Сущность инвестиционного риска. Классификация инвестиционных рисков. Источники риска. Систематическая и несистематическая компонента риска инвестиций. Способы оценки риска. Статистический метод, метод Монте-Карло, экспертный метод, метод чувствительности. [c.82]
Теории массового обслуживания, статистических испытаний (или метод Монте-Карло) и статистических решений применимы для решения организационных задач. [c.152]
На практике возникает большое число задач, где необходимо определить оптимальный способ организации работ и использования оборудования. В этом случае применяют имитационные модели, заключающиеся в имитации экономических и производственных условий на ЭВМ путем воспроизведения элементарных явлений и актов процесса в последовательности, содержащей реальные связи и взаимосвязи. Из методов статистического моделирования используются метод Монте-Карло, сетевые модели и др. Содержание и методика использования конкретных моделей рассматривается далее. [c.19]
Планировку участка предметной специализации определяют по ведущему технологическому процессу, а при его отсутствии — по критерию оптимальности. На участках изготовления изделий электронной техники таким критерием могут быть минимальный объем незавершенного производства, наименьшая длительность процессов изготовления изделия, минимальная себестоимость. При этом целесообразно использование методов статистического моделирования (метода Монте-Карло, метода направленного перебора, обеспечивающего путем перестановок приближение к оптимуму с помощью транспозиций матриц). [c.114]
Метод Монте-Карло может быть использован при решении вопроса о рациональности использования бурового оборудования, определении мощности производственных процессов, оптимальных условий работы. [c.89]
Для анализа стохастических моделей, особенно многокритериальных, в последнее время широко используется подход имитационного типа, получивший название метода Монте-Карло. Он состоит в следующем с помощью специально реализованного в ЭВМ генератора случайных чисел строят последовательность чисел г/ , г/2, . ., UN, которые в совокупности можно интерпретировать как последовательность реализаций случайной величины у. Выбирают конечное число вариантов управления xt, xz,. . ., хп. Рассчитывают значения W(xt, ys) для всех i = 1,. . ., п j = 1,. ... . ., N. Числа W(xi, z/j) (/ = 1,. . ., N) дают представление о распределении показателя W при управлении xt, т. е. о функции распределения FXi(r ), и могут использоваться для оценки этого [c.155]
Для того чтобы хорошо оцепить распределение FXi(r ), необходимо взять достаточно большое значение. /V — числа реализации случайной величины у. Чтобы хорошо аппроксимировать множество всех решений X, приходится брать большое число п. Это приводит к очень большому (п X N) числу расчетов, что делает метод Монте-Карло не всегда реализуемым на практике. Все же, несмотря на описанный недостаток, метод используется очень часто, поскольку является во многих случаях единственным пригодным средством анализа модели. [c.155]
К сожалению, при непосредственном применении методов теории вероятностей исследовать достаточно сложные системы удается не всегда. В таком случае приходится прибегать к имитационным экспериментам на вычислительной машине, которые в данном случае называются методами Монте-Карло. [c.205]
Наиболее распространенными методами анализа рисков являются анализ чувствительности (уязвимости), анализ сценариев и моделирование рисков по методу Монте-Карло. [c.322]
МЕТОД МОНТЕ-КАРЛО. Этот метод воссоединяет методы анализа чувствительности и анализа сценариев на базе вероятностного подхода. Он достаточно сложен, его реализация возможна только при помощи компьютера. Итог такого анализа — распределение вероятностей возможных результатов проекта (например, вероятность получения А/РУ < 0), на основании чего принимают решение о степени рисковости данного проекта. [c.323]
Определение оптимального уровня денежных средств. Смысловая нагрузка последнего блока определяется необходимостью нахождения компромисса между, с одной стороны, желанием обезопасить себя от ситуаций хронической нехватки денежных средств и, с другой стороны, желанием вложить свободные денежные средства в какое-то дело с целью получения дополнительного дохода. В мировой практике разработаны методы оптимизации остатка денежных средств, в основе которых заложены те же идеи, что и в методах оптимизации производственных запасов. Наибольшую известность получили модели Баумоля, Миллера — Орра, Стоуна и имитационное моделирование по методу Монте-Карло [Ковалев, 1999]. Суть данных моделей состоит в том, чтобы дать рекомендации о коридоре варьирования остатка денежных средств, выход за пределы которого предполагает либо конвертацию денежных средств в ликвидные ценные бумаги, либо обратную процедуру. [c.375]
