При большом числе плановых задач по определению оптимального способа организации работ и использования оборудования применяют имитационные модели, воспроизводящие экономические и производственные условия с помощью ЭВМ. Из методов статического моделирования применяют метод Монте-Карло, сетевые модели и др. [c.128]
Метод Монте-Карло может быть использован при решении вопроса о рациональности использования бурового оборудования, определении мощности производственных процессов, оптимальных условий работы. [c.89]
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]
После определения функции распределения можно применять процедуру Монте-Карло. [c.244]
Алгоритм анализа графа с возвратом основан на использовании метода статистических испытаний и известного алгоритма Форда для сетевых графиков. Процедура Форда используется для расчета временных параметров отдельных фрагментов графа с учетом их топологии и задаваемых характеристик, а методами Монте-Карло имитируется реализация соответствующих дуг возврата. Таким образом, центральной процедурой алгоритма является моделирование событий контроля и согласования методом статистических испытаний. Исходы этих событий описываются вероятностями повторного исполнения определенных фрагментов проекта. [c.197]
Анализу резервов нефти и газа методом Монте-Карло присущ один недостаток, вытекающий из определения доказанных запасов месторождения. В рамках современного общепринятого подхода низшая 10-я процентиль, или 1-я дециль, рассматривается как доказанная (Р), 50-я процентиль — как доказанная и вероятная (Р + Р), а верхняя 10-я процентиль (высшая дециль) — как доказанная вероятная и возможная (Р + Р + Р). В приведенном ранее примере различным уровням достоверности будут соответствовать такие показатели [c.172]
Для эффективного решения поставленной оптимизационной задачи для больших размерностей графов алгоритма и ВС в данном параграфе разрабатывается стохастический метод Монте-Карло. В сформулированной задаче каждому варианту R разрезания графа алгоритма на подграфы соответствует функционал времени счета (R). Требуется определить такое разрезание R, которое доставляет минимум функционалу J. Заметим, что эквивалентом варианта разрезания является определенное расположение вершин графа ГА в подграфах, a R соответствует их координатам . [c.151]
Технико-экономическое обоснование (ТЭО) Дерево решений . Проверка устойчивости. Определение точки безубыточности. Формализованное описание неопределенности и рисков. Анализ сценариев. Метод Монте-Карло [c.248]
По результатам 100 розыгрышей случайных параметров по методу Монте-Карло выделено путем группировки 10 вариантов состояний природы . Для каждого из них путем решения детерминированной оптимизационной подзадачи был определен соответствующий вариант развития ЕГС. [c.153]
Для исследований базисной устойчивости стохастической транспортной задачи может быть использован метод статистических испытаний (метод Монте-Карло) в сочетании с двойственным методом потенциалов. При этом данные, характеризующие ресурсы поставщиков и потребности потребителей, формируются ЭВМ на основе определенных законов распределения и возможных интервалов их изменений. Под набором подразумевается совокупность величин ресурсов и потребностей, которые соответствуют их предполагаемым значениям в заранее определенных интервалах. Необходимое число наборов значений ресурсов и потребностей формируется соответствующей машинной программой для ЭВМ Минск-22 . При этом по рекуррентному соотношению по способу перемешивания определяется последовательность квазислучайных чисел, обладающих статистическими свойствами последовательности независимо от выбранных значений равномерно распределенной случайной величины =f (l/z-i),l г /г ЛЛ Полученные числа обычно удовлетворяют системе принятых статистических критериев для проверки равномерности распределения. [c.112]
