> ## Documentation Index
> Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 蒙特卡洛模拟

> 蒙特卡洛模拟通过大量随机抽样估计结果分布，帮助团队在风险、成本和时间不确定时做出更可靠决策。

<Info>
  **类别**: 模型<br />
  **类型**: 概率决策模型<br />
  **来源**: Stanislaw Ulam 与 John von Neumann，1940年代<br />
  **别名**: 随机模拟、随机抽样仿真
</Info>

<Note>
  **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”。
</Note>

## 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。

<Steps>
  <Step title="把输入建模为分布，而非单值">
    单一估计会掩盖波动。用分布表达不确定性，才能让结果范围真实可见。
  </Step>

  <Step title="保证模拟次数足够">
    抽样次数太少会导致结果抖动。应增加运行次数，直到关键分位数趋于稳定。
  </Step>

  <Step title="用分位数驱动决策">
    P50、P80、P95 不是统计装饰，而是风险偏好与承诺边界的直接输入。
  </Step>

  <Step title="持续校准假设">
    模型只会反映你的假设。环境变化后必须重估分布，否则“精确结果”可能失真。
  </Step>
</Steps>

## 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。

<CardGroup cols={2}>
  <Card title="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。
  </Card>

  <Card title="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。
  </Card>

  <Card title="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。
  </Card>

  <Card title="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。
  </Card>
</CardGroup>

## 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。

<AccordionGroup>
  <Accordion title="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。
  </Accordion>

  <Accordion title="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。
  </Accordion>

  <Accordion title="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。
  </Accordion>
</AccordionGroup>

## 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。

<CardGroup cols={3}>
  <Card title="期望值模型" href="/zh/models/expected-value">
    将不确定结果转化为可比较的决策价值。
  </Card>

  <Card title="正态分布" href="/zh/models/normal-distribution">
    理解常见分布假设的适用条件与局限。
  </Card>

  <Card title="胖尾分布" href="/zh/models/fat-tailed-distribution">
    在极端事件更频繁的场景中修正风险估计。
  </Card>

  <Card title="安全边际" href="/zh/models/margin-of-safety">
    把概率区间转化为预算、工期与库存缓冲。
  </Card>
</CardGroup>

## 一句话总结

<Tip>
  蒙特卡洛模拟的本质不是“算一个答案”，而是帮你选择能穿越不确定性的方案。
</Tip>