Получение характеристик систем массового обслуживания подобного класса возможно с помощью метода статистических испытаний — метода Монте-Карло, т.е. путем создания имитационной модели, на которой проигрывают различные ситуации, возникающие в процессе выполнения оперативного плана. [c.232]
Наиболее сложным, трудоемким и дорогостоящим методом анализа рисков является метод Монте-Карло. Он, в основном, используется для анализа рисков крупных проектов в условиях недостаточного объема априорной информации. Этот метод заключается в построении имитационных моделей, позволяющих создать множество сценариев, согласующихся с заданными ограничениями на исходные переменные. [c.281]
Рассмотрим следующий модельный пример. Методом Монте-Карло (см. 12.2) была сымитирована модель [c.214]
Метод Монте-Карло [c.285]
Эксперимент по методу Монте-Карло — это эксперимент, основанный на компьютерном моделировании случайных величин. [c.285]
Суть метода Монте-Карло заключается в том, что с помощью компьютера можно многократно наблюдать случайную величину с заранее известным распределением. Это позволяет получить (или проверить) статистические результаты экспериментально. [c.285]
В эконометрическом моделировании значение метода Монте-Карло особенно велико. С его помощью можно построить модель с заранее известными параметрами (отметим еще раз, что в реальных моделях параметры никогда не бывают известны). [c.286]
Метод Монте-Карло позволяет проверить экспериментально результаты, полученные теоретически. В качестве примера рассмотрим задачу выбора спецификации модели. Пусть имеются фиксированные выборки переменных X, Z, а случайные выборки переменной К генерируются по формуле [c.286]
С помощью метода Монте-Карло можно наглядно демонстрировать результаты применения тестов, а также экспериментально оценить последствия нарушения тех или иных условий. [c.287]
Наконец, отметим особенно значимую роль экспериментов по методу Монте-Карло в процессе обучения. Именно с помощью таких экспериментов можно увидеть различия между методами оценивания моделей, наблюдать эффекты, вызванные нарушением тех или иных условий и т. д. [c.287]
С помощью метода Монте-Карло построить следующие величины [c.287]
Методом Монте-Карло сгенерировать следующие временные ряды [c.288]
С помощью теории массового обслуживания можно получить аналитические выражения и при других дисциплинах обслуживания очереди и конфигурациях вычислительной системы. Рассматривая модель обслуживания заданий, мы исходим из предположений того, что процессы в системе - марковские, а потоки - простейшие. Если эти предположения неверны, то получить аналитические выражения трудно, а чаще всего невозможно. Для таких случаев моделирование проводится с помощью метода статистических испытаний (метода Монте-Карло), который позволяет создать алгоритмическую модель, [c.76]
Короче говоря, менеджеры по возможности избегают черных ящиков и платят любому, кто может им помочь заглянуть внутрь. Поэтому консультанты и ученые разработали методики, которые мы будем называть анализом проекта. Несколько методик мы рассмотрим в этой главе, в первую очередь - анализ чувствительности, анализ безубыточности, модель Монте-Карло и "древо решений". В этих терминах нет ничего магического, они воплощают в себе лишь здравый смысл, подкрепленный возможностями компьютера. Вам не нужна лицензия, чтобы ими пользоваться. [c.233]
МОДЕЛЬ МОНТЕ-КАРЛО [c.241]
Представьте себе, что вы игрок в Монте-Карло. Вы ничего не знаете о законах вероятности (немногие игроки осведомлены об этом), но приятель предложил вам сложную стратегию игры в рулетку. Ваш приятель не проверял на практике эту стратегию, но уверен, что, применяя ее, в среднем вы получите 2,5% дохода на каждые 50 оборотов колеса рулетки. По оптимистической оценке вашего друга, каждая серия из 50 оборотов принесет 55% прибыли по пессимистической оценке они дадут 50% убытка. Как вам удостовериться в том, насколько реальны эти шансы Легкий, но, вероятно, дорогостоящий способ - начать играть и проверять результаты после каждой серии из 50 оборотов. Скажем, после 100 серий по 50 оборотов построить частотное распределение результатов и определить среднюю от верхних и нижних предельных значений. Если результат окажется хорошим, тогда вы можете сделать несколько серьезных ставок. [c.241]
