為什麼需要蒙地卡羅？

當選擇變多，直覺開始不夠用

假設手上同時有大型股、半導體、台灣市場、海外市場、債券、黃金與數位資產。單看每一項的走勢，也許能說出誰曾經漲得快；但真正要投資時，問題立刻變成：每一項要放多少？

八種資產只要改變一點比例，就能產生非常多種組合。保守與積極也不是兩個開關，而是一整片連續的選擇。靠印象逐一試，很容易只記得亮眼的資產，忽略它和其他資產放在一起時會發生什麼。

投資問題不是「選誰」，而是「如何一起工作」

單一資產的報酬不能直接回答組合問題。兩項波動很大的資產，如果漲跌時間不同，放在一起反而可能比較平穩；看似穩定的資產，也可能在特定市場環境中同時下跌。

把配置變成可以重複檢查的實驗

這次提供的方法，把投資組合看成一份「資金食譜」。每份食譜的比例都不能小於零，而且加起來必須是 100%。分析用固定的隨機起點產生 500,000 種不同配方，讓比較不再依賴手動猜測。

1. 整理資料：把不同資產的價格換成每日報酬，處理台美市場與全天交易資產的日期差異。
2. 大量試配：隨機產生不放空、總和為 100% 的資產權重。
3. 用同一把尺比較：觀察報酬估計、波動、Sharpe 與歷史回撤，而不是只看誰漲得最多。
4. 防止過度樂觀：加入均值與共變異數收縮、Sharpe 信賴區間、Deflated Sharpe Ratio，以及 walk-forward 樣本外檢查。

這套設計最重要的貢獻，不是宣布一組永遠正確的答案，而是讓假設、配置規則與驗證方式都能被看見、被重做、被質疑。

蒙地卡羅先做的事：把可能的配方攤開

有了這些候選配方，分析才進入下一步：在相同資料與假設下比較它們。這個順序很重要——先建立可能性，再做評估；不是先決定答案，再回頭找支持它的數字。

換你勾選資產，產生自己的配置前緣

本次固定分析最近 10 年日資料。先勾選至少兩項資產，再按下「產生效率前緣」。互動圖會即時試配數千種比例；散點是不同配置，黃色線是其中報酬較高且沒有被同風險配置超越的有效邊界。滑鼠移到點上，可以查看該配方的主要權重。

互動示範採用八項資產在 10 年觀察窗內共同有資料的交易日，計算幾何歷史報酬與樣本共變異數。它刻意不使用先前會把各資產報酬壓成同一數值的收縮結果。這仍是歷史估計，不是未來預測。

論文證明的是「這類方法可以用」，不是替特定實作背書

Beyond the Status Quo: A Critical Assessment of Lifecycle Investment Advice 面對的也是一個很難直接寫出完整答案的投資問題。作者使用蒙地卡羅最佳化與區塊 bootstrap（block bootstrap），模擬家庭一生的投資、退休消費與遺產結果。

論文的方法更接近生命週期決策：它模擬報酬序列、壽命與家庭效用；這次提供的方法則把重點放在資產權重、風險與報酬的比較。兩者不是同一個模型，但共享一個核心想法：

因此，這篇論文能支持蒙地卡羅作為投資研究工具的合理性，卻不能直接證明某個 ETF、某項資產或某組權重就是正確答案。

把「看起來不錯」改成四個可回答的問題

一、這個配置在追求什麼？

是想降低波動、減少歷史回撤，還是提高每單位風險換到的估計報酬？目標不同，選出的配置自然不同。

二、答案是否只對這段歷史有效？

walk-forward 把後面的資料留作未見測試，避免只在已知答案的考卷上拿高分。

三、估計值有多不確定？

收縮估計與信賴區間提醒讀者：平均報酬與相關性不是固定真理，而是帶有雜訊的估計。

四、假設改變時，答案會不會翻轉？

換資料期間、改無風險利率、拿掉某一類資產再重跑。如果結論大幅變動，就代表組合對假設敏感。

蒙地卡羅的價值，是讓決策更誠實

它不會告訴我們明天哪一項資產上漲，也不能保證某個比例永久有效。它能做的是：把大量配置放到同一套規則下，讓風險、取捨與模型假設變得可比較。

所以這套方法最適合被當成「投資想法的壓力測試器」。先提出配置，再看它在不同目標與不同時間切法下是否仍站得住腳。真正的結論不是哪一組數字最大，而是我們終於知道：自己為什麼選、犧牲了什麼，以及答案在哪些條件下可能失效。