类别: 模型
类型: 概率决策模型
来源: Stanislaw Ulam 与 John von Neumann，1940年代
别名: 随机模拟、随机抽样仿真
类型: 概率决策模型
来源: Stanislaw Ulam 与 John von Neumann，1940年代
别名: 随机模拟、随机抽样仿真
快速回答 — 蒙特卡洛模拟（Monte Carlo Simulation）通过对不确定输入进行大量随机抽样，反复计算可能结果，从而得到“结果分布”而非单点答案。它起源于 1940 年代核研究，现已广泛应用于风险管理、工程设计与运营规划。核心价值是把“拍脑袋预测”升级为“概率化决策”。
什么是蒙特卡洛模拟？
蒙特卡洛模拟是一种利用重复随机抽样来估计“结果范围与概率”的建模方法。不要只问“最可能结果是多少”，还要问“各类结果出现的概率分别是多少”。例如，传统计划可能说“项目 6 个月交付”，而蒙特卡洛会给出“6、8、10 个月分别有多大概率”。这种表达更适合真实世界的不确定性。实际应用中，它常与
/zh/models/expected-value、/zh/models/normal-distribution、/zh/models/fat-tailed-distribution 联用。
蒙特卡洛模拟的三层理解
- 入门：把工期、成本、需求等关键变量设为区间分布，跑大量试验后查看分位数。
- 实践：用历史数据校准输入分布，并在同一组随机场景下比较不同决策方案。
- 进阶：纳入相关性、尾部风险和结构性突变，做极端情境下的压力测试。
起源
该方法由 Stanislaw Ulam、John von Neumann 及其同事在 1940 年代洛斯阿拉莫斯研究中发展，用于求解中子输运等复杂概率问题。早期电子计算机的出现，使大规模重复抽样成为可能。 “Monte Carlo” 这一名称借用了赌场概率游戏的意象，强调方法本质是概率抽样。此后它从物理研究扩展到金融、供应链、可靠性工程、气候建模与航天任务规划。核心要点
当不确定性足够大、决策代价足够高时，蒙特卡洛模拟价值最大。应用场景
只要团队需要“在信息不完备时先做决策”，蒙特卡洛都很实用。项目预测
模拟任务时长与依赖波动，给出交付日期的置信区间，而不是单一承诺日期。
金融风险管理
在不同市场状态下模拟组合表现，估计下行概率与资本缓冲需求。
产能与库存规划
在需求波动条件下测试人力、库存与服务水平之间的稳健平衡。
工程可靠性评估
在载荷、材料、环境参数不确定时估计失效概率，支持冗余设计。
经典案例
NASA 的“火星科学实验室”任务（Curiosity）在进入、下降与着陆阶段广泛使用蒙特卡洛模拟。团队对大气扰动、导航误差和硬件偏差进行大量随机场景仿真，以评估着陆风险边界。 可量化结果是：2012 年 Curiosity 在盖尔陨石坑着陆时，距离目标中心约 1.5 英里（2.4 公里），落在任务规划的着陆椭圆内。这个案例体现了蒙特卡洛的价值：在无法完整实地演练的高风险任务中，用概率分布支撑关键决策。边界与失效场景
若输入分布拍脑袋设定，蒙特卡洛会产生“看似精密、实则误导”的结果。另一个高风险失效点是忽略变量相关性，这会系统性低估尾部风险。 两个边界条件需要明确：第一，历史数据在制度切换期可能失效；第二，模型外未知风险（unknown unknowns）无法被抽样捕获。常见误用是把模拟当作“给既定结论背书”的工具，而不是挑战假设的工具。常见误区
蒙特卡洛很强，但它不是替代业务判断和数据治理的万能钥匙。模拟次数越多就越接近真相
模拟次数越多就越接近真相
更多次数只能降低抽样噪声，不能修复错误假设或缺失机制。
看期望值就够了
看期望值就够了
很多决策成败取决于尾部结果。分位数和下行概率比均值更关键。
只有量化团队才能用
只有量化团队才能用
产品、运营与管理团队也能用简化版模型，只要假设透明且可复盘。
相关概念
结合以下模型，可以把概率结论转化为更稳健的执行方案。期望值模型
将不确定结果转化为可比较的决策价值。
正态分布
理解常见分布假设的适用条件与局限。
胖尾分布
在极端事件更频繁的场景中修正风险估计。
安全边际
把概率区间转化为预算、工期与库存缓冲。