Основные этапы имитационного моделирования методом Монте-Карло [c.168]
Метод статистических испытаний (метод Монте-Карло) — первоначально использовался в системе ПЕРТ для вычисления ожидаемой продолжительности каждого этапа проекта и всего проекта в целом. [c.121]
В рассмотренном методе можно выделить отдельные этапы. Для выполнения каждого из них строится один или несколько алгоритмов или вычислительных процедур как сугубо формализованных (алгоритмы оптимального программирования, метода Монте-Карло, распознавания образов), так и эвристических. [c.152]
Этим же методом решена задача для Северо-Западного экономического района. Система газопроводов этого района была отражена сетью, включающей 42 дуги, 14 вершин — потребителей и 1 пункт поступления газа в систему. В задаче рассмотрена также работа шести подземных газохранилищ (ПХГ), в связи с чем рассмотрены три периода зимний — период максимального потребления газа (в этот период проводится отбор газа из ПХГ) летний — период минимального потребления газа (в этот период газ закачивается в ПХГ) межсезонный — период среднего потребления газа (в этот период работа ПХГ не учитывалась). Для каждого такого периода по результатам полученных на основе метода Монте-Карло 40 сочетаний возможных значений случайных параметров получены четыре варианта состояний природы . Таким образом, для указанного района было получено 12 вариантов развития системы газоснабжения. Выбирая максимальные потоки газа, всю указанную совокупность вариантов свели к четырем конечным. В дальнейшем рассмотрение периода последствия и построение итоговой платежной матрицы проводилось для этих четырех вариантов. Результатом выполнения всех численных расчетов в задаче явились совокупность эффективных вариантов развития системы на первый этап планового периода и платежная матрица в нескольких вариантах. [c.153]
Задачи, в которых потоки требований не являются простейшими, могут быть решены с помощью методов статистического моделирования случайных процессов (метод Монте-Карло). Суть этого метода заключается в том, что он позволяет, зная вероятностные законы функционирования отдельных частей системы, вычислять вероятностные законы всей системы, как бы сложна она ни была. Этот метод очень хорош в случае использования ЭВМ на отдельных этапах. [c.167]
Пять этапов метода Монте-Карло [c.373]
Первый этап любого моделирования методом Монте-Карло — определение распределения(ий) вероятностей для входной(ых) переменной(ых). Большинство компьютерных программ, предназначенных для моделирования методом Монте-Карло, содержат встроенную библиотеку распределений вероятностей. Они также имеют возможность построения распределения вероятностей, основанного на суждениях самого исследователя, поскольку современные компьютеры имеют встроенные генераторы случайных чисел (в действительности генераторы псевдослучайных чисел), которые позволяют получать равновероятные числа между 0 и 1. Таким образом получение числа в диапазоне от 0,1 до 0,2 имеет такую же вероятность, что и получение числа между 0,7 и 0,8 или любое число в интервале от 0,3 до 0,5 имеет такую же вероятность, что и число из интервала 0,8—1,0. [c.411]
Кратко опишите пять этапов процесса моделирования методом Монте-Карло в приложении к ценообразованию опционов на актив, имеющий логнормальное распределение. [c.422]
На основе полученных на предыдущих этапах данных строится совместное распределение прибылей и убытков по портфелю с помощью метода Монте-Карло. Общее число состояний, по которым производится моделирование, составляет nm, где п — количество возможных кредитных событий, связанных с изменением кредитного рейтинга, т — количество контрагентов. Поскольку многие из этих состояний маловероятны, для получения достоверных оценок необходимо использовать очень большое количество сценариев. [c.395]
Формируется набор возможных ситуаций в конечный год первого этапа периода планирования с использованием метода Монте-Карло путем определения различных сочетаний возможных значений параметров (заданных как случайные величины) и группировки этих сочетаний в некоторые классы — состояние природы (СП). Для каждого такого СП, характеризующего возможную ситуацию в рассматриваемой перспективе, определяется оптимальный (в качестве соответствующего критерия оптимальности принят минимум приведенных затрат на развитие ГСС в конечный год первого этапа) план ГСС, характеризующий развитие системы на первом этапе и функционирование ее в конечный год этого этапа. Определяя оптимальные планы, мы стремимся, чтобы эти планы были достаточно реалистичны. Это достигается в рамках эвристических процедур путем проверки использования существующих газопроводов и уточнения значения функционала с учетом вариантности пропускных способностей новых или развиваемых газопроводов. Рассчитанные для различных СП планы после их некоторой группировки образуют зону неопределенности решений для первого этапа периода планирования, которая отражает набор возможных альтернатив развития ГСС на этом этапе. Группируя СП по числу вариантов, вошедших в зону неопре- [c.151]