Это был бы пример применения модели Монте-Карло. При планировании долгосрочных вложений мы заменяем игровую стратегию на модель проекта, [c.241]
Древо решений"и модель Монте-Карло [c.255]
В анализе чувствительности вы единовременно меняете значение лишь одной переменной когда вы проводите анализ сценариев, вы рассматриваете ограниченное число альтернативных комбинаций переменных. Если вы хотите провести основательный анализ и рассмотреть все возможные комбинации переменных, вам, чтобы охватить все, вероятно, потребуется модель Монте-Карло. В этом случае вы должны построить полную модель проекта и определить вероятностное распределение каждой составляющей потока денежных средств. Затем вы даете компьютеру задание выбрать наугад значение каждой из этих составляющих и вычислить возможные результирующие потоки денежных средств. После того как компьютер выполнит эту операцию тысячу или примерно столько раз, вы должны получить ясное представление об ожидаемом потоке денежных средств для каждого года и разброс значений возможных потоков денежных средств. [c.256]
Предположим, что менеджер уже рассчитал потоки денежных средств проекта, определил его чистую приведенную стоимость и провел анализ чувствительности, аналогичный представленному в таблице 10-2. Перечислите дополнительные шаги, необходимые для построения модели Монте-Карло для денежных потоков проекта. [c.258]
Учитывая матричную форму изложения в учебнике вопросов множественной регрессии, в приложении (главе 11) приведены основные сведения из линейной алгебры. Кроме того, в ыаве 12 рассмотрено применение компьютерных пакетов для оценивания эконометрических моделей, а также проведение эксперимента по методу Монте-Карло, основанного на компьютерном моделировании случайных величин. [c.4]
Однако оказывается, что тест Дики—Фуллера в этом случае неприменим При его использовании гипотеза о нестационарности комбинации будет отвергаться слишком часто. На самом деле критические значения для /-статистики в этом случае другие. Они были оценены методом симуляции (методом Монте-Карло, см. гл. 12). Сравнение наблюдаемого значения Г-статистики с этими уточненными оценками критических зна- [c.221]
Анализ чувствительности позволяет вам единовременно учитывать влияние изменения только одной переменной. Рассматривая проект при различных сценариях, вы можете выявить результаты ограниченного числа вероятных сочетаний переменных. Модель Монте-Карло позволяет рассмотреть все возможные комбинации. Использование модели при планировании долгосрочных вложений ассоциируется главным образом с Дэвидом Герцем и консалтинговой фирмой в области управления M Kinsey and ompany. Как мы увидим, этот метод является противоречивым. [c.241]
Мы говорили о том, что любой прогноз потоков денежных средств строится на допущениях относительно будущих инвестиций и стратегии производства. Вернемся к имитационной модели Монте-Карло, которую мы построили для компании "Драндулет". Какая стратегия лежала в ее основе Мы не знаем. "Драндулет" неизбежно столкнется с необходимостью принятия решений по вопросам ценообразования, производства, расширения и прекращения бизнеса, но допущения, сделанные создателем модели, касающиеся этих решений, сокрыты в уравнениях модели. В какой-то момент создатель модели может четко сформулировать будущую стратегию для "Драндулета", но, очевидно, она не будет оптимальной. Будет сделано несколько прогонов модели, прежде чем почти все пойдет не так, как надо, но к этому времени в реальной жизни компания "Драндулет" уже остановила бы проект, чтобы уменьшить свои потери. А модель продолжает воспроизводить период за периодом, невзирая на истощение денежных ресурсов "Друндулета", но наиболее неблагоприятные результаты, полученные в имитационной модели, никогда не встречаются в реальной жизни. [c.255]
Хэкс и Уиг обсуждают, как модель Монте-Карло и метод "древа решений" использовались в практическом планировании долгосрочных вложений. [c.257]
Смотреть страницы где упоминается термин Монте-Карло
: [c.448] [c.154] [c.219] [c.301] [c.391] [c.302] [c.257] [c.258] [c.258]Цвет нефти (2004) -- [ c.27 ]