Если в объекте моделирования входной сигнал преобразуется в определенный функционал, то необходимо иметь типовые функциональные блоки. Когда функционал имеет детерминированный характер, функциональный блок воспроизводит детерминированную функциональную зависимость. Если зависимость носит вероятностный характер, то блок должен воспроизводить случайную функцию. При этом следует указать, что способ получения заданных случайных зависимостей давно используется в статистическом моделировании (метод Монте-Карло) и может быть заимствован оттуда. В реальных моделях часто требуется не только воспроизводить случайную функцию, а применять эмпирические зависимости, т.е. использовать реальные данные в преобразователях и т.п. Гораздо легче в имитационных моделях реализовать блоки, имеющие теоретические распределения, так как их легко преобразовывать, меняя интенсивность или другие параметры распределений. [c.286]
Генератор случайных функций Г — частный случай преобразователя случайных функций, он предназначен для выработки случайных выходных сигналов с заданным типом распределения. Задание типа распределения выходного сигнала может осуществляться в эмпирической форме или в форме аналитического выражения. Например, требуемый выходной сигнал должен соответствовать потоку обращений клиентов в Сбербанк в определенном месте и в период с мая по октябрь. Исходными здесь могут быть зафиксированные фактические данные за этот период. Эти данные могут быть использованы для фиксации эмпирического распределения и на их основе, например методом Монте-Карло, может быть получен поток с заданным законом распределения. [c.291]
Проиллюстрируем использование метода Монте-Карло для определения стоимости одногодичного опциона на покупку актива, имеющего распределение дохода, изображенное на рис. 8.12. Текущая цена актива равна 1000 единиц, цена исполнения опциона также составляет 1000 единиц, а безрисковая процентная ставка равна 6% годовых (непрерывно наращенная). Мы используем технику моделирования, поскольку, как видно из рис. 8.12, эмпирическое распределение вероятностей не является нормальным. [c.418]
Технике- экономическое обоснование (ТЭО) 1. Дерево решений. 2. Проверка устойчивости. 3. Определение точки безубыточности. 4. Формализованное описание неопределенности и рисков. 5. Анализ сценариев. 6. Метод Монте-Карло [c.309]
При установлении оптимального размера страхового запаса также учитывают разнонаправленное влияние его величины на разные элементы затрат или потерь. При уменьшении страхового запаса пропорционально сокращаются издержки его хранения, но одновременно с тем возрастает вероятность потерь и убытков, к-рые несет предприятие в случае исчерпания запаса и невозможности удовлетворить требования на данный вид ресурсов. Оптимальным считается страховой запас, при к-ром сумма этих издержек и потерь является минимальной. Для определения этого оптимума нужны расчеты по выявлению вероятности исчерпания запаса и возникновения дефицитности ресурсов (с оценкой ее размеров и длительности) и по измерению потерь или убытков, к-рые вызываются такой дефицитностью. Для выявления вероятности исчерпания запаса изучают статистич. данные за довольно длительный период времени и определяют закономерность колебаний потребления соответствующего материала и сроков выполнения заказов на пополнение запаса поставщиками. Упрощенное и достаточно надежное решение этой задачи достигается применением методики Монте-Карло, сущность к-рой заключается в имитации движения запаса на основе эмпирически установленных средних значений изучаемого показателя, показателя дисперсии (8) и таблицы случайных чисел для определенного типа распределения. Так, зная, что среднесуточное потребление данного материала а = 333 единицам, а его колеблемость 8= 64, и принимая, что распределение этих отклонений следует закону нормального распределения Гаусса, можно рассчитать сколь угодно длинный ряд суточного потребления, пользуясь таблицей случайных чисел и формулой А = а+3 Е, где Е — нормализованное отклонение по таблице случайных чисел. В табл. 1 приводятся значения суточного потребления, исчисленные по данной формуле. Аналогично строится модель вероятных сроков выполнения заказов на очередные поставки. Но при этом пользуются др. рядами случайных чисел, т. к. колебания сроков выполнения заказов лучше могут быть описаны законом распределения Пуассона. Допустим, что для данных условий ряд случайных чисел, характеризующих сроки выполнения заказов, можно записать так 6,9, 5, 5, 8, 6, 7 и т. д. Отправляясь от к.-л. исходной величины остатка материалов, от полученных расчетом рядов суточного потребления и наиболее вероятных сроков выполнения заказов, строят модель движения запаса. В табл. 2 принята нормальная партия заказа в 7500 шт., а уровень запаса, при к-ром выдается заказ на его пополнение, — 2000 шт. Чтобы эта модель давала достаточно надежную базу для выводов, ее рекомендуется продолжить условно на несколько тысяч дней, для чего обычно используют электронно-вычислительные машины. [c.270]