Место имитационного моделирования в составе экономико-математических методов. 2.Мысленные и машинные модели социально экономических систем. 3.Социально-экономические процессы как объекты моделирования. 4. Структура и классификация имитационных моделей. 5.Основные этапы процесса имитации. 6.Определение системы, постановка задачи, формулирование модели и оценка ее адекватности. 7.Экспериментирование с использованием ИМ, механизм регламентации, интерпретация и реализация результатов. 8.Организационные аспекты имитационного моделирования. 9.Основные компоненты динамической мировой модели Форрестера. 10.Концепция петля обратной связи . И.Структура модели мировой системы. 12. Каноническая модель предприятия. 13.Моделирование затрат предприятия. 14.Моделирование налогообложения. 15.Использование имитационного моделирования для планирования. 16.Содержание процессов стратегического и тактического планирования. 17.Основные модули системы поддержки принятия решений. 18.Сущность статистического ИМ. 19.Метод Монте-Карло. 20.Идентификация закона распределения. 21.Классификация систем МО. 22.Сущность метода экспериментальной оптимизации. 23.Формирование концептуальной модели. 24.Принципы выбора критерия оптимальности, разработка алгоритма оптимизации. 25.Эвристические алгоритмы поиска решений. 26.Управленческие имитационные игры, их природа и сущность. 27. Структура и порядок разработки управленческих имитационных игр. [c.121]
Во второй главе Эрик де Бодт с соавторами показывает, каким образом самоорганизующиеся карты могут быть использованы для долгосрочного прогнозирования изменения процентных ставок. Поскольку метод Монте-Карло не дает представления о динамике структуры процентных ставок, обладающей классическим свойством стремиться к среднему значению, Эрик де Бодт предлагает использовать альтернативный подход. Основываясь на методе Монте-Карло, он конструирует условные распределения вероятности скачков структуры процентных ставок. Данная процедура позволяет не только вырабатывать устойчивые долгосрочные сценарии движения процентных ставок, но обладает также свойствами, позволяющими отражать исторические изменения структуры процентных ставок, используемые для построения условных распределений вероятностей. Для большей наглядности предлагаемого подхода Эрик де Бодт излагает его в четыре этапа. [c.34]
На рис. 2.7 изображен путь из 2000 шагов, полученный для краткосрочной ставки посредством описанной выше процедуры. Теоретические временные ряды краткосрочной ставки используются для вычисления процентной ставки по обязательствам со сроком погашения от 1 года до 15 лет на каждом из шагов. Исторический набор данных состоит из ставок по краткосрочным сделкам и сделкам спот со сроками погашения от 1 года до 15 лет. Следующий этап процедуры проверки достоверности состоит в использовании подхода, описанного в разд. 2.3. Сначала производится кластеризация 2000 структур процентных ставок. Вычисляются однодневные скачки структур процентных ставок. Затем производится кластеризация скачков, связанных с каждым из классов структуры процентных ставок. Наконец, возможные будущие пути моделируются при помощи метода Монте-Карло. Полученные таким образом пути используются для оценки параметров IR-модели структуры процентных ставок при помощи алгоритма ОММ. Эти оценки сопоставляются с исходными значениями, взятыми из работы Даль-квиста (Dahlquist, 1996). [c.77]
Оценка эффективности проекта с учетом измеренного является одним из самых сложных этапов анализа. Для этого ствует несколько методов, среди которых можно отметить корректировки нормы дисконта метод достоверных эквивал анализ чувствительности критериев эффективности пр метод сценариев дерево решений метод Монте-Карло (i ционное моделирование) и др. Выбор конкретных методов с рисков реального инвестирования определяется рядом фак таких как вид инвестиционного риска, полнота и достове] информационной базы, уровень квалификации инвестици менеджеров и др. [c.278]