Simulación de Monte Carlo para la Gestión de Riesgo Empresarial con Python

En un entorno empresarial incierto, tomar decisiones estratégicas basadas en un único número —la previsión puntual— es una práctica arriesgada. La simulación de Monte Carlo ofrece algo más valioso: una distribución completa de posibles resultados, con sus probabilidades asociadas.

El principio básico

Una simulación de Monte Carlo ejecuta el mismo modelo matemático miles de veces, cada vez con valores de entrada muestreados aleatoriamente de sus distribuciones de probabilidad estimadas. El resultado es una distribución de posibles salidas del sistema.

Implementación en Python

La librería numpy es suficiente para implementaciones básicas. Para N simulaciones sobre un modelo de crecimiento de mercado con volatilidad estocástica:

import numpy as np
N = 10_000
mu, sigma = 0.05, 0.20
dt = 1/252
retornos = np.random.normal(mu*dt, sigma*np.sqrt(dt), N)
escenarios = valor_inicial * np.exp(np.cumsum(retornos))

El percentil 10 de la distribución resultante es el escenario pesimista, el percentil 90 el optimista, y la mediana el escenario base.

Aplicación a la inteligencia de mercado

Combinado con datos del BORME y procesos estocásticos calibrados sobre series históricas reales, Monte Carlo permite proyectar la evolución del tejido empresarial de un sector con intervalos de confianza estadísticamente fundamentados, un salto cualitativo frente a los modelos de tendencia lineal clásicos.