Для определения доверительного интервала времени и оценки надежности выполнения заказа может применяться имитационное моделирование (метод статистических испытаний или метод Монте-Карло), которое заключается в воспроизведении исследуемого процесса при помощи вероятностной математической модели. Одно такое воспроизведение функционирования системы называют реализацией или испытанием . Метод основан на многократных испытаниях построенной модели с последующей статистической обработкой полученных данных с целью определения числовых характеристик исследуемого процесса в виде статистических оценок его параметров. [c.129]
МЕТОД МОНТЕ-КАРЛО — численный метод, основу которого составляет получение большого числа реализаций случайного процесса, который формируется так, чтобы вероятные характеристики (математические ожидания, вероятность некоторых событий, вероятность попадания траектории процесса в некоторую область и т. д.) равнялись определенным величинам решаемой задачи. Экономический эксперимент может заменяться статистическими испытаниями модели экономического процесса. Построение модели процесса может основываться на распределении случайных величин в исследуемом процессе. Рассматриваемый метод широко применяется при решении экономических задач, исследовании функционирования сложных систем (например, АСУ). Этот метод достаточно эффективен в теории массового обслуживания. [c.367]
Отмеченная сложность объясняет широкое использование методов Монте-Карло (см., например, [317], [329], [385], [386]) в 7 /5-анализе, и, в частности, для определения того, насколько этот анализ дает удовлетворительное оценивание неизвестного значения Н. [c.446]
Количественный анализ проектных рисков может производиться с использованием различных методов метода аналогий (при оценке риска часто повторяющихся проектов), метода экспертных оценок, статистического метода (построение кривой риска), группы аналитических методов (вычисление и анализ критериев эффективности построение диаграммы чувствительности и определение точки безубыточности использование аппарата математической статистики построение сценариев развития проекта применение метода Монте-Карло и т. д.). [c.107]
Продемонстрировать на примере, как можно применить различные методы, обсужденные в предыдущих главах, к планированию и анализу имитационных экспериментов и экспериментов по методу Монте-Карло. Мы применим план 2 у3, дополняющие величины, формулы для определения объема выборки, дисперсионный и регрессионный анализ, совместные выводы и т. д. [c.269]
Для определения реализуемой доходности портфеля облигаций можно использовать метод Монте-Карло. [c.86]
К прямым относятся задачи определения эффективности операции, качества выбранного решения и i действия. Класс обратных составляют задачи оптимизации, определения оптимальных альтернат управляемых факторов, при которых критерий эффективности достигает экстремального минимального) значения. В чистом виде указанные классы задач встречаются нечасто, однако пр< имеют обратные задачи. Для решения прямых задач используются математико-статистические метод что исследуемые процессы в существенной мере подвержены воздействию неопределенных, случайнь полезности для ряда задач может быть оценена лишь вероятностно. Поэтому основой для анализа эс теория вероятности и ее модификации - теория массового обслуживания, теория марковских случай надежности, метод Монте-Карло (в частности для моделирования сложных ситуаций на ЭВМ). [c.106]
Рассмотрим, какие ошибки возникают при определении вероятностей методом Монте-Карло. В настоящее время при определении границ изменения исходных параметров модели для имитаций исследователи абстрагируются от вопроса равновероятности данных границ. Рассмотрим данный аспект на примере проекта разработки газоконденсатного месторождения. Например, исходными изменяющимися параметрами (независимыми и некоррелирующими) будут эксплуатационные затраты, капитальные вложения и др., и границы их изменения будут заданы как -20 % +20 % (их советуют применять чаще всего) или, например, границы -10% +10 %. [c.23]
