Monte Carlo सिमुलेशन क्या है?

Monte Carlo सिमुलेशन एक कम्प्यूटेशनल तकनीक है जो विभिन्न परिणामों की संभावना का अनुमान लगाने के लिए यादृच्छिक सैंपलिंग का उपयोग करती है। मोनाको के प्रसिद्ध कैसीनो के नाम पर रखा गया यह तरीका सांख्यिकीय मॉडलों पर आधारित हजारों अनुकरणीय परिदृश्य चलाकर और किसी विशेष परिणाम देने वाले परिदृश्यों की गिनती करके काम करता है।

ट्रेडिंग में, Monte Carlo सिमुलेशन इस तरह के सवालों के जवाब देता है:

  • 3 दिनों में BTC के $80,000 से ऊपर रहने की क्या संभावना है?
  • ऐतिहासिक volatility को देखते हुए, 1 सप्ताह में 10% की गिरावट की क्या संभावना है?
  • परिणामों के संभावना वितरण को देखते हुए इष्टतम position size क्या होगा?

ये वही सवाल हैं जो quantitative हेज फंड्स हर दिन पूछते हैं — और अब, सही टूल्स के साथ, रिटेल ट्रेडर्स भी ये सवाल पूछ सकते हैं।

यह कैसे काम करता है: Geometric Brownian Motion

स्टॉक/क्रिप्टो कीमतों के अनुकरण के लिए मानक मॉडल Geometric Brownian Motion (GBM) है:

S(T) = S(0) × exp((μ - 0.5σ²)T + σ√T × Z)

जहाँ:

  • S(0) = वर्तमान मूल्य
  • μ = ऐतिहासिक डेटा से अनुमानित वार्षिक drift (अपेक्षित रिटर्न)
  • σ = ऐतिहासिक डेटा से अनुमानित वार्षिक volatility
  • T = समय सीमा (वर्षों में)
  • Z = मानक सामान्य वितरण से लिया गया यादृच्छिक संख्या

हजारों यादृच्छिक Z मान उत्पन्न करके, आप भविष्य की हजारों संभावित मूल्य पथ बनाते हैं। जितने प्रतिशत पथों में मूल्य आपके लक्ष्य से ऊपर समाप्त होता है = उस लक्ष्य तक पहुँचने की संभावना।

एक ठोस उदाहरण

मान लीजिए BTC $70,000 पर है। ऐतिहासिक 30-दिन की volatility 65% वार्षिक है। आप जानना चाहते हैं: BTC के 3 दिनों में $73,500 (5% ऊपर) तक पहुँचने की क्या संभावना है?

1,500 अनुकरणीय पथ चलाएं। यदि उनमें से 980 $73,500 से ऊपर समाप्त होते हैं, तो अनुमानित संभावना 980/1500 = 65.3% है।

मानक MC पर्याप्त क्यों नहीं है

बुनियादी Monte Carlo में व्यवहार में कई ज्ञात समस्याएं हैं:

समस्या 1: शोर (Noise)

1,000 सिमुलेशन के साथ, अनुमानित संभावना एक बार 65% और अगली बार 58% हो सकती है, यहाँ तक कि न्यूनतम मूल्य परिवर्तन के साथ भी। यह सीमित सिमुलेशन से उत्पन्न sampling noise है।

समाधान: Variance Reduction तकनीकें

  • Antithetic Variates — प्रत्येक यादृच्छिक Z के लिए, -Z का भी अनुकरण करें। ये युग्मित पथ नकारात्मक रूप से सहसंबद्ध होते हैं, जो शून्य bias के साथ variance को ~50% तक कम करते हैं।
  • Control Variates — बंद-रूप Black-Scholes संभावना को "नियंत्रण चर" के रूप में उपयोग करें। ज्ञात विश्लेषणात्मक समाधान का उपयोग करके MC अनुमान को समायोजित करें, log-normal वितरण के निकट होने पर variance को 50-90% तक कम करता है।
  • Stratified Sampling — संपूर्ण वितरण में यादृच्छिक सैंपलिंग के बजाय, इसे strata में विभाजित करें और प्रत्येक से समान रूप से नमूना लें। संपूर्ण संभावना स्थान का कवरेज सुनिश्चित करता है।

