Метод Монте-Карло

Введение

Методы Монте — Карло — это общее название группы методов для решения различных задач с помощью случайных последовательностей. Эти методы (как и вся теория вероятностей) выросли из попыток людей улучшить свои шансы в азартных играх. Этим объясняется и тот факт, что название этой группе методов позволило город Монте — Карло — столица европейского игорного бизнеса (казино), где играют в рулетку — одно из самых простых устройств для получения случайных чисел, на использовании которых основан этот метод.

Целью данной работы является реализация и проверка эффективности метода Монте — Карло при его применении на различных примерах, получение экспериментальных данных, которые помогут в определении преимуществ и недостатков.

Актуальность в том, что с 70- х годов в новой области математики — теории вычислительной сложности было показано, что существует класс задач, сложность (количество вычислений, необходимых для получения точного ответа) которых растет с размерностью задачи экспоненциально. Иногда можно, пожертвовав точностью, найти алгоритм, сложность которого растет медленнее, но есть большое количество задач, для которого этого нельзя сделать (например, задача определения объема выпуклого тела в n — мерном евклидовом пространстве) и метод Монте — Карло является единственной возможностью для получения достаточно точного ответа за приемлемое время. В настоящее время основные усилия исследователей направлены на создание эффективных Монте — Карло алгоритмов различных физических, химических и социальных процессов для параллельных вычислительных систем. Обоснована актуальность использования метода Монте — Карло достаточно просто реализуется средствами вычислительной техники. ЭВМ позволяют легко получать так называемые псевдослучайные числа (при решении задач их применяют вместо случайных чисел), это привело к широкому внедрению метода в много областей науки и техники (статистическая физика, теория массового обслуживания, теория игр и др.). .

Объектом исследования является самый метод Монте — Карло и его применение .

Методами исследования являются методы теории вероятности для исследования случайных величин и методы теории программирования для построения программных средств.

Метод Монте — Карло можно определить как метод моделирования случайных величин с целью вычисления характеристик их распределений .

Возникновение идеи использования случайных явлений в области приближенных вычислений принято относить до 1878 года, когда появилась работа Холла об определении числа р с помощью случайных бросаний иглы на разграфленный параллельными линиями бумагу. Дело заключается в том, чтобы экспериментально воспроизвести событие, вероятность которого выражается через число р, и примерно оценить эту вероятность. Отечественные работы по методу Монте — Карло появились в 1955;1956 годах. С тех пор накопилось большое библиография по методу Монте — Карло. Даже беглый просмотр названий работ позволяет сделать вывод о применимости метода Монте — Карло для решения прикладных задач из большого количества областей науки и техники.

Первоначально метод Монте — Карло использовался главным образом для решения задач нейтронной физики, где традиционные численные методы оказались мало пригодными. Далее его влияние распространилось на широкий класс задач статистической физики, очень разных по своему содержанию .

1.Метод Монте-Карло Данный метод родился в 1949 благодаря усилиям американских ученых Дж. Неймана и Стива Улана в городе Монте-Карло (княжество Монако).

Метод Монте-Карло — численный метод решения математических задач при помощи моделирования случайных чисел.

Суть метода заключается в том, что посредствам специальной программы на ЭВМ производится последовательность псевдослучайных чисел с равномерным законом распределения от 0 до1. Затем данные числа с помощью специальных программ преобразуются в числа, распределенные по закону Эрланга, Пуассона, Релея и т. д.

Имитационное моделирование по методу Монте-Карло (Monte-Carlo Simulation) позволяет построить математическую модель для проекта с неопределенными значениями параметров, и, зная вероятностные распределения параметров проекта, а также связь между изменениями параметров (корреляцию) получить распределение доходности проекта.

Блок-схема, представленная на рисунке отражает укрупненную схему работы с моделью.

Сущность метода Монте-Карло состоит в следующем: требуется найти значение, а некоторой изучаемой величины. Для этого выбирают такую случайную величину Х, математическое ожидание которой равно а: М (Х)=а.

Практически же поступают так: производят n испытаний, в результате которых получают n возможных значений Х; вычисляют их среднее арифметическое и принимают x в качестве оценки (приближённого значения) a* искомого числа a:

.

