穩健性教育
Monte Carlo 分析能與不能證明的事情。
Monte Carlo 按指定假設或已觀察結果建立替代路徑。它可揭示次序與參數敏感度，但不能修復有偏輸入，也不能把一段歷史樣本變成獨立市場資料。
開始前先確認
學習目標
- 能夠解釋：先定義甚麼是隨機
- 能夠解釋：具體例子
- 能夠解釋：有用範圍與限制
先定義甚麼是隨機
重新排列已觀察結果，是詢問次序如何影響 drawdown；抽樣參數則是另一問題。報告應說明甚麼是隨機、甚麼固定。
具體例子
把 100 個歷史結果隨機排序 10,000 次，可估計次序如何改變路徑；但仍假設這些結果具有代表性，也可能丟失 serial dependence。
有用範圍與限制
模擬可顯示集中度、尾部及脆弱假設。
- Drawdown 路徑分布
- 對少數大型觀察值的依賴
- 對成本或漏失事件的敏感度
- 不能證明模擬分布正確
常見錯誤
- 只看結果，忽略文章列明的適用範圍與假設。
- 看完結果後才修改規則，卻仍把原資料稱為未見證據。
Trader Checklist
- Drawdown 路徑分布
- 對少數大型觀察值的依賴
- 對成本或漏失事件的敏感度
- 不能證明模擬分布正確
實作練習
選擇一個自己的交易例子，按「Monte Carlo 分析能與不能證明的事情。」列明的原則寫下一頁規則、證據與停止條件。
甚麼證據會推翻結論
若關鍵假設在支援範圍內無法重現、控制在實際執行中不可行，或新的樣本外證據與結論持續相反，便應推翻或收窄本文結論。