МОДЕЛЬ ИМИТАЦИОННАЯ (simulation model) — модель, предназначенная для анализа воздействия на к -л систему изменений в ее структуре и/или внеш условий функционирования (ретроспективный анализ или определение спектра допустимых сценариев будущего развития) При гаком подходе принадлежность модели к классу М и определяется не объектом моделирования, методами построения и структурой, а характером ее использования (используется для получения ответов на вопрос "Что, если ") См также Модегирование имитационное, Метод Монте-Карло [c.141]
ТЕОРИЯ РАСПИСАНИЙ (s heduling theory) -науч дисциплина, посвященная разработке оптимизации методов, оперативно-календарного планирования Задача Т р —один из видов задач операций исследования, объединяемых в класс задач упорядочения Они состоят в определении оптим очередности обработки изделий на разл станках или др рабочих местах, составлении программы-"диспетчера" для управления работой ЭВМ в режиме мультипрограммирования и т п Для решения задач используется ряд методов программирования линейного, сетевые методы планирования и управления, метод Монте-Карло и др [c.267]
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]
Неопределенность исходной информации также следует учитывать при выработке реальных плановых решений. Эта неопределенность имеет разные (как субъективные, так и объективные) причины, но практически присуща всем задачам планирования. Для задач перспективного (особенно долгосрочного) планирования эта неопределенность отражает объективный фактор — принципиальную невозможность точного знания всех условий и параметров в перспективе, для задач на меньшие периоды планирования неопределенность исходной информации в широком смысле может являться следствием как недостоверности исходных данных, так и стохастичности природных явлений (погодных и др.) — случай вероятностной определенности. Учет фактора неопределенности исходной информации может проводиться как использованием специальных методов учета вероятностных параметров, таких как стохастическое программирование, а также метод Монте-Карло (статистических испытаний), теория массового обслуживания и др., так и выбором соответствующих приближенных схем, человеко-машинных методов и т. д. При первом направлении для неопределенных параметров исходной информации на основе экспертных оценок, ограниченных статистических данных и методов математической статистики гипотети-118 [c.118]
В 60-х и 70-х годах были достигнуты значительные успехи в области развития общей теории реакционной способности макромолекул. В работах Н. А. Платэ с сотр. предложен количественный подход к описанию макромолекулярных реакций, что позволяет рассчитать параметры распределения звеньев и композиционной неоднородности продуктов поли-мераналогичных реакций. Для описания структуры таких продуктов создан специальный математический аппарат, включающий разнообразные точные и приближенные методы, в том числе марковские приближения и метод математического моделирования Монте-Карло. Кроме того,, предложен метод полимерных моделей для определения индивидуальных констант скорости конкретных макромолекулярных реакций из экспериментальных кинетических данных [87, 88]. [c.120]
Другая группа определений рассматривает исследование операций, исходя из различных методов, которые были разработаны специалистами по анализу операций, включая инвентарную теорию, линейное программирование, теорию очередностей, теорию игр, символическую логику и метод Монте Карло. Действительно,. исследование операций часто использует эти методы, однако оно также использует любые научные, математические или логические средства (включая диаграммы, схемы, карты, схемы потоков. и даже описательные словесные формулировки) для решения проблем, стоящих перед руководителем. Определять исследование операций исходя из применяемой техники является ошибкой, — говорят Миллер и Старр, — подобной определению медицины по набору медикаментов, которые врачи. применяют для лечения своих пациентов . [c.213]