Поскольку метод Монте-Карло требует проведения большого числа испытаний, его часто называют методом статистических испытаний. Теория этого метода указывает, как наиболее целесообразно выбрать случайную величину Х, как найти её возможные значения. В частности, разрабатываются способы уменьшения дисперсии используемых случайных величин, в результате чего уменьшается ошибка, допускаемая при замене искомого математического ожидания, а его оценкой а*.

Применение метода имитации Монте-Карло требует использования специальных математических пакетов (например, специализированного программного пакета Гарвардского университета под названием Risk-Master), в то время, как метод сценариев может быть реализован даже при помощи обыкновенного калькулятора.

Как уже отмечалось, анализ рисков с использованием метода имитационного моделирования Монте-Карло представляет собой «воссоединение» методов анализа чувствительности и анализа сценариев на базе теории вероятностей.

Результатом такого комплексного анализа выступает распределение вероятностей возможных результатов проекта (например, вероятность получения NPV<0).

Упоминаемый ранее программный пакет Risk-Master позволяет в диалоговом режиме осуществить процедуру подготовки информации к анализу рисков инвестиционного проекта по методу Монте-Карло и провести сами расчеты.

Первый шаг при применении метода имитации состоит в определении функции распределения каждой переменной, которая оказывает влияние на формирование потока наличности. Как правило, предполагается, что функция распределения являются нормальной, и, следовательно, для того, чтобы задать ее необходимо определить только два момента (математическое ожидание и дисперсию).

Как только функция распределения определена, можно применять процедуру Монте-Карло.

Алгоритм метода имитации Монте-Карло

Шаг 1. Опираясь на использование статистического пакета, случайным образом выбираем, основываясь на вероятностной функции распределения значение переменной, которая является одним из параметров определения потока наличности.

Шаг 2. Выбранное значение случайной величины наряду со значениями переменных, которые являются экзогенными переменными используется при подсчете чистой приведенной стоимости проекта.

Шаги 1 и 2 повторяются большое количество раз, например 1000, и полученные 1000 значений чистой приведенной стоимости проекта используются для построения плотности распределения величины чистой приведенной стоимости со своим собственным математическим ожиданием и стандартным отклонением.

Используя значения математического ожидания и стандартного отклонения, можно вычислить коэффициент вариации чистой приведенной стоимости проекта и затем оценить индивидуальный риск проекта, как и в анализе методом сценариев.

Теперь необходимо определить минимальное и максимальное значения критической переменной, а для переменной с пошаговым распределением помимо этих двух еще и остальные значения, принимаемые ею. Границы варьирования переменной определяются, просто исходя из всего спектра возможных значений.

По прошлым наблюдениям за переменной можно установить частоту, с которой та принимает соответствующие значения. В этом случае вероятностное распределение есть то же самое частотное распределение, показывающее частоту встречаемости значения, правда, в относительном масштабе (от 0 до 1). Вероятностное распределение регулирует вероятность выбора значений из определенного интервала. В соответствии с заданным распределением модель оценки рисков будет выбирать произвольные значения переменной. До рассмотрения рисков мы подразумевали, что переменная принимает одно определенное нами значение с вероятностью 1. И через единственную итерацию расчетов мы получали однозначно определенный результат. В рамках модели вероятностного анализа рисков проводится большое число итераций, позволяющих установить, как ведет себя результативный показатель (в каких пределах колеблется, как распределен) при подстановке в модель различных значений переменной в соответствии с заданным распределением.

Задача аналитика, занимающегося анализом риска, состоит в том, чтобы хотя бы приблизительно определить для исследуемой переменной (фактора) вид вероятностного распределения. При этом основные вероятностные распределения, используемые в анализе рисков, могут быть следующими: нормальное, постоянное, треугольное, пошаговое. Эксперт присваивает переменной вероятностное распределение, исходя из своих количественных ожиданий и делает выбор из двух категорий распределений: симметричных (например, нормальное, постоянное, треугольное) и несимметричных (например, пошаговое распределение).

