Monte Carlo simulatsioon on matemaatiline mudel konkreetse tulemuse tõenäosuse arvutamiseks mitmesuguste stsenaariumide ja muutujate juhusliku testimise või valimi võtmise teel. Teise maailmasõja ajal Manhattani projekti kallal töötanud matemaatik Stanilaw Ulam kasutas esmakordselt neid simulatsioone, mis pakuvad analüütikutele võimalust teha keerulisi otsuseid ja lahendada keerulisi probleeme, millel on mitu ebakindlust. Monte Carlo simulatsioon, mis on nime saanud Monacos asuva kasiinodega asustatud kuurordi järgi, kasutab ajaloolisi statistilisi andmeid miljonite erinevate finantstulemuste genereerimiseks, sisestades igasse katsesse juhuslikult komponendid, mis võivad lõpptulemust mõjutada, nagu konto tootlus, volatiilsus või korrelatsioonid. Kui stsenaariumid on sõnastatud, arvutab meetod konkreetse tulemuse saavutamise tõenäosuse. Erinevalt tavalistest finantsplaneerimise analüüsidest, mis kasutavad pikaajalisi keskmisi ja tulevase kasvu või säästu hinnanguid, võib tarkvaras ja veebirakendustes saadaolev Monte Carlo simulatsioon pakkuda realistlikumat vahendit muutujate käsitlemiseks ja finantsriski või -tasu tõenäosuse mõõtmiseks.
Monte Carlo meetodeid kasutatakse sageli isiklikuks finantsplaneerimiseks, portfelli hindamiseks, võlakirjade ja võlakirjaoptsioonide hindamiseks ning ettevõtete või projektide finantseerimiseks. Kuigi tõenäosusarvutused ei ole uued, tegi David B. Hertz esimest korda rahanduses teerajajaks 1964. aastal oma artikliga “Risk Analysis in Capital Investment”, mis avaldati ajakirjas Harvard Business Review. Phelim Boyle rakendas meetodit tuletisinstrumentide hindamisel 1977. aastal, avaldades ajakirjas Journal of Financial Economics oma artikli “Options: A Monte Carlo Approach”. Seda tehnikat on Ameerika valikutega raskem kasutada ja kuna tulemused sõltuvad aluseks olevatest eeldustest, on mõningaid sündmusi, mida Monte Carlo simulatsioon ei suuda ennustada.
Simulatsioonil on teiste finantsanalüüsi vormide ees mitmeid selgeid eeliseid. Lisaks antud strateegia võimalike lõpp-punktide tõenäosuste genereerimisele hõlbustab andmete formuleerimise meetod graafikute ja diagrammide loomist, soodustades leidude paremat edastamist investoritele ja aktsionäridele. Monte Carlo simulatsioon toob esile iga muutuja suhtelise mõju alumisele reale. Seda simulatsiooni kasutades saavad analüütikud ka täpselt näha, kuidas teatud sisendite kombinatsioonid üksteist mõjutavad ja vastastikku toimivad. Muutujate vaheliste positiivsete ja negatiivsete vastastikuste suhete mõistmine võimaldab mis tahes instrumendi täpsemat riskianalüüsi.
Selle meetodi riskianalüüs hõlmab tõenäosusjaotuste kasutamist muutujate kirjeldamiseks. Tuntud tõenäosusjaotus on normaal- või kellakõver, kus kasutajad määravad eeldatava väärtuse ja standardhälbe kõver määrab variatsiooni. Energiahindu ja inflatsioonimäärasid võib kujutada kellakõveratena. Lognormaalsed jaotused kujutavad positiivseid muutujaid, millel on piiramatu kasvupotentsiaal, nagu naftavarud või aktsiahinnad. Ühtlane, kolmnurkne ja diskreetne on näited muudest võimalikest tõenäosusjaotusest. Väärtused, mis on juhuslikult valitud tõenäosuskõveratelt, esitatakse komplektides, mida nimetatakse iteratsioonideks.