Часть полного текста документа:Методи монте-карло-ця загальна назва групи методів для рішення різних задач за допомогою випадкових послідовностей. Ці методи (як і вся теорія імовірностей) виросли з спроб людей поліпшити свої шанси в азартній грі. Цим пояснюється і той факт, що назву цій групі методів дало місто Монте-Карло - столиця європейського грального бізнесу. Імітаційне моделювання по методу Монте-Карло (Monte-Carlo Simulation) дозволяє побудувати математичну модель для проекту з невизначеними значеннями параметрів, і, знаючи ймовірнісні розподіли параметрів проекту, а також зв'язок між змінами параметрів (кореляцію) отримати розподіл прибутковості проекту. Блок-схема, представлена на малюнку відображає укрупнену схему роботи з моделлю. Перший крок при застосуванні методу імітації полягає у визначенні функції розподілу кожної змінної, яка впливає на формування потоку готівки. Як правило, передбачається, що функція розподілу є нормальною, і, отже, для того, щоб задати її необхідно визначити тільки два моменти (математичне очікування і дисперсію). Як тільки функція розподілу визначена, можна застосовувати процедуру Монте-Карло. Алгоритм методу імітації Монте-Карло Шаг 1.Спираючись на використання статистичного пакету, випадковим чином вибираємо, засновуючись на ймовірнісній функції розподілу значення змінної яка є одним з параметрів визначення потоку готівки. Крок 2. Вибране значення випадкової величини поряд зі значеннями змінних, які є екзогенними змінними використовується при підрахунку чистої приведеної вартості проекту. Кроки 1 і 2 повторюються багато разів, наприклад 1000, і отримані 1000 значень чистої приведеної вартості проекту використовуються для побудови щільності розподілу величини чистої приведеної вартості зі своїм власним математичним очікуванням і стандартним відхиленням. Використовуючи значення математичного очікування і стандартного відхилення, можна обчислити коефіцієнт варіації чистої приведеної вартості проекту і потім оцінити індивідуальний ризик проекту, як і в аналізі методом сценаріїв. Тепер необхідно визначити мінімальне і максимальне значення критичної змінної, а для змінної з покроковим розподілом крім цих двох ще і інші значення, що приймаються нею. Кордони варіювання змінною визначаються, просто виходячи з всього спектра можливих значень. По минулих спостереженнях за змінною можна встановити частоту, з якою та приймає відповідні значення. У цьому випадку ймовірнісний розподіл є той же саме частотний розподіл, що показує частоту зустрічі значення, правда, у відносному масштабі (від 0 до 1). Ймовірнісний розподіл регулює імовірність вибору значень з певного інтервалу. Відповідно до заданого розподілу модель оцінки ризиків буде вибирати довільні значення змінної. До розгляду ризиків ми мали на увазі, що змінна приймає одне певне нами значення з імовірністю 1. І через єдину ітерацію розрахунків ми отримували однозначно певний результат. У рамках моделі ймовірнісного аналізу ризиків проводиться велике число ітерацій, що дозволяють встановити, як поводиться результативний показник (в яких межах коливається, як розподілений) при підстановці в модель різних значень змінної відповідно до заданого розподілу. Незважаючи на свої переваги, метод Монте-Карло не поширений і не використовується дуже широко в бізнесі. ............ |