モンテ・カルロシミュレーションの基礎と応用例

モンテ・カルロ（Monte Carlo）シミュレーションとは、ランダム性と大数の法則を応用し、さまざまな科学および工学の問題を解決する技術です。この手法の最初の実用的な応用として知られているのは、第二次世界大戦後にスタニスワフ・ウラムとジョン・フォン・ノイマンが、核兵器開発のシミュレーションにこれを適用したことです [1]。

本稿では、モンテカルロシミュレーションの具体的な応用例をいくつか紹介します。まずは古典的な「ダーツで円周率 π を計算する」例から始めます。

1. 円周率 $\pi$ の推定

正方形のボード上に半径 1 の四分之一円を描きます。その中にダーツを多数投げ込み、以下の手順で計算を行います。

• 手順:
  1. 各ダーツが四分之一円の内部に命中したか、外部に命中したかを記録します。
  2. ダーツの総数に対する、「四分之一円内に命中したダーツの数」の比を計算します。
• 原理:
  • ダーツが正方形上に一様に分布しているという仮定の下、大数の法則によりこの比は面積比に収束します。
  • 正方形の辺の長さを $1$ とすると、以下の関係式が成り立ちます： $$ \frac{\text{命中数}}{\text{総数}} \approx \frac{\text{四分之一円の面積}}{\text{正方形的面積}} = \frac{\pi/4}{1} $$
  • したがって、円周率の推定値は以下の式で計算できます： $$ \pi \approx 4 \times \frac{\text{命中数}}{\text{総数}} $$

JavaScriptによる実装例

サンプル数（ダーツの投擲回数）を変更して「実行」ボタンをクリックすることで、シミュレーションを再計算可能です。以下は簡潔にしたコードバージョンです：

const total = Number(samples.value);
let inside = 0;
for (let i = 0; i < total; i++) {
  const x = Math.random();
  const y = Math.random();
  const inCircle = x * x + y * y <= 1;
  if (inCircle) inside++;
}
estimateValue = 4 * inside / total;

精度と限界について

この手法では推定値の精度が比較的悪いことに気づくでしょう。

• サンプル数を $1,000$ にしても、再計算（実行）を何度か行えば数値が大きく変動し、外れ値が見られることがあります。
• 著者の経験上、小数点以下 4 桁まで信頼性を持って $\pi$ を推定するには、約 100 億回 のサンプルが必要だと言われています。
• 一般的な法則: 独立した試行においては、典型のサンプリング誤差は試行数 $N$ の平方根に反比例して減少します（$\frac{1}{\sqrt{N}}$）。つまり、誤差を半分にしたい場合はサンプル数を 4 倍にする必要があります。

数値積分への応用

$\pi$ の推定が思弁的に見えるかもしれませんが、これはモンテ・カルロ法が適用される重要なクラスである**「数値積分」**の例です。

• シミュレーションは本質的に、四分之一円の曲線下の面積（確定積分）を推定しています。
• 多くの積分は解析的に解くことが困難であり、モンテ・カルロ法は特に高次元の積分において有効です。
• 他の数値手法が高コストになる場合でも、この手法は有効性を発揮します。

---

2. 組み合わせシミュレーション：カードゲーム「SET」

モンテ・カルロ法の一般的な用途の一つに、複雑な組み合わせ計算の推定があります。これらは解析的な解を持たず、全ての選択肢を列挙すること（完全探索）が非現実的（intractable）な場合に使われます。

背景：カードゲーム「SET」

各 SET カードには以下の 4 つのアトリビュートがあります。

• 形の数: 1, 2, または 3
• 色: 赤、緑、または紫
• シェイプタイプ: 楕円、菱形、またはジグザグ線
• 塗りつぶし: 無地、ストライプ、または実塗

目標: 「セット」を見つけることです。 「セット」とは、3 つのカードにおいて、各アトリビュートについてすべて異なるか、あるいはすべて同じであるものです。

問題提起

シャッフルされたデッキから最初に引き出された 12 カードの中に、「セット」が一つもない確率はいくでしょうか？

• 81 カードから 12 カードを選べる組み合わせの数は容易に計算できますが、その中から「セットなしの手」を特定するのは困難です。
• 70 兆個もの手（SET のデッキ全組み合わせ）をチェックするには時間がかかりすぎます。
• 数学的性質を活用して探索空間を削減する高度なアルゴリズム（例：Don't Kurt のプログラム）を使わない場合、確率は 3.23% です [2]。

シミュレーションによるアプローチ

深い数学的知識や複雑な削減手法を使わず、以下の疑似コードで答えを出すことができます。

C = 0
N 回繰り返す:
  新しいデッキからランダムに 12 カードの手を引く
  その手におけるセットの数をカウントする
  セットがない場合:
    C += 1

