Методы качественного риск-анализа - Метод Монте-Карло

Введение

Анализ рисков является неотъемлемой частью любого решения, которое мы принимаем. Мы постоянно сталкиваемся с неопределенностью и изменчивостью вокруг нас. Даже несмотря на беспрецедентно широкий доступ к информации, мы не можем точно предсказать будущее и развитие какого-либо проекта.
В управлении рисками существуют как качественные, так и количественные аналитические методы. Однако, когда дело доходит до «рисков рулетки» - по всему миру можно услышать слова - Монте-Карло, вспоминая метод статистического моделирования.
Впервые этот метод был использован учеными, которые разрабатывали ядерную бомбу. Он был назван в честь Монте-Карло - курорта в Монако, известного своими казино и игорной индустрией.
Актуальность данной темы обусловлена тем, что при расчете систем с отказами крайне важно использовать тот метод моделирования системы, который наиболее точно может описать данную систему. Метод Монте-Карло уже давно применяется для расчета экономических рисков, но его функциональные возможности могут позволить рассчитывать и риски в современных информационных системах. Хотя данный метод почти и не применяется при расчете рисков, он имеет большую значимость при описании систем. Применимость данного метода к системам с отказами крайне сближает его с информационными системами, где данный критерий имеет не последнюю роль в жизнедеятельности системы.
Целью данной работы является анализ одного из методов анализов рисков - метод Монте-Карло.
Для достижения данной цели были поставлены следующие задачи:
рассмотреть понятие и сущность метода анализа рисков – Монте-Карло;
проанализировать преимущества метода Монте-Карло по сравнению с другими методами анализа рисков;
выделить этапы моделирования по методу Монте-Карло.
Объектом данной работы является анализ рисков.
Предметом работы является метод Монте-Карло.
Методы изучения – анализ, синтез и исследование информации.
Методологической основой исследования стали философские теории понятия истины, а также научные работы отечественных исследователей.
Данная работа состоит из введения, основной части, заключения, списка литературы.

Понятие и сущность метода анализа рисков – Монте-Карло

Анализ Монте-Карло назван в честь княжества, прославленного своими казино. С азартными играми все возможные результаты и вероятности известны, но с большинством инвестиций набор будущих результатов неизвестен. Аналитик должен определить результаты и вероятность того, что они произойдут.
При моделировании по методу Монте-Карло аналитик проводит несколько испытаний, иногда тысячи, чтобы определить все возможные результаты и вероятность того, что они будут иметь место.
Анализ Монте-Карло полезен, потому что многие инвестиционные и бизнес-решения принимаются на основе одного результата. Другими словами, многие аналитики выводят один возможный сценарий, а затем сравнивают его с различными препятствиями, чтобы решить, следует ли продолжать.
Большинство формальных оценок начинаются с базового случая. Вводя предположение о наибольшей вероятности для каждого фактора, аналитик может получить результат с наибольшей вероятностью. Однако принятие любых решений на основе базового случая проблематично, а создание прогноза только с одним исходом недостаточно, поскольку в нем ничего не говорится о любых других возможных значениях, которые могут возникнуть. Это также ничего не говорит об очень реальной вероятности того, что фактическая будущая стоимость будет чем-то иным, чем предсказание базового случая

. Невозможно застраховаться от негативного события, если причины и вероятности этих событий не рассчитаны заранее.
После разработки для выполнения модели Монте-Карло требуется инструмент, который будет случайным образом выбирать значения факторов, которые связаны определенными заданными условиями. Запустив ряд испытаний с переменными, ограниченными их собственными независимыми вероятностями возникновения, аналитик создает распределение, которое включает в себя все возможные результаты и вероятности их возникновения.
На рынке есть много генераторов случайных чисел. Два наиболее распространенных инструмента для проектирования и выполнения моделей Монте-Карло – это @Risk и Crystal Ball. Оба из них могут использоваться в качестве надстроек для электронных таблиц и позволяют включать случайную выборку в установленные модели электронных таблиц.
Искусство разработки подходящей модели Монте-Карло состоит в определении правильных ограничений для каждой переменной и правильных отношений между переменными. Например, поскольку диверсификация портфеля основана на корреляции между активами, любая модель, разработанная для создания ожидаемых значений портфеля, должна включать корреляцию между инвестициями. Чтобы выбрать правильное распределение для переменной, необходимо понять каждое из возможных доступных распределений. Например, наиболее распространенным является нормальное распределение, также известное как кривая колокола. При нормальном распределении все вхождения равномерно распределены по среднему. Среднее значение наиболее вероятное событие.
В анализе Монте-Карло генератор случайных чисел выбирает случайное значение для каждой переменной в пределах ограничений, установленных моделью. Затем он производит распределение вероятностей для всех возможных результатов. Стандартное отклонение этой вероятности — это статистика, которая обозначает вероятность того, что фактический оцениваемый результат будет отличаться от среднего или наиболее вероятного события. Предполагая, что распределение вероятностей нормально распределено, примерно 68% значений будут находиться в пределах одного стандартного отклонения от среднего значения, около 95% значений будут попадать в два стандартных отклонения, а около 99,7% будут находиться в пределах трех стандартных отклонений от среднего значения.


Анализ преимуществ метода Монте-Карло по сравнению с другими методами анализа рисков

Моделирование по методу Монте-Карло дает ряд преимуществ по сравнению с детерминистическим или «точечным анализом»:
Вероятностные результаты. Результаты показывают не только то, что может произойти, но и насколько вероятен каждый исход.
Графические результаты. Из-за данных, которые генерирует симуляция Монте-Карло, легко создавать графики разных результатов и их вероятности появления. Это важно для передачи результатов другим заинтересованным сторонам.
Анализ чувствительности. Всего лишь в нескольких случаях детерминистический анализ затрудняет определение того, какие переменные влияют на результат в наибольшей степени. В симуляции Монте-Карло легко увидеть, какие входные данные оказали наибольшее влияние на итоговые результаты.
Анализ сценариев. В детерминированных моделях очень трудно смоделировать различные комбинации значений для разных входных данных, чтобы увидеть результаты действительно разных сценариев. Используя моделирование по методу Монте-Карло, аналитики могут точно определить, какие входные данные имели какие значения вместе при достижении определенных результатов