PublicidadScreenerHeroSaber más

Método Montecarlo: qué es y cómo funciona

El método Montecarlo simula miles de escenarios aleatorios de rentabilidad para estimar la probabilidad de alcanzar un objetivo o el riesgo de una cartera.

El método o simulación de Montecarlo es una técnica estadística que, en lugar de calcular un único resultado, genera miles de futuros posibles combinando valores aleatorios y mira cómo se reparten los resultados. Su nombre hace referencia al casino de Montecarlo, por el papel del azar. Lo desarrollaron en los años cuarenta científicos como Stanislaw Ulam y John von Neumann para problemas de física, y hoy se usa en ingeniería, ciencia y, mucho, en finanzas.

Para qué sirve en inversión

Una proyección clásica supone, por ejemplo, que una cartera rendirá un 6 % todos los años. Pero los mercados no se mueven en línea recta: hay años muy buenos y años muy malos, y el orden en que llegan importa. La simulación de Montecarlo incorpora esa incertidumbre y, en lugar de decir «tendrás X euros», dice «en el 85 % de los escenarios tendrás al menos X euros».

Sus usos más habituales son: - Planificación de la jubilación y del movimiento FIRE: estimar la probabilidad de que una cartera aguante un ritmo de retiradas durante 30 o 40 años. - Medición del riesgo de una cartera, por ejemplo para calcular el VaR (valor en riesgo). - Valoración de derivados complejos, cuyo precio depende de muchas trayectorias posibles. - Evaluación de estrategias de trading, reordenando al azar las operaciones de un backtesting para ver qué drawdowns podrían haberse producido.

Cómo funciona una simulación de Montecarlo

- Se definen los supuestos: rentabilidad esperada, volatilidad y correlaciones de cada activo, inflación, aportaciones o retiradas y horizonte temporal. - Se genera un año (o mes) tras otro con rentabilidades aleatorias coherentes con esos supuestos, hasta completar una trayectoria. - Se repite el proceso miles de veces, normalmente 1.000, 10.000 o más. - Se analizan los resultados: el valor mediano, los percentiles malos y buenos y el porcentaje de trayectorias que cumplen el objetivo.

Las rentabilidades aleatorias pueden sacarse de una distribución estadística (por ejemplo, la normal) o del propio histórico, eligiendo al azar años o meses pasados con reposición. Esta segunda variante se llama «bootstrap» y respeta mejor las caídas extremas que ha tenido el mercado.

Ejemplo práctico: probabilidad de éxito en la jubilación

Supón una cartera de 500.000 € de la que se retiran 20.000 € al año ajustados por la inflación durante 30 años. Una simulación de 10.000 escenarios podría mostrar que en 8.700 de ellos la cartera llega al final con dinero: la probabilidad de éxito sería del 87 %. Además, verías cuánto quedaría en el escenario mediano y en el 10 % de los peores. Las cifras son ilustrativas: el resultado depende por completo de los supuestos.

Por qué importa el orden de las rentabilidades

Uno de los aprendizajes clave de Montecarlo es el riesgo de secuencia. Sin retiradas, el orden de las rentabilidades no cambia el resultado: 100.000 € con un +20 % y luego un −20 % acaban en 96.000 €, igual que con un −20 % y luego un +20 % (100.000 × 1,2 × 0,8).

Con retiradas, sí cambia. Si retiras 10.000 € al final de cada año: con +20 % y después −20 %, tienes 110.000 € tras el primer año (120.000 − 10.000) y 78.000 € tras el segundo (88.000 − 10.000). Con −20 % y después +20 %, te quedan 70.000 € (80.000 − 10.000) y luego 74.000 € (84.000 − 10.000). Las mismas rentabilidades, en otro orden, dejan 4.000 € menos. Montecarlo mide ese efecto en miles de órdenes distintos.

También revela el efecto de la volatilidad sobre el crecimiento compuesto. Como aproximación, la rentabilidad compuesta anual es la media aritmética menos la mitad de la varianza: con una media del 7 % y una volatilidad del 15 %, el crecimiento compuesto esperado ronda el 5,9 % (7 % − 0,15² / 2 = 7 % − 1,125 %). Una proyección lineal al 7 % sería demasiado optimista.

Limitaciones del método Montecarlo

- La calidad de la simulación depende de los supuestos: si la rentabilidad esperada es demasiado optimista, el resultado también lo será. - La distribución normal infravalora las caídas extremas y los cisnes negros, porque los mercados tienen «colas gruesas». - Las correlaciones entre activos no son estables y tienden a subir en las crisis, justo cuando más importan. - Suele modelar un comportamiento rígido, cuando en la vida real el inversor puede ajustar gastos si las cosas van mal. - Una probabilidad de éxito del 90 % no es una garantía: significa que uno de cada diez escenarios simulados fracasa.

Montecarlo frente a backtesting

El backtesting aplica una estrategia al único pasado que ha ocurrido. Montecarlo genera muchos futuros posibles a partir de supuestos o del histórico reordenado. Son complementarios: el backtesting dice cómo habría funcionado algo en la historia real, y Montecarlo ayuda a ver si ese resultado depende de una secuencia afortunada. Ninguno de los dos predice el futuro, pero juntos ayudan a tomar decisiones con expectativas más realistas.

Actualizado el 22 de noviembre de 2026

Términos relacionados