推定確率 = C / N

• 結果: $1,000,000$ 回のシミュレーションを実行すると、0.0323 という結果が得られ、実数値と非常に一致しました。
• 拡張: この手法はパラメータを調整するだけでスケーリング可能です。例えば、手を選ぶカード数を 15 に変えると探索空間は約 100 倍になります（確率は約 0.00037）が、シミュレーションによるアプローチでは簡単に計算できます。

補足 [2]: 答えは「赤色の無地ダイヤンド 3 つ、紫色の実塗楕円 3 つ、緑色のストライプジグザグ線 3 つ」です。各属性について「すべて同じか、すべて異なる」条件を満たします。 補足 [3]: 同じ試行回数でも、セットなしの手は極めて稀なため、推定値の相対的不確実性は 12 カードの場合よりも大きくなります。

---

3. 退職後の資産見通し

モンテ・カルロシミュレーションが不可欠な領域の一つは、退職後のポートフォリオ予測です。 例：退職時の資産 100 万ドル を元に、年間生活費として 30,000 ドル を引き出したいと仮定した場合、資金は持ちますか？

平均値推定の限界（単純なアプローチ）

単純化のために、以下の一定の仮定に基づく推定を行います [4]。

• 年平均ポートフォリオ収益率：4%
• 年平均インフレ率：2%

この場合の計算：

1. 実質収益率 = 収益率 ($r$) - インフレ率 ($i$)
2. 初期資産 100 万ドルから始め、初年末には約 101.96 万ドルとなり、3 万ドルを引くことで 98.96 万ドルが残ります。
3. このペースで続ければ資金は約 55 年 で枯渇します（65 歳退職の場合、比較的安心）。

しかし、この単純化は危険です。

• 順序効果: 「悪い年（-10%）」の後に「素晴らしい年（+18%）」があった場合でも、平均値（4%）ではカウントされますが、実際には資産減少のダメージが大きく回復に時間がかかります。
• 相関関係: インフレ率とポートフォリオ収益は予測不可能で、高インフレかつ低収益の悪条件が重なるリスクがあります。
• 多様な要因: 支出の変動、多様な資産クラス、寿命、予期せぬ出来事、税制変更などを考慮すると、単一の平均推定は不十分です。

モンテ・カルロによるシミュレーション（分布ベースのアプローチ）

歴史的データに基づいた合理的な分布からサンプリングすることで、数百万通りの異なるシナリオを実行できます。これにより、「死亡する前に資金が枯渇する確率」などを推定できます。

シミュレーション結果の解釈

以下に示すチャート（100 万回シミュレーション）からの洞察：

• 点線（平均仮定）: 収益率常に 4%、インフレ率常に 2% とした場合の予測。
• 濃青色の塗りつぶし（シミュレーション結果）: 歴史的データを正規分布としてサンプリングした結果。
  • すべてのケースの約 25% で、資金は約 22 年 で枯渇しています（平均仮定の 55 年とは大きく異なる）。

確率的な計画立案

チャートから読み取れる重要な指標：

• 30 年間の充足率: この計画が 30 年間資金を提供する確率は約 60% です（逆に、40% で途中破綻）。
• リスク評価: 平均仮定では安心に見える計画も、実際には死亡まで 25 年の生活を送ろうとする場合、約 30% の確率で十分な資金がないことが判明します。これは憂慮すべきリスクです。

結論：金融・経済分野での活用

退職後の資産予測は、モンテ・カルロシミュレーションの応用の一例に過ぎません。市場の高い不確実性を考えると、解析計算のみでは計画が立ちにくいです。

• 売上予測や成長予測
• 株式発行価格の推定など これらの分野でも、モンテ・カルロ法を活用することで、合理的な誤差範囲を持つ推定値を得ることができます。

補足 [5]: 高度なシミュレーションでは、支出資金を「年初に引く」「年末に引く」「月間配分」のようにパラメータを制御できます。 補足 [4]: 本稿の例では実ドル（今日価値）を使用しており、生活費は固定し、ポートフォリオ自体にインフレの影響を受けさせています。

---

参考情報

• コードの入手: 本稿で使用したすべての探索用コードは GitHub で入手可能です。
• 手法の背景: これらの技術の概念的理解は以前から存在していましたが、実際の適用が初期のデジタルコンピュータの開発と一致したのは驚くべきことではありません [1]。
• メカニズム: モンテ・カルロシミュレーションは、多くの試行（サンプリング）を実行することで統計的な精度を得る点が最大の特徴です。