Существование коррелированных переменных в проектном анализе вызывает порой проблему, не рассмотреть которую означало бы заранее обречь себя на неверные результаты. Ведь без учета коррелированности, скажем, двух переменных — компьютер, посчитав их полностью независимыми, генерирует нереалистичные проектные сценарии. Допустим цена и количество проданного продукта есть две отрицательно коррелированные переменные. Если не будет уточнена связь между переменными (коэффициент корреляции), то возможны сценарии, случайно вырабатываемые компьютером, где цена и количество проданной продукции будут вместе либо высоки, либо низки, что естественно негативно отразится на результате.

Проведение расчетных итераций является полностью компьютеризированная часть анализа рисков проекта. 200−500 итераций обычно достаточно для хорошей репрезентативной выборки. В процессе каждой итерации происходит случайный выбор значений ключевых переменных из специфицированного интервала в соответствии с вероятностными распределениями и условиями корреляции. Затем рассчитываются и сохраняются результативные показатели (например, NPV). И так далее, от итерации к итерации.

Завершающая стадия анализа проектных рисков — интерпретация результатов, собранных в процессе итерационных расчетов. Результаты анализа рисков можно представить в виде профиля риска. На нем графически показывается вероятность каждого возможного случая (имеются в виду вероятности возможных значений результативного показателя).

Часто при сравнении вариантов капиталовложений удобнее пользоваться кривой, построенной на основе суммы вероятностей (кумулятивный профиль риска). Такая кривая показывает вероятности того, что результативный показатель проекта будет больше или меньше определенного значения. Проектный риск, таким образом, описывается положением и наклоном кумулятивного профиля риска.

Кумулятивный (интегральный, накопленный) профиль риска, показывает кумулятивное вероятностное распределение чистой текущей стоимости (NPV) с точки зрения банкира, предпринимателя и экономиста на определенный проект. Вероятность того, что NPV < 0 с точки зрения экономиста — около 0.4, в то время как для предпринимателя эта вероятность менее 0.2. С точки зрения банкира проект кажется совсем безопасным, так как вероятность того, что NPV > 0, около 95%.

Будем исходить из того, что проект подлежит рассмотрению и считается выгодным, в случае, если NPV > 0. При сравнении нескольких одноцелевых проектов выбирается тот, у которого NPV больше при соблюдении сказанного в предыдущем предложении.

Рассмотрим 5 иллюстративных случаев на Рис. 3 принятия решений (см. учебные материалы Института экономического развития Всемирного банка). Случаи 1−3 имеют дело с решением инвестировать в отдельно взятый проект, тогда как два последних случая (4, 5) относятся к решению-выбору из альтернативных проектов. В каждом случае рассматривается как кумулятивный, так и некумулятивный профили риска для сравнительных целей. Кумулятивный профиль риска более полезен в случае выбора наилучшего проекта из представленных альтернатив, в то время как некумулятивный профиль риска лучше индуцирует вид распределения и показателен для понимания концепций, связанных с определением математического ожидания. Анализ базируется на показателе чистой текущей стоимости.

Случай 1: Минимальное возможное значение NPV выше, чем нулевое (см. Рис.3а, кривая 1).

Вероятность отрицательного NPV равна 0, так как нижний конец кумулятивного профиля риска лежит справа от нулевого значения NPV. Так как данный проект имеет положительное значение NPV во всех случаях, ясно, что проект принимается.

Случай 2: Максимальное возможное значение NPV ниже нулевого (см. Рис.3а, кривая 2).

Вероятность положительного NPV равна 0 (см. следующий рисунок)., так как верхний конец кумулятивного профиля риска лежит слева от нулевого значения NPV. Так как данный проект имеет отрицательное значение NPV во всех случаях, ясно, что проект не принимается.

Случай 3: Максимальное значение NPV больше, а минимальное меньше нулевого (см. Рис3а, кривая 3).

Вероятность нулевого NPV больше, чем 0, но меньше, чем 1, так как вертикаль нулевого NPV пересекает кумулятивный профиль рисков. Так как NPV может быть как отрицательным, так и положительным, решение будет зависеть от предрасположенности к риску инвестора. По-видимому, если математическое ожидание NPV меньше или равно 0 (пик профиля рисков слева от вертикали или вертикаль точно проходит по пику) проект должен отклоняться от дальнейшего рассмотрения.

Случай 4: Непересекающиеся кумулятивные профили рисков альтернативных (взаимоисключающих) проектов (см. Рис.3б).