Имитационное моделирование является относительно новым и быстро развивающимся методом исследования поведения систем управления. Этот метод состоит в том, что с помощью ЭВМ воспроизводится поведение исследуемой системы управления, а исследователь-системотехник, управляя ходом процесса имитации и обозревая получаемые результаты, делает вывод о ее свойствах и качестве поведения. Поэтому под имитацией следует понимать численный метод проведения на ЭВМ экспериментов с математическими моделями, описывающими поведение системы управления для определения интересующих нас функциональных характеристик. Появление имитационного моделирования и превращение его в эффективное средство анализа сложных систем было, с одной стороны, обусловлено потребностями практики, а с другой стороны, обеспечено развитием метода статистических испытаний (метода Монте-Карло) [3], открывшего возможность моделирования случайных факторов, которыми изобилуют реальные системы, а также развитием электронной вычислительной техники, являющейся базой для проведения статистических экспериментов. [c.190]
Системы управления проектами PERT / время, PERT / затраты. Алгоритмы временного анализа сетевого графика. Оптимизация стоимости проекта. Сетевое планирование с учетом ресурсов. Анализ проектов со случайными продолжительностями выполнения работ. Бета-распределение и его параметры. Метод Монте-Карло. Математическая основа метода. Генерация случайных величин с заданным законом распределения. Вопросы определения параметров процесса методом Монте-Карло и представление результатов. Альтернативные стохастические графы. Графы с возвратами. Алгоритмы анализа стохастических графов. Моделирование проектов с учетом неопределенности. [c.103]
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]
Биномиальный метод, называемый также по имени его авторов методом Кокса-Росса-Рубинштейна ( ox-Ross-Rubinstein), был предложен в 1979 году и является более поздним по отношению к методу Блэка-Шоулса (1973). Однако начинать знакомство с подходами к оценке опционов лучше именно с более простого биномиального метода. В определенном смысле он аналогичен численным методам решения дифференциальных уравнений. Первоначально данный подход применялся для расчета стоимостей американских опционов, для которых отсутствует точное аналитическое решение, а впоследствии был распространен на многие более сложные производные инструменты. В настоящее время численные методы наряду с методами статистических испытаний (Монте-Карло) чаще всего используются в моделях обсчета производных инструментов, так как позволяют максимально учесть реальные условия операций с ними. [c.35]
В V.A.3 мы приведем ряд хорошо известных результатов для доверительных интервалов и критериев для среднего одной нормальной совокупности или разности между средними двух нормальных совокупностей. Мы обсудим, например, /-критерий для одной либо двух совокупностей с неизвестными и возможно различными дисперсиями. Рассматриваются предположения -критерия и имитационное моделирование, а также биномиальное распределение и оценивание квантилей. В V.A.4 изучается определение объема выборки. Для доверительного интервала заданной длины обсуждается двойная выборка и (асимптотически состоятельная и эффективная) последовательная выборка. Многочисленные применения в моделировании и экспериментах Монте-Карло показывают, что правила останова срабатывают. Мы также определим объем выборки для проверки гипотез с заданными ошибками аир при применении двойной выборочной процедуры. В качестве альтернативы можно взять подход, основанный на селекции ( зона безразличия ), который отбирает с заданной надежностью уточненную совокупность. Эвристический последовательный метод применен в имитационном эксперименте. Проверку гипотез с заданными ошибками а и р и строго последовательной выборкой можно осуществить по критерию последовательного отношения вероятностей Вальда (Wald) (КПОВ) (при условии, что нет мешающих параметров следовательно, для биномиальной совокупности существует точный КПОВ). Часть А заканчивается приложениями, упражнениями и библиографией. [c.121]
I Три определении х2 используются все п2 величин х%, а при определении tti только величин xz случайным образом выбираются из общего числа п2. (Из-за этой рандомизации Шеффе [S heffe, 1970, р. 1503] не рекомендует этот подход.) Поскольку в имитационном моделировании и в исследованиях по методу Монте-Карло все экспериментальные условия контролируются, можно просто взять первые nt наблюдений величины лг2, а не делать рандомизации. Заметим, что при равных объемах пыборок уравнение (43) сводится к уравнению (36) и подходы 1 и 4 становятся одинаковыми. [c.135]
