واردکردن فقط نرخ برد؛
• ثابت‌فرض‌کردن اندازه تمام سودها و زیان‌ها؛
• نادیده‌گرفتن معاملات هم‌زمان؛
• حذف کمیسیون، اسپرد و اسلیپیج؛
• مدل‌نکردن ریسک روزانه؛
• نادیده‌گرفتن زیان شناور؛
• استفاده از قوانین قدیمی پلن؛
• تمرکز فقط بر میانگین؛
• و تفسیر احتمال به‌عنوان پیش‌بینی قطعی.

چگونه از مونت‌کارلو برای انتخاب ریسک استفاده کنیم؟

برای تصمیم‌گیری بهتر، شبیه‌سازی را با چند سطح ریسک اجرا کنید.

در هر سطح، این موارد را کنار یکدیگر قرار دهید:

• احتمال رسیدن به تارگت؛
• احتمال شکست روزانه؛
• احتمال شکست کلی؛
• درصد مسیرهای ناتمام؛
• دراودان صدک ۹۵؛
• زنجیره زیان؛
• و تعداد معاملات تا نتیجه.

سپس یک سناریوی بدبینانه نیز اجرا کنید:

• نرخ برد کاهش پیدا کند؛
• میانگین سود کمتر شود؛
• هزینه معاملات افزایش یابد؛
• یا زیان‌ها به‌صورت خوشه‌ای رخ دهند.

ریسکی که فقط در شرایط خوش‌بینانه قابل‌قبول باشد، احتمالاً برای حساب پراپ حاشیه امنیت کافی ندارد.

چک‌لیست مونت‌کارلو پیش از شروع چالش پراپ

پیش از اعتماد به خروجی شبیه‌سازی، بررسی کنید:

• داده معاملات واقعی و پاک‌سازی شده باشد؛
• نتیجه معاملات برحسب R یا درصد ثبت شده باشد؛
• هزینه واقعی معامله وارد شده باشد؛
• قوانین دقیق و فعلی پلن استفاده شده باشند؛
• ریسک روزانه و کلی جداگانه مدل شوند؛
• معاملات باز و ریسک شناور فراموش نشوند؛
• معاملات هم‌زمان در نظر گرفته شوند؛
• چند سطح ریسک مقایسه شود؛
• صدک‌های بدبینانه بررسی شوند؛
• سناریوی کاهش عملکرد اجرا شود؛
• و نتایج به‌عنوان برآورد مشروط تفسیر شوند.

آیا شبیه‌سازی مونت‌کارلو برای همه تریدرها ضروری است؟

برای تریدری که هنوز استراتژی مشخص، ژورنال منظم یا نمونه کافی از معاملات ندارد، اولویت نخست جمع‌آوری داده و ایجاد یک فرایند معاملاتی قابل‌اندازه‌گیری است.

مونت‌کارلو نمی‌تواند نبود استراتژی یا ضعف در اجرای آن را جبران کند.

اما برای تریدری که:

• قوانین ورود و خروج مشخص دارد؛
• نتایج معاملات خود را ثبت کرده است؛
• قصد انتخاب ریسک مناسب برای حساب پراپ دارد؛
• یا می‌خواهد استراتژی را در برابر توالی‌های مختلف آزمایش کند؛

این شبیه‌سازی می‌تواند ابزار ارزشمندی برای ارزیابی ریسک باشد.

جمع‌بندی

بک‌تست معمولی فقط یک مسیر از عملکرد استراتژی را نمایش می‌دهد. شبیه‌سازی مونت‌کارلو با ساخت تعداد زیادی مسیر احتمالی نشان می‌دهد نتیجه استراتژی تا چه اندازه به ترتیب معاملات، اندازه ریسک و محدودیت‌های حساب وابسته است.

یک استراتژی با امید ریاضی مثبت همچنان ممکن است در حساب پراپ شکست بخورد؛ زیرا زنجیره زیان می‌تواند پیش از تحقق سودهای مورد انتظار رخ دهد.

مونت‌کارلو آینده را پیش‌بینی نمی‌کند و نتیجه آن تضمین قبولی نیست. ارزش اصلی این ابزار در آن است که پیش از شروع، سناریوهای مختلف را مقابل معامله‌گر قرار می‌دهد و ضعف‌های پنهان مدیریت ریسک را آشکار می‌کند.

پیش از انتخاب حساب، قوانین ریسک روزانه، ریسک کلی، ریسک شناور، تارگت و محدودیت زمانی همان پلن را در صفحه رسمی مای‌پراپ بررسی کنید و شبیه‌سازی خود را براساس نسخه جاری قوانین انجام دهید.

پرسش‌های متداول

شبیه‌سازی مونت‌کارلو در ترید چیست؟

روشی آماری است که با تولید یا بازنمونه‌گیری مسیرهای متعدد معاملاتی، دامنه سود، زیان، دراودان و احتمال برخورد با محدودیت‌های حساب را برآورد می‌کند.

آیا مونت‌کارلو آینده بازار را پیش‌بینی می‌کند؟

خیر. این روش فقط براساس داده‌ها و فرض‌های ورودی، سناریوهای احتمالی را شبیه‌سازی می‌کند و پیش‌بینی قطعی ارائه نمی‌دهد.

مونت‌کارلو چه تفاوتی با بک‌تست دارد؟

بک‌تست معمولاً یک ترتیب تاریخی از معاملات را نمایش می‌دهد؛ اما مونت‌کارلو با تغییر ترتیب یا بازنمونه‌گیری داده‌ها، مسیرهای متعددی می‌سازد.

احتمال شکست حساب پراپ چگونه محاسبه می‌شود؟

تعداد مسیرهایی که پیش از رسیدن به تارگت یکی از قوانین حساب را نقض کرده‌اند، بر کل مسیرهای شبیه‌سازی‌شده تقسیم می‌شود.

برای اجرای مونت‌کارلو به چند معامله نیاز داریم؟

عدد ثابتی وجود ندارد. هرچه تعداد معاملات و تنوع شرایط بازار بیشتر باشد، برآورد معمولاً پایدارتر خواهد بود.

آیا استراتژی سودده می‌تواند در حساب پراپ شکست بخورد؟

بله. یک استراتژی با امید ریاضی مثبت ممکن است به‌دلیل زنجیره زیان، اندازه ریسک بالا یا محدودیت‌های روزانه و کلی حساب مردود شود.

مهم‌ترین خروجی مونت‌کارلو برای تریدر پراپ چیست؟

احتمال شکست، احتمال رسیدن به تارگت، دراودان صدک ۹۵، طول زنجیره زیان و درصد مسیرهای ناتمام از مهم‌ترین خروجی‌ها هستند.

آیا می‌توان ریسک روزانه را شبیه‌سازی کرد؟

بله؛ اما برای این کار باید زمان معاملات، تعداد معاملات روزانه، بالانس ابتدای روز، معاملات هم‌زمان و قوانین مربوط به Equity وارد مدل شوند.

آیا مونت‌کارلو ریسک مناسب هر معامله را تعیین می‌کند؟

این روش چند سطح ریسک را مقایسه می‌کند، اما یک درصد ثابت و مناسب برای همه معامله‌گران ارائه نمی‌دهد. نتیجه به استراتژی، داده و قوانین حساب وابسته است.