При фиксированной вероятности отдача проекта В всегда выше, нежели у проекта А. Профиль рисков также говорит о том, что при фиксированной NPV вероятность, с которой та будет достигнута, начиная с некоторого уровня будет выше для проекта В, чем для проекта А. Таким образом, мы подошли к правилу 1.

Правило 1: Если кумулятивные профили рисков двух альтернативных проектов не пересекаются ни в одной точке, тогда следует выбирать тот проект, чей профиль рисков расположен правее.

Случай 5: Пересекающиеся кумулятивные профили рисков альтернативных проектов. (см. Рис.3в).

Склонные к риску инвесторы предпочтут возможность получения высокой прибыли и, таким образом, выберут проект А. Несклонные к риску инвесторы предпочтут возможность нести низкие потери и, вероятно, выберут проект В.

Правило 2: Если кумулятивные профили риска альтернативных проектов пересекаются в какой-либо точке, то решение об инвестировании зависит от склонности к риску инвестора.

Ожидаемая стоимость агрегирует информацию, содержащуюся в вероятностном распределении. Она получается умножением каждого значения результативного показателя на соответствующую вероятность и последующего суммирования результатов. Сумма всех отрицательных значений показателя, перемноженных на соответствующие вероятности есть ожидаемый убыток. Ожидаемый выигрыш — сумма всех положительных значений показателя, перемноженных на соответствующие вероятности. Ожидаемая стоимость есть, конечно, их сумма.

В качестве индикатора риска ожидаемая стоимость может выступать как надежная оценка только в ситуациях, где операция, связанная с данным риском, может быть повторена много раз. Хорошим примером такого риска служит риск, страхуемый страховыми компаниями, когда последние предлагают обычно одинаковые контракты большому числу клиентов. В инвестиционном проектировании мера ожидаемой стоимости должна всегда применяться в комбинации с мерой вариации, такой как стандартное отклонение.

Инвестиционное решение не должно базироваться лишь на одном значении ожидаемой стоимости, потому что индивид не может быть равнодушен к различным комбинациям значения показателя отдачи и соответствующей вероятности, из которых складывается ожидаемая стоимость.

2. Издержки неопределенности

Издержки неопределенности или ценность информации, как они иногда называются, — полезное понятие, помогающее определить максимально возможную плату за получение информации, сокращающей неопределенность проекта. Эти издержки можно определить как ожидаемую стоимость возможного выигрыша при решении отклонить проект или как ожидаемую стоимость возможного убытка при решении принять проект.

Ожидаемая стоимость возможного выигрыша при решении отклонить проект иллюстрируется на Рис. 4 и равна сумме возможных положительных значений NPV, перемноженных на соответствующие вероятности.

метод карло последовательность имитация Ожидаемая стоимость возможного убытка при решении принять проект, показанная в виде заштрихованной площади на Рис. 5, и равна сумме возможных отрицательных значений NPV, перемноженных на соответствующие вероятности.

Оценив возможное сокращение издержек неопределенности при приобретении дополнительной информации, инвестор решает, отложить решение принять или отклонить проект и искать дополнительную информацию или принимать решение немедленно. Общее правило таково: инвестору следует отложить решение, если возможное сокращение в издержках неопределенности превосходит издержки добывания дополнительной информации.

3. Нормированный ожидаемый убыток

Нормированный ожидаемый убыток (НОУ) — отношение ожидаемого убытка к ожидаемой стоимости:

НОУ = ожидаемый убыток/(ожидаемый выигрыш + ожидаемый убыток)

Этот показатель может принимать значения от 0 (отсутствие ожидаемого убытка) до 1 (отстутствие ожидаемого выигрыша). На Рис. 5 он представляется как отношение площади под профилем риска слева от нулевого NPV ко всей площади под профилем риска

Проект с вероятностным распределением NPV, таким, что область определения профиля риска NPV выше 0, имеет нормируемый ожидаемый убыток, равный 0, что означает абсолютную неподверженность риску проекта. С другой стороны, проект, область определения профиля риска NPV которого ниже 0, полностью подвержен риску.

Данный показатель определяет риск как следствие двух вещей: наклона и положения профиля риска NPV по отношению к разделяющей вертикали нулевого NPV.

