Автор: Пользователь скрыл имя, 20 Февраля 2013 в 13:11, доклад
Анализ риска — необъемлемая часть любого решения, которое мы принимаем. Мы постоянно сталкиваемся с неопределенностью, неоднозначностью и изменчивостью. И даже несмотря на беспрецедентно широкий доступ к информации, мы не можем точно предсказать будущее. Моделирование по методу Монте-Карло (также известное как метод Монте-Карло) позволяет рассмотреть все возможные последствия ваших решений и оценить воздействие риска, что обеспечивает более высокую эффективность принятия решений в условиях неопределенности.
Анализ риска — необъемлемая часть любого решения, которое мы принимаем. Мы постоянно сталкиваемся с неопределенностью, неоднозначностью и изменчивостью. И даже несмотря на беспрецедентно широкий доступ к информации, мы не можем точно предсказать будущее. Моделирование по методу Монте-Карло (также известное как метод Монте-Карло) позволяет рассмотреть все возможные последствия ваших решений и оценить воздействие риска, что обеспечивает более высокую эффективность принятия решений в условиях неопределенности.
Что такое моделирование по методу Монте-Карло?
Моделирование по методу
Монте-Карло представляет
Каждый раз в процессе
выбора направления дальнейших
действий моделирование по
Впервые этим методом
воспользовалась ученые, занимавшиеся
разработкой атомной бомбы;
Как выполняется моделирование по методу Монте-Карло
В рамках метода
Монте-Карло анализ риска
При использовании
распределений вероятностей
Нормальное распределение (или « гауссова кривая »). Чтобы описать отклонение от среднего, пользователь определяет среднее или ожидаемое значение и стандартное отклонение. Значения, расположенные посредине, рядом со средним, характеризуются наиболее высокой вероятностью. Нормальное распределение симметрично и описывает множество обычных явлений — например, рост людей. К примерам переменных, которые описываются нормальными распределениями, относятся темпы инфляции и цены на энергоносители.
Логнормальное распределение. Значения имеют положительную асимметрию и в отличие от нормального распределения несимметричны. Такое распределение используется для отражения величин, которые не опускаются ниже нуля, но могут принимать неограниченные положительные значения. Примеры переменных, описываемых логнормальными распределениями, включают стоимость недвижимого имущества, цены на акции и нефтяные запасы.
Равномерное распределение.
Все величины могут с равной вероятностью
принимать то или иное значение,
пользователь просто определяет минимум
и максимум. К примерам переменных,
которые могут иметь
Треугольное распределение. Пользователь определяет минимальное, наиболее вероятное и максимальное значения. Наибольшую вероятность имеют значения, расположенные возле точки максимальной вероятности. В число переменных, которые могут быть описаны треугольным распределением, входят продажи за минувший период в единицу времени и уровни запасов материальных оборотных средств.
PERT-распределение. Пользователь
определяет минимальное,
Дискретное распределение. Пользователь определяет конкретные значения из числа возможных, а также вероятность получения каждого из них. Примером может служить результат судебного процесса: 20% вероятность положительного решения, 30% вероятность отрицательного решения, 40% вероятность соглашения сторон и 10% вероятность аннулирования судебного процесса.
При моделировании
по методу Монте-Карло
Моделирование по методу Монте-Карло имеет ряд преимуществ по сравнению с детерминистским анализом, или анализом « по точечным оценкам»:
Вероятностные результаты. Результаты демонстрируют не только возможные события, но и вероятность их наступления.
Графическое представление
результатов. Характер данных, получаемых
при использовании метода
Анализ чувствительности. За редким исключением детерминистский анализ затрудняет определение того, какая из переменных в наибольшей степени влияет на результаты. При проведении моделирования по методу Монте-Карло несложно увидеть, какие исходные данные оказывают наибольшее воздействие на конечные результаты.
Анализ сценариев. В детерминистских моделях очень сложно моделировать различные сочетания величин для различных исходных значений, и, следовательно, оценить воздействие по-настоящему отличающихся сценариев. Применяя метод Монте-Карло, аналитики могут точно определить, какие исходные данные приводят к тем или иным значениям, и проследить наступление определенных последствий. Это очень важно для проведения дальнейшего анализа.
Корреляция исходных данных.
Метод Монте-Карло позволяет
Вы также можете улучшить
результаты моделирования по методу
Монте-Карло путем проведения выборки
с применением метода « латинский
гиперкуб», в рамках которого отбор
производится с большей точностью
из всего интервала функций
Продукты Palisade для моделирования
по методу Монте-Карло
Появление приложений,
предназначенных для работы с
электронными таблицами на