समस्या 2: दुर्लभ घटनाएं

यदि गिरावट की वास्तविक संभावना 3% है, तो स्थिर अनुमान के लिए पर्याप्त गिरावट नमूने प्राप्त करने हेतु आपको 10,000+ सिमुलेशन की आवश्यकता होगी। 1,000 सिमुलेशन के साथ, आपको केवल 20-40 गिरावट नमूने मिल सकते हैं — विश्वसनीय अनुमान के लिए बहुत कम।

समाधान: Importance Sampling

वास्तविक वितरण से नमूना लेने के बजाय, सैंपलिंग वितरण को दुर्लभ घटना (गिरावट) क्षेत्र की ओर स्थानांतरित करें। फिर सैंपलिंग bias को सही करने के लिए प्रत्येक नमूने को likelihood ratio द्वारा पुनः भारांकित करें। परिणाम: समान संख्या के सिमुलेशन से 10-100 गुना अधिक गिरावट नमूने।

समस्या 3: Bar-to-Bar Jitter

MC हर बार नए सिरे से पुनर्गणना करता है, जिससे संभावना अनुमान उछलते रहते हैं, भले ही बाजार में कोई महत्वपूर्ण बदलाव न हुआ हो।

समाधान: Particle Filter (Bayesian State Estimation)

एक Particle Filter संभावना "particles" का एक समूह बनाए रखता है जो नए मूल्य डेटा आने पर क्रमिक रूप से अपडेट होते हैं। MC के विपरीत जो प्रत्येक बार नए सिरे से शुरू होता है, Particle Filter निरंतर सीखता है, जिससे अधिक सहज और प्रतिक्रियाशील संभावना अनुमान प्राप्त होते हैं।

इसे लाइव चार्ट पर देखना चाहते हैं? AIO Indicator इसे स्वचालित करता है — कोई मैन्युअल ड्रॉइंग की आवश्यकता नहीं।
5 दिन निःशुल्क आज़माएं

संभावनाओं से ट्रेडिंग निर्णयों तक

कच्ची संभावना संख्याएं अकेले उपयोगी नहीं हैं। एक मजबूत निर्णय ढांचे के लिए कई स्वतंत्र पुष्टियों की आवश्यकता होती है:

4-कारक निर्णय इंजन

  1. MC Meaningful Edge — जीतने वाले पक्ष की संभावना > 33% होनी चाहिए (न्यूनतम 1.5:1 break-even)
  2. Particle Filter Agreement — PF को > 54% पर MC दिशा से स्वतंत्र रूप से सहमत होना चाहिए
  3. Bias Edge — P(BULL) और P(BEAR) के बीच का अंतर > 5 प्रतिशत अंक होना चाहिए
  4. Model Convergence — MC और Black-Scholes विश्लेषणात्मक समाधान को सहनशीलता के भीतर सहमत होना चाहिए। बड़ा विचलन = fat tails या अपर्याप्त सिमुलेशन

केवल तभी जब 3-4 कारक संरेखित होते हैं, एक उच्च-विश्वास संकेत उत्पन्न होता है। यह अधिकांश false signals और शोर को समाप्त करता है।

TradingView पर Monte Carlo

AIO Prediction Market Simulator dual-strike Monte Carlo, Particle Filtering, Importance Sampling, और 4-कारक निर्णय इंजन को लागू करता है — सब कुछ किसी भी TradingView चार्ट पर रियल-टाइम में चलता है। Crypto, Stocks, Indices, Forex, और Bonds के लिए पूर्व-कैलिब्रेटेड presets।

TradingView पर देखें

Kelly Criterion के साथ Position Sizing

एक बार जब आपके पास विश्वसनीय संभावना अनुमान हों, तो इष्टतम position sizing स्वाभाविक रूप से आती है। Kelly Criterion आवंटित करने के लिए पूंजी का प्रतिशत निर्धारित करता है:

f* = (p × b - q) / b

  • p = अनुमानित जीत की संभावना
  • q = 1 - p (हार की संभावना)
  • b = Odds ratio
  • f* = दांव लगाने के लिए पूंजी का अंश