4. Коэффициент вариации

Он представляет собой стандартное отклонение результативного показателя, деленное на его ожидаемую стоимость. При положительной ожидаемой стоимости чем ниже коэффициент вариации, тем меньше проектный риск.

Как видим, два последних рассмотренных показателя характеризуют риск исследуемого проекта. Однако, если нормируемый ожидаемый убыток есть относительный показатель и дает возможность судить о риске отдельно взятого проекта (скажем, неудовлетворительным считается проект, НОУ которого более 40%), то коэффициент вариации — это абсолютный показатель, и потому представляется более удобным его использовать при сравнении альтернативных проектов.

5. Показатели предельного уровня

Степень устойчивости проекта по отношению к возможным изменениям условий реализации, а значит и степень риска может быть охарактеризована показателями предельного уровня объемов производства, цен производимой продукции и других параметров проекта. Предельное значение параметра проекта для некоторого t-го года его реализации определяется как такое значение этого параметра в t-ом году, при котором чистая прибыль участника в этом году становится нулевой. Одним из наиболее важных показателей этого типа является рассмотренная ранее точка безубыточности, характеризующая объем продаж, при котором выручка от реализации продукции совпадает с издержками производства. Для подтверждения работоспособности проектируемого производства (на данном шаге расчета) необходимо, чтобы значение точки безубыточности было меньше значений номинальных объемов производства и продаж (на этом шаге). Чем дальше от них значение точки безубыточности (в процентном отношении), тем устойчивее проект. Проект обычно признается устойчивым, если значение точки безубыточности не превышает 75% от номинального объема производства. Подробно данный показатель, а также его плюсы и минусы уже рассматривались ранее .

Как видно, данный показатель никак не связан с вероятностным методом и в отличие от последнего не уточняет вероятности и спектр возможных значений для результативных показателей. Кроме того, каждый показатель предельного уровня характеризует степень устойчивости в зависимости лишь от конкретного параметра проекта (объем производства и т. д.), в то время как вероятностный подход проводит комплексный анализ риска при неопределенности одновременно всех интересуемых параметров проекта, т. е. в последнем случае учитывается синхронность их изменения.

На практике не имеет смысла считать большое количество показателей предельного уровня с надеждой определить риски, так как основная цель расчета такого несомненно важного показателя как точка безубыточности состоит в том, чтобы определить минимально допустимый уровень объема производства на прединвестиционной фазе, что необходимо при описании проекта и построении его идеи.

Несмотря на свои достоинства, метод Монте-Карло не распространен и не используется слишком широко в бизнесе. Одна из главных причин этого — неопределенность функций плотности переменных, которые используются при подсчете потоков наличности.

Другая проблема, которая возникает как при использовании метода сценариев, так и при использовании метода Монте-Карло, состоит в том, что применение обоих методов не дает однозначного ответа на вопрос о том, следует ли реализовывать данный проект или следует отвергнуть его.

При завершении анализа, проведенного методом Монте-Карло, у эксперта есть значение ожидаемой чистой приведенной стоимости проекта и плотность распределения этой случайной величины. Однако наличие этих данных не обеспечивает аналитика информацией о том, действительно ли прибыльность проекта достаточно велика, чтобы компенсировать риск по проекту, оцененный стандартным отклонением и коэффициентом вариации.

Ряд исследователей избегает использования данного метода ввиду сложности построения вероятностной модели и множества вычислений, однако при корректности модели метод дает весьма надежные результаты, позволяющие судить как о доходности проекта, так и о его устойчивости (чувствительности).

В зависимости от результатов завершенного анализа рисков, а также и от того, насколько склонен к риску инвестор, последний принимает решение принять, изменить, или отклонить проект.

Например, инвестор, исходя из своей склонности к риску, действовал бы следующим образом :

1. Риск >= 30%

В случае, если показатель риска, а это прежде всего нормированный ожидаемый убыток (НОУ), равен или превышает 30%, то для принятия проекта необходимо предварительно внести и осуществить предложения по снижению риска. Под предложениями понимаются любые действия по изменению данных на входе, способные уменьшить риск, не обрекая проект на убыточность.

В этих целях используются:

Разработанные заранее правила поведения участников в определенных «нештатных» ситуациях (например, сценарии, предусматривающие соответствующие действия участников при тех или иных изменениях условий реализации проекта).

