Für Investoren auf dem Aktienmarkt ist das finanzielle Risiko innerhalb eines Portfolios von besonderer Bedeutung. Ein weit verbreitetes Risikomaß ist der Value at Risk (VaR). Dieser gibt an, welcher Verlust bei gegebenem Konfidenz-niveau, beziehungsweise gegebener Ausfallwahrscheinlichkeit, innerhalb einer bestimmten Zeitspanne nicht überschritten wird. Der VaR beschreibt somit ein bestimmtes Quantil am oberen Ende der Verteilung des Portfolioverlustes. Ein gängiger Ansatz, um den VaR zu bestimmen, ist die Monte Carlo (MC) Simulation, bei der wir eine größere Stichprobe simulieren und das benötigte empirische Quantil davon bestimmen. Eine Erhöhung des Konfidenzniveaus hat jedoch bei diesem Ansatz zur Folge, dass die Laufzeit der Simulation rapide ansteigt, da wir eine immer größere Stichprobe simulieren müssen, um sinnvolle Ergebnisse zu erhalten. Subset Simulation ist ein anderer Ansatz, der dieses Problem umgeht. Dabei stellen wir die Ausfallwahrscheinlichkeit als Produkt größerer bedingter Wahrscheinlichkeiten dar. Dies ermöglicht uns, den benötigten VaR schrittweise zu bestimmen. Dafür ist in jedem Schritt der Subset Simulation nur eine sehr kleine Stichprobe notwendig, die wir mit Markov Chain Monte Carlo Simulation generieren. Die Anwendung des MC Modells und der Subset Simulation auf ein Portfolio bestehend aus 91 Aktien des S&P500, um den VaR für den nächsten Tag vorherzusagen, zeigt, dass mit steigendem VaR, das heißt mit steigendem Konfidenzniveau, die Subset Simulation immer effektiver wird und dann auch bessere Ergebnisse liefert als die MC Simulation.