महत्वपूर्ण: Full Kelly गणितीय रूप से इष्टतम है लेकिन आक्रामक रूप से volatile है। व्यावहारिक कार्यान्वयन विकास और drawdown प्रबंधन को संतुलित करने के लिए Fractional Kelly (full Kelly का 10-20%) का उपयोग करता है।

जोखिम प्रबंधन: Tail Risk और VaR

Monte Carlo केवल दिशात्मक संभावना का अनुमान नहीं लगाता। वही सिमुलेशन जोखिम प्रबंधन के लिए एक पूर्ण P&L वितरण तैयार करता है:

  • Value at Risk (VaR 95%) — हानि का वह स्तर जो 95% समय से अधिक नहीं होगा
  • Expected Shortfall (ES 95%) — सबसे खराब 5% परिदृश्यों में औसत हानि
  • Crash Probability — एक विनाशकारी चाल की विशिष्ट संभावना (जैसे BTC -10%)

जब crash probability किसी बाजार-विशिष्ट सीमा को पार करती है, तो दिशात्मक edge कितनी भी मजबूत क्यों न हो, सभी bullish signals को दबा देना चाहिए। जब tail risk बहुत अधिक हो तो कोई भी edge लेने लायक नहीं है।

कैलिब्रेशन: क्या संभावनाएं सटीक हैं?

किसी भी संभावना-आधारित प्रणाली के लिए सबसे महत्वपूर्ण मीट्रिक कैलिब्रेशन है। Brier Score पूर्वानुमान सटीकता मापता है:

BS = (1/N) × Σ(forecast - outcome)²

  • < 0.10 = उत्कृष्ट कैलिब्रेशन — पूर्वानुमान अत्यधिक सटीक हैं
  • 0.10-0.20 = अच्छा कैलिब्रेशन — पूर्वानुमान ट्रेडिंग के लिए उपयोगी हैं
  • > 0.20 = खराब कैलिब्रेशन — पैरामीटर को समायोजन की आवश्यकता है

वास्तविक पूंजी को जोखिम में डालने से पहले, 50+ पूर्वानुमानों में Brier Score का अवलोकन करें। बढ़ता हुआ Brier Score का अर्थ है कि बाजार की परिस्थितियां बदल गई हैं और मॉडल को पुनः-कैलिब्रेट करने की आवश्यकता है।

व्यावहारिक अनुप्रयोग: Prediction Markets

Polymarket और Kalshi जैसे प्लेटफ़ॉर्म के साथ वास्तविक binary contracts उपलब्ध होने से, Monte Carlo संभावना अनुमान सीधे ट्रेड योग्य बन जाते हैं:

  1. Polymarket "BTC > $80K by Friday" 58¢ पर दिखाता है
  2. आपका MC मॉडल Brier Score 0.11 के साथ P(BULL) 72% पर अनुमानित करता है
  3. अनुमानित edge = +14 प्रतिशत अंक
  4. Kelly sizing आपको पूंजी का 8.2% आवंटित करने के लिए कहता है
  5. कार्रवाई: BULL contract 58¢ पर खरीदें, 72% जीत दर की अपेक्षा करें

यह बाजार की अनुमानित संभावना और आपके मॉडल की अनुमानित संभावना के बीच arbitrage है।

समझने योग्य सीमाएं

  • GBM log-normal returns मानता है — वास्तविक बाजारों में fat tails होती हैं, विशेष रूप से flash crashes के दौरान crypto में
  • ऐतिहासिक volatility पीछे रहती है — जब परिस्थितियां बदलती हैं, तो lookback window वर्तमान स्थितियों को प्रतिबिंबित नहीं कर सकती
  • घटनाओं के लिए नहीं — Earnings, FOMC निर्णय, और नियामक घोषणाएं ऐसे discontinuities बनाते हैं जिनका कोई भी MC मॉडल पूर्वानुमान नहीं कर सकता
  • Particle Filter resolution — 200 particles उचित लेकिन सटीक संभावना ट्रैकिंग प्रदान नहीं करते

AIO Indicators 5 दिन निःशुल्क आज़माएं

Prediction Market Simulator और सभी 30+ indicators तक पूर्ण पहुंच। क्रेडिट कार्ड की आवश्यकता नहीं।

निःशुल्क परीक्षण शुरू करें