В проектах могут предусматриваться также специфические механизмы стабилизации, обеспечивающие защиту интересов участников при неблагоприятном изменении условий реализации проекта (в том числе в случаях, когда цели проекта будут достигнуты не полностью или не достигнуты вообще) и предотвращающие возможные действия участников, ставящие под угрозу его успешную реализацию. В одном случае может быть снижена степень самого риска (за счет дополнительных затрат на создание резервов и запасов, совершенствование технологий, уменьшение аварийности производства, материальное стимулирование повышения качества продукции), в другом — риск перераспределяется между участниками (индексирование цен, предоставление гарантий, различные формы страхования, залог имущества, система взаимных санкций).

Как правило, применение в проекте стабилизационных механизмов требует от участников дополнительных затрат, размер которых зависит от условий реализации мероприятия, ожиданий и интересов участников, их оценок степени возможного риска. Такие затраты подлежат обязательному учету при определении эффективности проекта.

Здесь работает балансировка между риском и прибыльностью. Если на этом этапе удается снизить риск так, что НОУ становится меньше 30%, и есть выбор среди такого рода вариантов проекта, то лучше выбрать тот из них, у которого коэффициент вариации меньше. Если же не удается снизить риск до указанной отметки, проект отклоняется.

2. Риск < 30%

Проекты с риском менее 30% (НОУ<30%) лучше подстраховать. Предлагается создать страховой фонд в размере определенной доли от основной суммы инвестирования. Как определить эту долю — это вопрос методики. Можно принять ее равной значению показателя риска (нормированный ожидаемый убыток). То есть, например, если риск равен 25%, то необходимо, скажем, предусмотреть отчисления от нераспределенной прибыли в процессе осуществления проекта или заключить договор со страховой компанией на сумму в размере 25% от основной суммы инвестирования и направить эти деньги в резерв, подлежащий использованию только в случае наступления крайних ситуаций, связанных, например, с незапланированным недостатком свободных денежных средств, а также другими проблемами в целях нормализации финансово-экономической ситуации. На самом деле, источник оплаты страхового фонда скорее всего будет зависеть от периода осуществления проекта. В самый трудный в финансовом отношении начальный момент осуществления проекта у предприятия вряд ли найдется возможность обойтись без внешнего окружения при создании страхового фонда, например, на базе страховой компании. Но по мере осуществления проекта у предприятия накапливается прибыль, ежегодные отчисления от которой могли бы составить страховой фонд.

Проанализируем результативность анализа рисков:

Анализ рисков

Вывод В данной работе был рассмотрен метод Монте — Карло. Этот метод имитации применим для решения почти всех задач при условии, что альтернативы могут быть выражены количественно. Построение модели начинается с определения функциональных зависимостей в реальной системе, которые в последствии позволяют получить количественное решение, используя теорию вероятности и таблицы случайных чисел.

Модель Монте-Карло не столь формализована и является более гибкой, чем другие имитирующие модели. Причины здесь следующие:

при моделировании по методу Монте-Карло нет необходимости определять, что именно оптимизируется;

нет необходимости упрощать реальность для облегчения решения, поскольку применение ЭВМ позволяет реализовать модели сложных систем;

в программе для ЭВМ можно предусмотреть опережения во времени.

Данный метод является общепризнанным и наилучшим, так как обладает рядом непреодолимых достоинств, в частности использует гипотезу о нормальном распределении доходностей, показывает высокую точность для нелинейных инструментов и устойчив к выбор ретроспективы. К недостаткам можно отнести техническую сложность расчётов и модельный риск.

1.Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистике: Учеб. пособие для студентов втузов. — 3-е изд., перераб. И доп. — М.: Высш. школа, 1979 г.

2.Ермаков С. М. Методы Монте-Карло и смежные вопросы. М.: Наука, 1971 г.

Севастьянов Б. А. Курс теории вероятностей и математической статистики. — М.:Наука, 1982 г.

3.Математика. Большой энциклопедический словарь / Гл. ред. Ю. В. Прохоров. — М.: Большая Российская энциклопедия, 1999 г.

4.Гмурман В. Е. Теория вероятностей и математическая статистика. Учеб. пособие для втузов. Изд. 5-е, перераб. и доп. М., «Высш. школа», 197