В V А мы обсуждали проблему Надежности суждений о среднем одной совокупности или о разности средних двух совокупностей при фиксированном объеме выборки. Теперь перейдем к рассмотрению общего случая k (> 2) совокупностей В отличие от V А 4 (и далее V В), где число наблюдений выбирается с целью получить наиболее Iочное значение среднего с определенной, заранее заданной надежностью, здесь мы будем рассматривать фиксированный объем выборки, состоящей из tit наблюдений совокупности я, (i = 1, 2,, k) Такие ( итуации встречаются в моделировании и исследованиях по методу Монте-Карло, они мало изучены Кроме того, мы не будем стремиться к тому, чтобы получить наилучшую систему, а попытаемся определить, пнияют ли факторы на систему, а если влияют, то как Попытаемся Юм самым получить более глубокое представление о проблеме Заме i им, что фактор или факторы предполагаются качественными, для количественных факторов более адекватны методы регрессионного ипализа1 [c.169]
Метод Монте-Карло общепризнан наилучшим, так как обладает рядом еоспоримых достоинств, в частности не использует гипотезу о нормальном определении доходностей, показывает высокую точность для нелинейных нструментов и устойчив к выбору ретроспективы. К недостаткам метода южно отнести техническую сложность расчетов и модельный риск. [c.273]
Формула (8.12) базируется на малоправдоподобном допущении, что между проявлениями рыночного, кредитного и операционного рисков наблюдается совершенная положительная корреляция (+1). В реальности между рыночным и кредитным рисками может существовать как положительная, так и отрицательная взаимосвязь, в то время как операционный риск, как правило, не проявляет заметной корреляции с рыночным или кредитным риском. Учет корреляций между рисками разной природы позволил бы снизить размер резервируемого капитала, однако это является одной из самых сложных проблем интегрированного финансового риск-менеджмента [46]. Поэтому в современных модификациях метода RARO осуществляется полномасштабное статистическое моделирование по методу Монте-Карло с целью построения совместного распределения потерь при одновременном проявлении нескольких видов риска, которое бы учитывало наблюдаемые или предполагаемые корреляционные взаимосвязи между ними [18]. Если удается построить совместное распределение убытков вследствие всех основных факторов риска, капитал, резервируемый против совокупного риска, может быть определен по аналогии с VaR как квантиль этого распределения порядка а [67] [c.562]
Для оценки финансовых активов существует множество моделей. Как правило, их целью является определение реальной цены котируемых финансовых инструментов, например облигаций, либо оценка рискованности портфеля активов с помощью прогнозирования. Эти модели позволяют выработать политику управления рисками и определить коэффициенты хеджирования. Зачастую определение коэффициентов хеджирования является их основной целью, еще более важной, чем теоретическая оценка самих активов. Существует два основных подхода к моделированию структуры процентных ставок и ее динамики параметрический и непараметрический. В данной главе нами будет рассмотрен непараметрический подход, не требующий принятия никакой априорной гипотезы относительно вида функционала процесса, формирующего структуру процентных ставок, а также вида распределения, характеризующего динамику наблюдаемых случайных величин. На примере исторического набора данных Эрик де Бодт, Филипп Грегори и Мари Коттрелл используют алгоритм СОК для аппроксимации распределения структуры процентных ставок и ее изменения с течением времени (структурных потрясений). Производимое на этой основе численное моделирование методом Монте-Карло позволяет получить картину долгосрочного развития структуры процентных ставок в течение пяти лет. [c.63]
Метод Монте-Карло (метод теории игр) заключается в следующем < ставляется система уравнений, отражающих взаимосвязь исходных naj метров проекта, погрешностей в их определении, результирующих пока телей проекта. Одним из решений задачи по данной модели является sat распределения для денежных потоков, что позволяет с заданной погрепл стью определить, каких результатов следует ожидать от данного проект [c.200]